技能介绍

问题背景

长对话 Agent 往往在会话结束后丢失关键事实；同一任务里反复试错的「成功做法」也很难沉淀成可复用的能力。若把一切都塞进上下文，成本会涨、检索也不稳定。你需要的是可编程的记忆层：能区分「长期事实」「固化技能」和「会话临时态」，并在体量变大时还能自动整理。

五层架构怎么分工

EvoMind 以 MemoryCore 为中心，用 SQLite 实现分层存储，而不是再写一套 prompt 说明文档。

| 层 | 职责 |
|---|------|
| L1 | 关键事实持久化；超过约 20KB 时最早条目归档到 l1_archive |
| L2 | 用 skill_save() / skill_load() / skill_find() 把验证过的方案固化为技能 |
| L3 | 带 TTL 的会话缓存：cache_set() / cache_get() |
| L4 | curate() 做日常审查；对 L2 用 Jaccard ≥ 0.6 做冗余检测 |
| L5 | FTS5 全文索引，经 recall() 跨层统一召回 |

对外 API 覆盖 remember()、forget()、recall_l1() 以及 stats() 等；L2 的保存与加载形成自我改进循环，而不是单次对话结束即清零。

适用与注意

依赖仅 Python 标准库与内置 sqlite3，适合嵌入自有 Agent 运行时。SKILL 称该架构已在 Hermes Agent 生产环境自 2026 年 6 月起全栈运行，但仍需按你的数据合规、备份与多租户隔离自行设计路径与权限。L3 缓存会过期，不能把临时缓存当长期真相；L1 归档后需通过 recall() / 索引层找回，而不是假设所有历史仍挤在活跃 L1 窗口里。