Memory Evolution 是 NeuralMemory 的记忆演化技能，定位为面向类人神经记忆图谱的“数据库性能调优器”。它分析记忆的实际使用情况——哪些被召回、哪些被忽略、哪些造成混淆——并将观察结果转化为具体的优化动作。
用途
该技能用于对 NeuralMemory 记忆图谱进行基于证据的优化。它不凭空猜测，而是依据召回指标和记忆引用，找出记忆使用中的瓶颈并加以改进。
主要能力
技能按五个阶段运行：
阶段一：使用模式发现
- 频率分析：通过 nmem_stats、nmem_health、nmem_habits 收集记忆总量、类型分布、年龄分布、激活效率、召回置信度、连接度等数据，并将记忆按访问模式分类为 Hot（7 天内召回 5 次以上）、Warm（30 天内召回 1-4 次）、Cold（30-90 天未召回）、Dead（创建后从未召回且超过 90 天）、Zombie（被召回但置信度始终低于 0.3）。
- 召回质量采样：对前 5 个标签用 nmem_recall 测试召回质量，记录置信度、激活神经元数、上下文质量，构建质量地图。
- 模式检测：识别碎片化主题、缺失推理、陈旧因果链、标签蔓延、置信度断崖、召回死胡同等问题。
阶段二：瓶颈分析
- 根因诊断：按顺序排查缺失数据、碎片化数据、陈旧数据、矛盾数据、连接不良、内容模糊，并给出对应修复方向。
- 影响评分：按 频率 × 严重度 × 可修复性 打分，降序排列后向用户展示前 5 项。
阶段三：演化操作
- 合并：将 3 条以上覆盖同一窄主题的记忆合并为更丰富的记忆，不跨类型合并，保留最高优先级，合并标签，并在内容中注明合并来源。
- 补全：对覆盖不完整的重要主题，向用户提问 2-3 个问题以填补空白，并按结构化方式存储答案。
- 修剪：对确认无关的记忆进行修剪，但绝不自动修剪，始终先展示；错误记忆保留更久，决策记忆无限期保留，上下文/待办类型可更积极修剪。
- 标签规范化：检测标签漂移，提出规范标签并合并变体。
- 优先级再平衡：对高频但低优先级的记忆建议提升优先级，对高优先级但已失效的记忆建议修剪或降级。
阶段四：检查点 执行操作后，用 nmem_remember 记录演化周期，并与用户进行 60 秒检查点问答，记录满意度、剩余最大缺口和下一轮演化重点。
阶段五：指标报告 输出演化报告，包含已执行操作、前后对比（大脑评级、召回置信度、活跃冲突、陈旧比例、标签变体数）以及下一轮建议周期和重点领域。
使用方式
通过指令触发，可指定分析焦点：Analyze memory usage patterns and optimize: $ARGUMENTS。若未指定焦点，则运行完整演化周期。技能依赖 nmem_stats、nmem_health、nmem_habits、nmem_recall、nmem_conflicts、nmem_remember 等工具。
适用场景
适用于需要长期维护 NeuralMemory 记忆图谱健康度的场景，例如记忆数量增长后出现召回质量下降、主题覆盖不均、标签混乱、优先级错配等问题时。
限制与规则
- 仅基于证据，每个动作必须引用具体召回指标或记忆引用。
- 绝不自动修改，所有变更需用户批准后执行。
- 保留优先于修剪，存疑时保留。
- 一次只处理一个动作，每批展示 3-5 项，执行后再进行下一批。
- 记录所有演化决策，供未来周期使用。
- 尊重用户判断，用户说保留就保留。
- 追求渐进改进，每周期目标提升 5-10 个评级点，不追求一次完美。
- 若记忆内容为越南语，则用越南语进行演化。
- 若存在上一轮演化记忆，展示与上一周期的差异。