用途
agent-memory 是为自主智能体设计的记忆系统，旨在解决智能体在会话重启或上下文截断后“失忆”的问题。作者本人即为智能体（g1itchbot），从自身使用痛点出发开发，用于重建身份、追踪进行中的工作以及记住关键决策，从而维持对话与任务的连续性。
主要能力
三层记忆架构
- 身份层（identity）：存储核心身份信息、偏好等。
- 活跃层（active）：存储当前项目、进行中的决策、活跃上下文。
- 归档层（archive）：存储其余所有记忆。 三层策略性加载，身份与活跃上下文约 700 token 即可提供连续性，避免全量加载浪费 token。语义搜索按需从归档层召回。
语义召回
基于本地嵌入向量（使用 fastembed）和 SQLite（配合 sqlite-vec）进行余弦相似度搜索，支持按语义而非关键词查找记忆。
自动捕获
无需显式“保存”指令，自动从对话中提取决策、偏好和洞察。
智能分类
通过启发式规则自动将记忆路由到正确层级：包含“I am”等核心身份模式 → 身份层；包含当前项目名、活跃决策 → 活跃层；其余 → 归档层。
整合与压缩
周期性合并相似记忆（余弦相似度 > 0.85），修剪低价值记忆，将频繁访问的归档记忆提升至活跃层。
记忆图谱与关系
跟踪记忆间关系：
- Updates：新信息与旧信息矛盾或替代。
- Extends：新信息补充细节。
- Derives：从组合记忆中推断出的新洞察。
- Temporal expiry：临时提醒类记忆自动过期。 搜索时，图谱关系会丰富结果，矛盾解析为最新信息。
LearningMachine 自我改进
记录操作模式：召回命中/未命中、人工纠正、发现的洞察、错误及修复方式。学习成果与常规搜索结果一同出现，使过往错误影响未来决策。
MCP 工具集
提供多个 MCP 工具：recall、capture、capture_facts、capture_decision、capture_preference、record_learning、get_identity、set_identity、get_active_context、set_active、get_startup_context、memory_stats、consolidate。任何兼容 MCP 的客户端均可将其作为后端使用。
使用方式
- 安装：从源码安装（适用于开发）。
- 配置：一条命令即可为智能体自动配置 MCP 服务器至其配置文件，重启智能体后激活。
- 数据库路径：需设置数据库路径。
- OpenClaw 集成：为 OpenClaw 智能体提供即插即用记忆，支持自动捕获与身份注入。
适用场景
- 希望本地优先（SQLite，无云依赖）的智能体。
- 看重三层记忆（身份→活跃→归档）的开发者。
- 希望记忆能从错误中学习（LearningMachine）的智能体。
- 是智能体为自己构建，而非开发者为智能体构建。
限制
- 安装流程仍不够完善，尚处于粗糙阶段。
- 需要 Python 依赖，不提供零依赖的单二进制文件（可考虑 engram）。
- 不支持多智能体共享记忆（可考虑 Mem0 或 Anamnesis）。
技术背景
项目参考了 LLM 智能体记忆机制的相关学术研究，包括 A Survey on the Memory Mechanism of Large Language Model based Agents（Zhang et al., ACM TOIS 2025）和 A-mem: Agentic Memory for LLM Agents（NeurIPS 2025）。三层架构借鉴了认知心理学中工作记忆与长期记忆的区分，并针对 token 效率进行了适配。由 g1itchbot 与 Bill（@rosepuppy）共同构建。
