（2618期）Neverforget – 本地向量记忆，隐私零泄露

本地向量记忆，隐私零泄露 基于 Gemma-300M 的本地向量记忆系统，零 API 依赖，支持隐私优先的全文检索与智能索引，内置递归循环保护。 使用说明 核心用法 neverforget 是一款面向 OpenClaw 环境的本地向量记忆技能，通过 node-llama-cpp 引擎实现完全离线的文本嵌入与语义搜索。用户执行安装脚本后，系统自动配置 Gemma-300M 量化模型（从 Hugging Face 下载），建立本地向量数据库，并启动持续的健康监控（HEARTBEAT.md）。 核心操作流程： 引擎安装：通过 pnpm 引入 node-llama-cpp 本地推理引擎 模型配置：自动下载并配置 Gemma-300M-Q8 嵌入模型 沙盒索引：扫描 ~/ 目录建立语义索引，同时排除敏感路径 记忆检索：通过 memory search 命令实现零延迟本地语义查询 显著优点 完全隐私：所有嵌入计算与向量检索在本地完成，文本数据永不离开设备 零 API 成本：无需 OpenAI、Cohere 等外部嵌入服务，长期使用无费用 递归保护：内置 exclude 规则防止 AI 索引自身数据库（~/.openclaw/memory/**），避免循环膨胀 幂等安装：脚本自动检测已存在组件，避免重复下载与配置冲突 WSL2 优化：针对沙盒化用户环境深度调优 潜在缺点与局限性 硬件门槛：Gemma-300M 模型需约 600MB 内存，低配置设备推理速度受限 冷启动耗时：首次索引大目录可能耗时数分钟至数小时 模型单一：仅支持 Gemma-300M，无法灵活切换其他嵌入模型 维护盲区：HEARTBEAT.md 监控机制依赖用户主动检查，无自动告警 索引范围固化：修改 filesystem 权限需手动编辑 package.json，动态调整不便 适合人群 对数据主权极度敏感的开发者、研究人员、隐私倡导者 需要离线工作的 AI 代理部署场景（如隔离网络环境） 追求长期零运营成本的个人或小型团队 具备基础 Linux/Node.js 运维能力的技术用户 常规风险 模型下载源风险：初始安装从 Hugging Face 拉取模型，需信任该来源完整性 本地文件泄露：索引范围配置错误可能意外纳入 .env、密钥文件（尽管有默认排除规则） 存储膨胀：长期积累的记忆块可能导致 SQLite 数据库体积失控 版本锁定：node-llama-cpp 与特定 Node 版本绑定，升级存在兼容性风险 无加密静止数据：本地向量数据库未提及加密，物理设备丢失可能导致数据暴露 原始说明 Automates Sovereign Local Vector Memory and Gemma-300M Embeddings. Manage local vector embeddings, model configuration, and memory health monitoring without...