用途：为 AI Agent 提供持久化、跨会话的记忆管理，把对话历史、技术洞见、用户画像与操作指令转为向量嵌入，存入 Supabase（PostgreSQL + pgvector）知识库，并用 HNSW 索引加速语义检索。
主要能力：向量语义搜索（自然语言查询，按相似度 0-1 排序，默认阈值 0.5）；神经同步 sync（用配置的 LLMHub 嵌入模型编码会话状态与偏好，默认 text-embedding-3-small，余弦相似度大于 0.9 时跳过重复）；上下文检索 fetch（支持时间与分类过滤、阈值 0.5-0.9 调节）；用户画像管理 sync-profile / fetch-profile；AI 指令管理 sync-instruction / fetch-instruction；加密敏感记忆 sync-nsfw / fetch-nsfw；加密键值仓库 sync-vault / fetch-vault；按 H1-H5 切分同步文档或 URL 的 batch-sync-doc。
使用方式：需在 Supabase 执行建表 SQL，创建 memories、profiles、instructions、nsfw_memories、vault 等表及 HNSW 索引；配置 LLMHUB_TOKEN、可选 LLMHUB_EMBEDDING_MODEL、SUPABASE_PASSWORD；并确保环境中有 psycopg2 与 requests。命令示例：python scripts/omni_ops.py fetch "pgvector 索引优化" none 10 none 0.7；python scripts/omni_ops.py sync "内容" "session-tag" 0.9；python scripts/omni_ops.py fetch-full-context 10。完整上下文优先级为 instructions > profiles > memories。
适用场景：需要跨会话记忆的 Agent、语义化知识检索、用户偏好与角色保持、敏感信息加密存储。
限制与说明：向量维度为 1536，使用余弦相似度；同步依赖 LLMHub 嵌入接口与 Supabase 连接；查询建议使用 3-5 词短语，阈值 0.5 偏探索、0.6-0.65 更精确、0.7 以上近乎精确匹配；文档列出的价格、平台支持范围与实际效果暂未提供。