什么是Hippocampus
Hippocampus 是一个专为 AI 智能体设计的持久记忆系统，其核心理念借鉴了人类大脑海马体的功能机制。它通过自动化流程实现记忆的编码、重要性评分、语义强化以及随时间推移的自然衰减，从而赋予 AI 持续学习和自我演进的能力。该系统不仅记录用户偏好、决策过程和个人背景信息，还能识别重复话题并自动增强相关记忆，避免信息冗余。整个架构围绕一个中心化的索引文件（index.json）构建，将记忆划分为关于用户、自身、关系和外部世界的四大类别，确保信息的结构化存储与高效检索。 该系统的运作依赖于一系列精心设计的脚本，包括信号预处理、重要性打分、语义检查、记忆创建或强化、以及每日衰减等关键步骤。其中，编码管道每三小时运行一次，结合语言模型的推理能力判断新输入是否属于已有记忆主题——若是，则触发‘语义强化’机制提升其权重；否则生成新的摘要存入数据库。同时，每天凌晨3点执行一次全局衰减计算，依据公式 new_importance = importance × (0.99^days_since_accessed) 动态调整所有记忆的重要性值，模拟真实认知中的遗忘曲线。这种设计使得高频使用的知识保持活跃状态，而长期未触及的信息逐渐淡出视野。 作为一个开源项目，Hippocampus 深度集成于 OpenClaw 生态中，可通过配置 memorySearch.extraPaths 将其生成的 HIPPOCAMPUS_CORE.md 文件接入 RAG（检索增强生成）流程。此外，它还支持自定义安装选项，如限制信号数量、处理全部对话历史或启用定时任务。对于开发者而言，除了命令行工具外，还提供了一个可视化的大脑仪表盘（brain-dashboard.html），实时展示已安装的各类脑技能（如杏仁核、伏隔核等），并提示缺失模块的安装方式，极大提升了可观测性与调试效率。
核心功能特点
- 基于斯坦福生成式智能体研究，模拟人类海马体功能实现自动记忆编码与强化
- 采用动态重要性评分与指数衰减模型，区分核心记忆与背景信息
- 支持语义相似性检测，自动合并同类话题并提升相关记忆权重
- 模块化结构设计，涵盖用户事实、自我认知、关系网络及外部世界四类知识域
- 深度集成 OpenClaw 框架，无缝对接 RAG 检索与多智能体协作场景
- 提供可视化大脑仪表盘与自动化运维脚本，便于监控与管理长期记忆状态
适用场景
Hippocampus 特别适合需要长期交互与个性化响应的 AI 应用场景。例如，在一个持续数周甚至数月的客户服务代理系统中，它可以记住客户的历史订单、沟通风格偏好乃至情绪波动模式，从而在每次会话开始时加载高优先级记忆，显著提升服务连贯性和用户体验。另一个典型用例是个人助理类智能体，它能追踪用户的日程安排变化、饮食禁忌更新或学习进度，并在后续对话中主动引用这些信息，形成类似‘记得你说过不吃辣’这样的自然回应。 在教育辅导领域，Hippocampus 可用于构建具备成长轨迹记录的 tutor 系统。当学生反复讨论某个数学概念时，系统会自动识别并强化此前讲解过的解题思路；若发现学生混淆了相似知识点，则会标记潜在冲突供教师介入。此外，在心理健康陪伴机器人中，该组件能捕捉用户的情绪转折点（如压力事件或康复里程碑），通过定期回顾帮助治疗师了解干预效果，同时保护隐私前提下实现治疗连续性。 对于多轮游戏 NPC 或虚拟角色开发，Hippocampus 同样表现出色。NPC 可以记住玩家的选择如何影响剧情走向、盟友忠诚度或资源分布，使每次互动都基于真实过往经历而非随机行为树。而在科研协作平台中，研究人员可借助此系统跟踪实验失败原因、文献笔记关联性及合作者专长领域，加速知识沉淀与跨项目复用。总之，任何强调身份延续性、上下文敏感度与自适应能力的智能体都将从 Hippocampus 提供的类脑记忆机制中获益匪浅。