用途：在给聊天机器人、copilot 或任务型智能体添加“记忆”时，帮助判断该保留什么、存在哪里，以及何时记忆反而有害。适用于智能体召回陈旧、错误或无关事实，或在全历史、摘要、向量库与记忆框架（mem0、Letta、MemGPT、Zep）之间做选择，以及把“上下文窗口”与“记忆”混为一谈的场景。
主要能力：把记忆分为四类——工作记忆（当前轮上下文，请求结束即清）、情景记忆（本次会话/线程发生的事，按时间索引）、语义记忆（关于用户、项目、世界的持久事实，按实体索引）、程序记忆（如何做事，按任务类型触发）。每类有不同的写入规则、保留策略与召回机制。提供决策流程：任务是否需要当前轮之外的信息、信息生命周期是否限于会话、是否为稳定事实、是否为行为模式、召回是否返回矛盾项、记忆为空时智能体能否正常工作。
使用方式：写入应在情节边界而非每轮进行；写语义记忆前先摘要；每条记忆带类型（如 {kind:'preference', entity:'user', key:'tone', value:'terse'}）；设置 TTL；写入幂等。召回先过滤再排序（实体匹配、时间窗、相关性），每轮预算建议情景≤5 条、语义≤10 条，展示来源（source、written_at、confidence），并处理冲突（默认最新写入优先，高风险决策需暴露冲突），支持“未找到”的负向召回。
限制与反模式：单一向量库当记忆、把对话历史灌入 RAG、每轮写入、不按用户/会话过滤召回、没有遗忘机制、把记忆框架当架构、混淆上下文窗口与记忆。若记忆让智能体在留出任务上更慢或更错，应删除记忆；默认不用记忆，直到有证据证明必要。参考资料包括 types.md、write-and-recall.md、frameworks.md，相关技能涉及 rag-vs-context-engineering、context-window-hygiene、agent-observability、agent-architecture-patterns、agent-cost-modeling。