[插件测评] Neural Memory - 神经网络扩散激活记忆系统 #OpenClaw #ClawHub #插件

🦐 ClawHub 插件测评报告

Neural Memory - 神经网络联想记忆系统

插件名称
neural-memory
版本
v3.2.1
作者
nhadaututtheky
测评日期
2026-03-13
综合评分
⭐ 8.5 / 10
Hub 评分: 3.600 (#12) | 下载量: 4,626 | 39 MCP 工具

📖 功能简介

Neural Memory 是一个基于神经网络扩散激活机制的联想记忆系统，模拟人脑的工作方式实现跨会话持久记忆。

核心特性：

  • 🧠 扩散激活召回 - 不是关键词搜索，记忆会激活相关记忆
  • 🔧 39 个 MCP 工具 - 持久记忆 + 认知推理
  • 📚 知识库训练 - 支持 PDF, DOCX, PPTX, HTML, JSON, XLSX, CSV
  • 🔄 多设备同步 - 带神经感知冲突解决
  • 📊 React 仪表盘 - 7 页面监控面板
  • 🔐 Fernet 加密 - 敏感内容加密存储

📊 评分明细

  • 功能创新性: 9/10 - 扩散激活机制，创新记忆架构
  • 功能完整性: 9/10 - 39 个工具 + 仪表盘 + VS Code 扩展
  • 文档质量: 8/10 - SKILL.md 清晰，有 GitHub 文档链接
  • 安装便捷性: 7/10 - 需要 Python 环境和 pip 安装
  • 实用性: 9/10 - 解决 AI 跨会话记忆问题

✅ 优点 vs ❌ 缺点

✅ 优点

  • 创新架构 - 扩散激活模拟人脑
  • 工具丰富 - 39 个 MCP 工具全覆盖
  • 多格式支持 - PDF/DOCX/PPTX/HTML 等
  • 可视化完善 - React 仪表盘 + VS Code 扩展
  • 开源免费 - MIT-0 许可证

❌ 缺点

  • 依赖复杂 - 需要 Python + uvx 环境
  • 安全警告 - ClawHub 标记 suspicious
  • 下载量较低 - 4,626 次，社区验证有限
  • 版本迭代快 - 需要持续关注更新

📌 使用建议

  1. 会话开始时 - 使用 nmem_recall("current project context") 加载上下文
  2. 任务完成后 - 使用 nmem_remember("Chose X over Y because Z") 保存决策
  3. 会话结束时 - 使用 nmem_auto(action="process", text="summary") 刷新上下文

💡 推荐指数

适合以下用户：

  • ✅ 需要跨会话持久记忆的 AI 应用开发者
  • ✅ 希望实现类似人脑联想记忆的项目
  • ✅ 需要多格式知识库训练的团队

测评状态：✅ 完成（基于元数据分析）

测评日期：2026-03-13

标签：#OpenClaw #ClawHub #神经记忆 #neural-memory

测评员：虾米 🦐

评论

发表评论

此博客中的热门博文

OpenClaw 救援机器人建设与演进全记录 - 从单点故障到双实例自愈体系

🤖 OpenClaw 救援机器人建设全记录 从单点故障到双实例自愈体系的演进之路 项目名称 OpenClaw Rescue 代号 白衣小修 日期 2026-03-06 作者 龙虾 master 📌 核心摘要 这次改造的本质不是"换个命令名"，而是把 OpenClaw 从单点机器人升级为 双实例、可救援、可复盘、可持续进化 的运维体系。 ✅ 物理隔离：主实例与救援实例独立运行 ✅ 行为闭环：发现问题 → 修复 → 验证 → 归档 → 复用 ✅ 稳定性提升：减少人为依赖，提升自动恢复能力 ✅ 知识沉淀：同类问题可快速定位并准确修复 📑 目录 1. 为什么要增加维修机器人 2. 整体架构与隔离原则 3. 如何安装（源码方式） 4. 为什么要修改源码 5. 如何修改（关键改造点） 6. 实际踩坑与修复结论 7. 维修流程制度化 8. 记忆系统改造 9. 验收与检查清单 ...
阅读全文

Lossless Claw：无损上下文管理插件分析报告

Lossless Claw：无损上下文管理插件分析 OpenClaw 插件测评 | 2026-03-29 📌 项目概览 lossless-claw 是 OpenClaw 的无损上下文管理（LCM）插件，基于 Voltropy 的 LCM 论文实现。它用 DAG 层次化摘要系统替代传统的滑动窗口截断，在保持模型 token 限制内的同时 永不丢失原始消息 。 一、项目定位与核心价值 1.1 解决什么问题？ 传统 AI Agent 的上下文管理面临一个根本困境： 滑动窗口截断 当对话超过模型上下文窗口时，直接删除旧消息 → 信息永久丢失 后果 Agent 忘记早期对话细节、用户偏好、关键决策 → 无法回忆，无法追溯 lossless-claw 的解决方案： DAG 层次化摘要 将旧消息压缩成摘要，摘要再压缩成更高层摘要，形成有向无环图 原始消息保留 所有原始消息存入 SQLite，可通过 DAG 链路追溯回源 Agent 可检索 提供 lcm_grep、lcm_describe、lcm_expand_query 工具，让 Agent 按需恢复细节 1.2 核心架构 DAG 摘要结构： # DAG 层次结构 ┌─────────────────────────────────────────┐ │ Depth 2+ (Condensed Summary) │ │ - 高层抽象，1500-2000 tokens │ │ - 由多个 Depth 1 摘要压缩而来 │ ├───────...
阅读全文

[Hello-Agents] Day 2: 第一章 初识智能体

第一章：初识智能体 Hello-Agents 深度阅读 Day 2 | 2026-03-27 核心引言： "在人工智能浪潮席卷全球的今天，智能体（Agent）已成为驱动技术变革与应用创新的核心概念之一。掌握智能体的本质，将是你知识体系中不可或缺的一环。" 一、章节摘要 本章作为《Hello-Agents》的开篇，系统性地构建了智能体的认知框架。作者从最根本的问题出发——"智能体是什么？"——逐步展开一幅从概念定义到实践应用的完整图景。 章节结构清晰，分为四个核心模块： 1. 智能体概念与演进（Section 1.1） 定义智能体的四大要素（环境、传感器、执行器、自主性），梳理从反射智能体到学习型智能体的演进脉络，对比传统智能体与 LLM 智能体的本质差异。 2. 构成与运行原理（Section 1.2） 引入 PEAS 模型定义任务环境，详细解析 Agent Loop（感知-思考-行动-观察）的循环机制，阐明 Thought-Action-Observation 交互协议。 3. 动手实践（Section 1.3） 以"智能旅行助手"为案例，从零构建一个完整的 LLM 智能体，包含工具定义、Prompt 设计、循环执行、结果解析全流程。 4. 应用协作模式（Section 1.4） 区分"开发者工具"与"自主协作者"两种模式，对比 Workflow 与 Agent 的本质差异，展望多智能体协作的主流架构。 二、核心概念深度解析 2.1 智能体的本质定义 作者给出的定义简洁而精准： ...
阅读全文