高性能 LLM 记忆集成框架，提供向量计算、硬件优化、RAG 增强和智能缓存能力。

当前版本：v3.0.5（生产就绪）

• 高性能向量计算 - 自动检测 FMA/MKL/SIMD 指令集加速
• 多级缓存系统 - L1/L2/L3/NUMA/DRAM/CXL 智能预取
• 硬件感知优化 - CPU/GPU/内存/IO 协同调度
• 前沿 RAG 能力 - 投机解码、混合检索、命题级检索、上下文压缩
• 跨平台支持 - Linux/macOS/Windows 自动适配，优雅降级

# 安装（自动拉取私有增强包）
clawhub install llm-memory-integration

# 私有包自动克隆到：
# ~/.openclaw/workspace/skills/llm-memory-integration/src/privileged/

from llm import initialize

result = initialize()
# Platform: Linux x86_64 | Optimizations: numa, hugepages | Tools: 9

• vector_api.py - 向量运算、Top-K 搜索、余弦相似度
• mkl_accelerator.py - Intel MKL 矩阵加速
• quantization.py - 向量量化压缩

• unified_cache.py - 统一多级缓存
• rag_cache.py - RAG 知识树缓存
• semantic_cache.py - 语义相似度缓存

• hardware_optimize.py - 自动硬件检测与调优
• numa_optimizer.py - NUMA 亲和性绑定
• gpu_optimizer.py - CUDA/OpenCL GPU 加速
• kunpeng_optimizer.py - 华为鲲鹏专用优化

• hybrid_search.py - Dense+Sparse 混合检索
• speculative_decoder.py - 投机解码加速推理
• streaming_llm.py - 无限长度流式推理
• crag_pipeline.py - CRAG 自纠正管线
• context_compressor.py - LLMLingua 上下文压缩
• proposition_retriever.py - 原子命题级检索

• resource_orchestrator.py - 统一资源编排
• power_manager.py - DVFS 电源管理
• io_optimizer.py - I/O 调度优化

版本	主要变更
v3.0.5	模块协同与进程管理优化；15 项稳定性修复；生产就绪
v3.0.0	7 项论文级模块（投机解码、混合检索、命题检索、上下文压缩、RAG 失败检测、Late Chunking、StreamingLLM）；CRAG 自纠正管线
v2.1.0	资源编排器、统一缓存、向量 API、I/O 优化器
v2.0.0	GPU 检测、安全对齐、检索评估
v1.4.0	14 个搜索增强子模块
v1.0.0	初始版本

级别	依赖	用途
必须	numpy (Python 3.8+)	向量计算
推荐	pysqlite3-binary	向量搜索
可选	scipy, scikit-learn, aiohttp, pyopencl	扩展功能

python3 -m unittest test_suite -v

• 参数类型与范围校验
• SHA-256 路径哈希防护
• 扩展白名单机制
• 线程安全锁保护
• 连接资源安全释放

MIT License

• ClawHub 主页
• Gitee 镜像