Caura
为 AI 智能体集群提供带治理的共享记忆层：多租户、跨智能体召回、信任分级与审计追踪，让每一次交互都比上一次更聪明。
证据显示最小权限设计较完整：agent 作用域凭证、四级信任层、scope_agent/team/org 可见性、keystone 写入需信任等级。扣分：这些都是 README/文档层面的声明，静态评审未见核心鉴权代码，无法验证租户隔离（CI 注释还提到两起租户越界 GHSA 公告，说明该面曾出过真实漏洞）。用户确认方面 Skills Inbox 审批门与默认关闭的 Skill Factory/Interviewer 是好设计，但删除/迁移类操作未见用户确认机制。数据流透明度靠审计日志与 PII 标记声明支撑，未见实现。依赖安全：requirements.txt 带论证过的版本下限、CI 用 digest 钉住 action 与 oasdiff 镜像，是实打实的证据，但无 lockfile 审计/依赖扫描步骤可见。外部影响（写入外部 LLM 提供商、插件向节点磁盘推送技能文件）有披露。回滚仅覆盖记忆生命周期/被取代链，部署回滚未述。来源归属：召回结果标识作者 agent，LICENSE 注明版权方，但发布者身份未经注册表验证。
自一致性整体较好：工具命名、双路径凭证、legacy 别名在各处表述一致；但 package. 版本为占位 0.0.0、描述仍称 'OpenClaw agents' 平台、test 脚本为占位报错，与 README 的成熟产品叙述存在张力，扣分。依赖可用性：requirements 有下限论证（uvicorn 0.37 floor、GCP SDK 对齐），说明作者实测过解析路径，属充分；但依赖面广（Postgres+pgvector+Redis+LLM 提供商），降级路径仅 Redis 有明确回退。失败消息：CI 中两条 guard（MCP 错误信封必须走 _error_response、禁止 str(e.detail)）表明错误通道质量被系统性维护，评 2；未见完整错误码目录。
受众与场景是本仓库最强项：单机无密钥试用、自托管、托管平台、OpenClaw 插件、单 agent 到大规模 fleet 均有明确路径与时间估算，给 3。能力边界部分陈述（Interviewer 记忆是近似、单 agent 基准测不到 fleet 轴），但性能数字与竞品对比属自报，边界声明不完全。触发精度：12 个 MCP 工具职责划分清晰、keystone 声明覆盖冲突用户指令，但工具行为正确性无法静态验证。环境适配详尽：Docker Compose、离线/air-gapped、本地 embedder、手动部署均有文档。
信息架构极佳：README 分层清晰、docs/ 深度文档链接、CI 注释承载大量运维史，给 3。安装说明覆盖三条路径与各 MCP 客户端注册方式，给 3。命名稳定性处理是范例级：MemClaw→Caura 重命名有 legacy 注释规范、CI 里的 legacy_name_ratchet、双读 secret 别名，给 3。示例丰富但 FAQ 未见。已知限制有部分坦诚陈述（基准测不到的维度、Interviewer 误读风险）。许可证 Apache-2.0 全文在库，给 3。版本与变更日志是最弱项：根 package. 版本 0.0.0、评审证据中无 CHANGELOG、Semver 承诺仅在 SECURITY.md；扣分。维护责任：SECURITY.md 有响应时限与支持版本表、CI 工作流显示活跃维护，但发布者身份未验证，给 2。
输出可用性：写入返回结构化字段（memory_type/title/status/weight）、搜索按复合分数排序且修正项必排在被取代项之上，文档层面充分，但未经执行验证，给 2。边际价值：竞品对比表和 fleet 治理定位清晰，但对比为作者自评（'our reading of public docs'），未经第三方佐证，给 2。成本收益：token 节省 96-98% 与 23ms p50 为自报数字，BENCHMARKS.md 不在评审文件内无法核对方法学，给 2。
声明可追溯性中等：性能数字指向 BENCHMARKS.md 与 docs/performance.md，依赖下限有逐条论证可复核，eToro 生产案例给出博客链接，但这些佐证文件多不在本次评审范围内，扣分。跨源佐证弱：所有性能、客户案例、竞品对比均为自我陈述，无独立来源，给 1。事实与推断基本分离：文档标注了'离我们读到的公开文档'、明确区分确定性本地启发式与模型推断输出，属良好实践；但营销语言（'self-improving'、'keeps paying off'）与技术事实交织，给 2。
- 发布者身份未经 FollowAgents 注册表验证，eToro 生产案例、性能数字（77.6%/72.5%、23ms p50、96-98% token 节省）均为项目自报，本次静态评审无法核实，采用前应独立复测。
- 租户隔离是核心安全声明，但 CI 注释披露本仓库曾有两起租户越界安全公告（GHSA-xw4x-jwf5-8m9h、GHSA-wgvw-28pq-jc36）；生产部署应自行做隔离渗透验证，不要仅依赖文档声明。
- 根 package. 版本为 0.0.0 且无 CHANGELOG，版本追溯能力弱；锁定具体 commit 使用。
- OpenClaw 插件会向节点磁盘写入技能文件（reconciler 推送），Interviewer 磁盘解析器会读取 harness 转录文件；接入前审查这两个有本地文件系统副作用的路径。
- keystone 规则声明'覆盖冲突的用户指令'，即模型被指示优先服从存储的治理规则；部署方应确认该语义符合自己的信任模型。
这个 Agent 能做什么，适合哪些场景？
Caura（前身为 MemClaw）是一个开源的、面向多智能体与多租户场景的共享记忆层，采用 Apache 2.0 许可证。核心服务是基于 FastAPI 的 REST/MCP API，后端为 PostgreSQL + pgvector，辅以 Redis 缓存，通过 Docker Compose 或托管平台部署。写入的记忆经单次 LLM 增富：自动分类为 14 种记忆类型、生成标题与摘要、评分重要性、检测 PII 并抽取实体。检索采用混合搜索：pgvector 语义相似度、全文关键词匹配、知识图谱扩展（最多 2 跳），并按相似度、重要性、新鲜度与图谱加权的复合分排序。治理能力包括租户级行级隔离、三种可见性范围（scope_agent/scope_team/scope_org）、四级智能体信任分级、keystone 规则与完整审计日志。系统已在 eToro 生产环境运行 300 多个智能体，p50 搜索延迟为 23 毫秒。
智能体通过 MCP 端点 /mcp 或 REST API /api/v1 写入与检索记忆。caura_write 接收纯文本并在服务端完成 LLM 增富（类型、标题、摘要、标签、向量、PII 标记）；caura_recall 执行混合语义+关键词检索并扩展知识图谱；caura_manage 处理记忆生命周期（读取、更新、转换、删除、谱系）；caura_doc 提供结构化 JSONB 文档集合 CRUD 与语义搜索；caura_evolve 支持结果上报（Karpathy Loop），根据成功/失败反馈调整权重并自动生成规则型记忆；caura_tune 为每个智能体优化检索参数（top_k、min_similarity、graph_max_hops、混合权重）；caura_keystones 读取当前范围的强制治理规则。矛盾检测通过 RDF 三元组比较加 LLM 语义分析自动取代过时记忆。部署方式包括 docker compose up -d --wait 启动的自托管栈、caura.ai 托管平台，以及 OpenClaw 插件；客户端提供 pip install caura-client 与 npm install @caura/client。
- 运行多智能体研发团队的平台工程师：希望部署-智能体写的回滚步骤能被值班-智能体跨智能体召回，通过 scope_team 可见性与 agent_id 归属实现。
- 需要将 Claude Code、Cursor、Codex 等多种编码智能体接入同一记忆面的开发者：通过 MCP 配置块（URL + API key）或本地 caura-daemon Broker 接入。
- 有合规与隐私要求的组织：需要租户隔离、PII 自动检测标记、四信任分级与每次写入/删除的审计日志。
- 智能体间需要共享操作技能的团队：通过 caura_doc 的 skills 集合或治理化的 Skill Factory（candidate→staged→active 生命周期与 Skills Inbox 审批）共享 SKILL.md。
- 自托管、离线或气隙环境：使用 Docker Compose 栈或本地嵌入器实现无云端调用的语义搜索。
- 个人开发者快速试用：standalone 模式免 API key 启动，写入并关键词检索第一条记忆约 30 秒。
这个 Agent 有哪些优点和局限？
- 唯一以集群为中心的记忆层：多舰队支持、智能体信任分级 + keystone 策略、跨供应商记忆共享、矛盾检测与取代、逐智能体检索调优，对比表中 Mem0/Zep/Letta 均不具备这些能力。
- 搜索延迟极低且节省 token：23 ms p50 / 27 ms p95，相对全上下文节省 96.6%–98.2% 的 token，这些指标随智能体数量增加而复利放大。
- 治理内建而非外挂：写入时打可见性范围标签、租户行级隔离、PII 自动检测、每次操作的全审计日志；语义搜索可完全本地化（本地嵌入器）。
- 记忆自我改进：基于结果的 Karpathy Loop 强化、LLM 结晶去重生成原子事实、8 状态生命周期、知识图谱实体解析保留别名且避免误合并（如 new york 不塌缩为 york）。
- 运行时依赖较重：自托管需要 PostgreSQL 16+（含 pgvector）、Docker Compose；Redis 虽可缺省但多实例限流需它。
- 关键功能默认关闭且需租户配置：Skill Factory 与 Interviewer 均为 opt-in（org settings 中 enabled=true 才生效），启用前不产生相应价值。
- v1→v2 升级是破坏性迁移（嵌入维度 768→1024），需数据库快照并全量重新嵌入，存量部署升级有实际成本。
- 精确度并非差异化优势：作者自述在 LoCoMo（77.6%）与 LongMemEval（72.5%）上的准确率与 Mem0、Zep 一样处于同一窄带集群，单智能体场景收益有限；且自托管运行时不收集任何遥测，问题排查依赖 Sentry 主动配置。
如何安装或部署这个 Agent？
自托管快速路径：git clone https://github.com/caura-ai/caura.git && cd caura，然后 cp .env.example .env 并在 .env 中加入 IS_STANDALONE=true（单租户、免 API key），运行 docker compose up -d --wait 启动 PostgreSQL+pgvector、Redis 与 API（约 30 秒）。托平台路径：在 caura.ai 注册免费账号，从仪表盘复制 API key。OpenClaw 用户可按插件一行安装说明装为插件。客户端：pip install caura-client（Python）或 npm install @caura/client（Node 18+，无运行时依赖）。生产镜像发布于 ghcr.io/caura-ai/caura-memclaw-core-api:v2.5.0 等多架构镜像。手动部署需 Python 3.12+、PostgreSQL 16+（含 pgvector 扩展）、可选 Redis，运行 uvicorn core_api.app:app --host 0.0.0.0 --port 8000 --workers 2。注意：从 v1.x 升级到 v2.x 需要显式选择加入破坏性迁移（嵌入维度从 768 扩到 1024），需先做数据库快照并重新嵌入。
如何使用这个 Agent？
1) 本地验证：curl -X POST http://localhost:8000/api/v1/memories -H "X-API-Key: standalone" -H "Content-Type: application/" -d '{"tenant_id":"default","agent_id":"quickstart","write_mode":"strong","content":"Our auth service uses JWT with 15-minute expiry."}'，再用 POST /api/v1/search 以 {"tenant_id":"default","query":"JWT expiry"} 检索。2) 接入 MCP 客户端（Claude Desktop/Cursor/Claude Code 等）：添加配置 {"mcpServers":{"caura":{"url":"http://localhost:8000/mcp","headers":{"X-API-Key":"standalone"}}}}；Claude Code 需用 claude mcp add --transport http -s user caura http://localhost:8000/mcp --header "X-API-Key: standalone"。3) 集群效果：智能体 A 以 visibility=scope_team 调用 caura_write 记录经验，智能体 B 用 caura_recall 并传 fleet_ids 即可召回并看到原作者 agent_id。4) 生产环境：通过 POST /api/v1/admin/agent-keys/provision 为每个智能体原子化发放 agent-scoped 凭证（mc_ 前缀）。5) 可选安装使用技能：curl -s "http://localhost:8000/api/v1/install-skill" | bash。
这个 Agent 与同类方案有什么区别？
README 提供了与 Mem0、Zep、Letta 的对比表：三者准确率与 Caura 处于同一窄带，但在多舰队支持、信任分级与 keystone 策略、跨供应商共享、矛盾检测与取代、逐智能体检索调优上均不支持（Zep 有 PII 检测与知识图谱、审计为部分支持；Letta 的 MCP 为部分支持）。Mem0 与 Zep 聚焦单智能体记忆；Caura 的定位是多个智能体、团队与供应商共享同一可审计记忆面。对比依据为 2026 年 6 月公开文档，作者欢迎勘误。