首先v4.5-Pro 是 100% 本地零 LLM 引擎，T0（0.355）/T1（0.402）分数完全由纯本地检索产生，未调用任何大模型或嵌入服务。
T2 评测中的 DeepSeek 不是引擎组件，而是协议规定的“固定读者”——所有参测引擎（包括 TencentDB AM）均使用同一 DeepSeek 实例生成答案，变量严格隔离。

正确理解：T2 分数衡量的是“引擎喂给 AI 助手的记忆质量”，而非引擎自身智能。

T3a/T3b 的定位澄清
T3a（全上下文暴力塞入）：0.83 分仅为理论天花板参照，证明“记忆引擎的价值边界”。v4.5-Pro 用 1/3 token 达到 0.562，差距 0.27 即检索代价。该方案不可扩展、不经济，非可用产品。
T3b（无记忆）：失忆基线，用于量化记忆系统增益。
主角始终是记忆引擎：T0/T1 定义其独立能力，T2 量化其对 AI 助手的赋能效率。
v4.5-Pro 版：391KB，模块化+双语，适合二次开发
普通 v4.5：271KB，中英分立，bash install.sh 一键部署，Web UI 开箱即用
性能：Hybrid 搜索 130ms，RAM 0MB，树莓派可跑

重要澄清
“v4.5-Pro 本身不含任何 LLM！T2 中的 DeepSeek 只是评测用的标准读者。比的是‘谁的记忆让 AI 答得更好’，不是引擎自己会不会思考。”

选型建议
选 Mnemosyne：隐私敏感、资源受限、需低 token 成本（记忆引擎0花费）、追求确定性
选 TencentDB AM：已有腾讯云生态、接受数据上云、需要开箱即用画像功能（但需承担 T2 性能损失）

如果有好的反馈，好的想法请联系我的邮箱elonfortec@163.com
GitHub仓库https://github.com/ElonAug7/openclaw-mnemosyne-memory-engine