记忆快速启动

要解决什么问题

给 Agent 加记忆，常见路线要么依赖云端 API，要么靠开发者自己拼脚本。前者引入密钥、网络与隐私问题；后者检索精度低、格式各自为政，条目一多就乱。这套技能瞄准零依赖场景下的四个痛点：记忆能力弱、搜索精度不足、上手门槛高、数据格式不统一。

它的工作原理

• 三层记忆架构：SESSION-STATE.json 承载活跃工作记忆，能抗上下文压缩；memories/ 存放索引化 JSON，支持检索；MEMORY.md 与 daily/ 作为人类可读的长期归档。三层从快到慢协同，各司其职。
• 混合检索算法：以 TF-IDF 文本相关性为基座（50%），叠加近期加权 20%、重要度加权 20%、标签匹配 10%。纯词频检索时，查询「用户喜好」无法召回「偏好深色模式」，因为没有共同词；标签与重要度维度补上这道语义鸿沟，资料显示召回率较纯 TF-IDF 提升约 40%。
• WAL 写前日志协议：先落盘，再回复。用户表达偏好、做决策、给截止时间或纠正错误时，顺序是更新 SESSION-STATE.json → memory-store 持久化 → 最后才响应用户，避免崩溃丢上下文。
• 统一 schema 与关系图谱：所有记忆遵循同一 JSON 结构（id、type、content、importance、tags、timestamp、confidence 等字段），覆盖 preference、decision、fact、lesson、context 五类，并用 related_to、followed_by 串起关联记忆，查询一条可顺藤摸瓜找到相关条目；另附迁移工具支持从其他记忆系统导入。

上手路径是 memory-init 初始化目录 → 在 Agent 系统提示词里写入写入与检索规则 → 存领先条记忆并验证召回 → 日常执行 WAL 协议 → 定期用 memory-stats、memory-archive、memory-deduplicate、memory-export 做维护。

适用边界

• 检索不是语义级的。基于 TF-IDF 加权，遇到「汽车」与「轿车」这种无共同词又无标签关联的情况会失手，条目超过一万建议接入本地 embedding 增强。
• 不自动抽取事实，需要 Agent 主动调用 memory-store，从对话流中提炼靠规则与手动命令。
• 纯本地存储，默认无跨设备同步，需自行用 GitHub Gist 扩展。
• 关系链要手动维护，related_to 指向需要在写入时显式指定，系统不会自动发现记忆间的关联。