Agent Skills
返回列表
🤖

神经记忆增强

AI Agent 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @zcwl/neural-memory-enhanced-2。

技能介绍

被关键词困住的长期记忆

长期对话频繁积累决策、错误修复与事实变更,传统方案往往依赖全文匹配或把历史切块塞进向量数据库做相似度检索。当问题指向某个“决策”或“因果链”时,纯向量检索很容易失败——如果后续对话不复述当时的关键词或显式实体,嵌入空间里也无迹可寻。Neural Memory Enhanced 试图用扩散激活与神经图谱解决这种联想缺失问题。

它如何组织记忆

它将每条记忆视为图谱中的神经元,彼此通过 20 种类型化突触连接,涵盖时间、因果、语义、情绪和冲突等关系。召回时,种子节点沿边向外扩散,带出概念相关却未必共享关键词的记忆,比平铺的嵌入检索更接近人类的联想过程。

  • 扩散激活:突破关键词边界,实现自然语言触发的联想推理。
  • 赫布学习:常用路径随时间自发强化,冷僻路径自然弱化。
  • 记忆衰减:引入 Ebbinghaus 遗忘曲线管理生命周期,疏于访问的记忆会呈指数级自然衰减。
  • 矛盾检测:写入时自动识别冲突信息,违反规则的老化记忆会被优先级降级,避免污染图谱。

在实际工作流中,Agent 可以用 nmem_context 在会话开始注入近期上下文,遇到决策、错误或偏好时调用 nmem_remember 落盘;面对复杂跨域问题时,提高 nmem_recall 的 depth 参数便能拉取多层级关联记忆。其余机制则完全交给正则、图遍历和赫布学习等纯算法,不依赖任何 LLM 推理。

适用边界与注意点

  • 强依赖宿主 LLM 能力:工具调用需要 Agent 具备理解自然语言和调度 Tools 的底层模型能力。
  • 尽管存量记忆的处理是纯算法的,整体召回质量仍受制于宿主模型的指令遵从度和语义解析水平。
  • 不适用于需要人类介入干预的复杂业务决策环境。
  • 图谱状态会随每次读写持续演化,不适合盲目全量持久化。

使用场景

  • 在跨月的行为审计里要回答当时为什么移除某个代码审查权限,后续日志没有重复原关键词,希望用扩散激活跨语义召回。
  • 排障时需要回溯某个线上事故从哪次发布引入,沿着 CAUSED_BY 和 LEADS_TO 走完整条因果链,而不是翻遍聊天记录。
  • 同一主题会被反复记录补丁与最终方案,希望旧的错误结论被 CONTRADICTS 标记并降级,避免最后一次召回又拿到废案。
  • 长期在多个客户端使用 Agent 时,希望常被问到的语义记忆保持稳定,临时任务型记忆按曲线自然衰减掉。

适合人员

  • 在 Cursor、Cline、Codex 等 Agent 里维护长上下文,需要可靠检索历史决策而不是翻聊天记录的工程师。
  • 给 Agent 产品做记忆层,想把向量搜索之外加入图遍历、优先级和衰减控制的开发者。
  • 负责知识库与决策记录的团队,希望把决策、错误、偏好和 workflow 结构化保存并追溯归因的人。
  • 在本地优先场景里存储记忆,又希望了解大脑快照、回滚和迁移边界的工程师。