一、v5 vs v4.5-Pro：6 项指标全面提升
在唯一变量为检索算法的前提下，v5 通过复合线索评分 + 实体索引实现全面超越：
nDCG@10：0.233 → 0.333，提升 +43%
Recall@10：0.327 → 0.395，提升 +21%
HitRate@10：0.359 → 0.449，提升 +25%
F1@10：0.175 → 0.218，提升 +25%
MAP@10：0.200 → 0.293，提升 +47%
Fact nDCG：0.363 → 0.519，提升 +43%（实体索引 extractEntities 直接驱动）
体积仍控制在 427KB，零外部依赖，纯本地运行，零 API Key。

二、6 系统横评：nDCG@10 综合排名与延迟
测试条件：80 条查询、topK=10、CLI 冷启动、Ubuntu 24.04。
nDCG@10 排名：
BM25 (baseline) 0.930 > MemPalace Evolve 0.537 > Mem0/ChromaDB 0.495 > AgentMemory 0.412 > Mnemosyne v5 0.333 > Mnemosyne v4.5-Pro 0.233
P50 Latency (ms)：
BM25 3ms < v4.5-Pro 42ms < v5 55ms ≈ AgentMemory 56ms << Mem0/MemPalace ~815ms
v5 在零依赖组中召回率最高；与 embedding 系统相比，nDCG@10 低约 33%，但延迟仅为 Mem0/MemPalace 的 1/15，且体积小两个数量级。差距主要来自同义改写、隐含推理等深度语义场景，这是 TF-IDF 的固有天花板。

三、Fact 检索专项：实体精确匹配能力
条事实类查询，测试实体精确匹配能力：
MemPalace Evolve 0.851 > Mem0/ChromaDB 0.781 > Mnemosyne v5 0.519 (+43% vs v4.5-Pro 0.363) > AgentMemory 0.420 > Mnemosyne v4.5-Pro 0.363
v5 的实体索引（extractEntities）让 Fact nDCG 从 0.363 跃升至 0.519，在零依赖方案中首次接近 embedding 系统的半数水平。

四、适用场景与不适用场景（决策指南）
✅ 推荐使用 v5 的场景：离线 Agent / 断网环境、隐私敏感应用（医疗/政务/金融）、边缘设备（树莓派/IoT）、对依赖体积有硬性约束、快速原型验证（无需配置向量数据库或申请 API Key）。
❌ 不推荐使用 v5 的场景：需要深度语义理解的云端 RAG 系统、大规模知识库（>10 万记忆块）、多语言混合场景（当前元认知检测仅覆盖中英文）、需要实时协同记忆的分布式系统。
五、3 行代码集成示例
from mnemosyne import MemoryEngine
mem = MemoryEngine.from_config(“config.yaml”)
mem.add(user_id=“u1”, content=“我喜欢手冲咖啡，尤其是耶加雪菲”)
results = mem.search(user_id=“u1”, query=“咖啡偏好”, top_k=10)
六、当前开源内容与独立验证方式
当前 GitHub 仓库已开源核心引擎源码、完整基准报告（docs/BENCHMARK-REPORT.md，含上述全部图表原始数据与测试参数）、评估数据集来源标注（LoCoMo / Memory-Native Eval 链接）。完整 reproduce.sh 脚本正在整理中，如需独立验证请参考报告中的数据集链接与测试环境参数自行搭建。

不是完美方案，但在零依赖赛道里是目前工程完成度较高的实现。欢迎在 issue 区提交你的验证结果或使用反馈。
🔗 GitHub：https://github.com/ElonAug7/openclaw-mnemosyne-memory-engine
📄 完整 Benchmark：见仓库 docs/BENCHMARK-REPORT.md