Skip to main content

记忆框架

· 8 min read

Mempalace​

基本概念​

记忆的几个维度​

  • Wing (侧翼/顶级项目区): 记忆的最高物理隔绝边界。通常代表一个独立的项目。
  • Room (房间/话题域): Wing 下的子分类。依靠命名（如 frontend, general, database）来聚集相关的记忆碎片。
  • Drawer (抽屉/记忆切片): 真正存储原文的载体。存入 ChromaDB。
  • Hall (大厅/特殊模态): 用于特殊类型记忆的标记（如 hall_diary）。用以将带有主观情绪的AI日记与客观的项目文档在查询时彻底隔离防污染。

RAG之外的概念​

  • KG (知识图谱): 独立于向量库的 SQLite 图谱数据库。存放绝对的逻辑三元组（主语-关系-宾语），作为向量模糊检索无法精确表达事实时的定向兜底。
  • Tunnel (隧道/跨界桥梁): 虚拟的关联机制。当且仅当完全相同的 Room 名字出现在两个不同的 Wing 时，系统在内存中临时构建一条跨项目的连线，从而赋予 AI “触类旁通”的机制。

写读流程​

写入流程

  • 组装对话，存入向量数据库
{
  "method": "mempalace/add_drawer",
  "params": {
    "wing": "test_project",
    "room": "frontend",
    "content": "明天需要把登录页面的按钮改成蓝色。补充说明细节：..."
  }
}
  • 记录今日总结：tool_diary_write
{
  "method": "mempalace/tool_diary_write",
  "params": {
    "agent_name": "Claude-3.5-Sonnet",
    "topic": "frontend",
    "entry": "发现登录页面的 Argon2 加密逻辑有问题，今天修复了验证部分的盐值计算。"
  }
}
  • 提取关系约束：tool_kg_add

主谓宾，以主语为中心，绝对匹配，只能通过主语当参数查询

{
  "method": "mempalace/tool_kg_add",
  "params": {
    "subject": "LoginButton",
    "predicate": "depends_on",
    "object": "AuthService"
  }
}

读取流程 (Retrieve / Read - 典型的L0~L3分层抽取)

  • L0 (Identity): 全局基础身份。死板读取 ~/.mempalace/identity.txt 作为最高级的 System Prompt。
  • L1 (Essential Story): 统直接拉取前 15 个拥有最高权重的记忆碎片作为开局常驻上下文送给模型。这个原项目没实现
    • 读"importance", "emotional_weight", "weight"的权重，排他性取最重要的那个
    • 然后排序取前15个
  • L2 (On-demand): 先尝试根据某一话题查找，即搜索具体Room的原文本数据。
  • L3 (Semantic Search): 深度矢量搜索。主动发起 tool_search 。
  • KG Query: 逻辑关系读取。当向量模糊搜索（L3）不靠谱，或者需要查询明确关系（如“组件A到底依不依赖服务B？”）时，主动发起 tool_kg_query 查 SQLite 里存好的三元组，做 100% 精确的节点关系验证。
  • Tunnel Traverse: 发散与灵感寻找。主动发起 tool_find_tunnels 或 mempalace_traverse。通过在不同 Wing 之间寻找同名的 Room，实现跨项目的经验借用（比如在处理当前项目的前端问题时，顺着 Room: frontend 这根管子，摸到别的项目里以前写过的前端踩坑日记）。

向量存储的metadata​

{
    "wing": "test_project",           // 物理隔离基座（必填）
    "room": "frontend",               // 话题分类（必填），跨wing同名将形成 Tunnel
    "hall": "hall_diary",             // 【针对特定通道】用于隔离客观文件与主观反思日记
    "source_file": "backend_notes.txt", // 法医级溯源证据，提供复查路径
    "chunk_index": 0,                 // 长文本分块位置
    "added_by": "mcp / AgentName",    // 责任倒查：标识动作是扫描系统发起还是具体的AI角色注入
    "filed_at": "2026-04-13T...",     // 绝对时间戳，保留记忆演进的历史脉络，解决新旧设定冲撞
    "ingest_mode": "convos",          // 【仅CLI扫描模式拥有】数据来源模式
    "extract_mode": "exchange",       // 【仅CLI扫描模式拥有】特定的提取切片颗粒度
    "type": "diary_entry"  ,           // 【仅日记模式拥有】标记自身模态为主观感想
    "weight":10                       // 权重，衡量该记忆的重要性，用于排序
}

MCP对LLM暴露方法​

为了让 Agent 完全接管自己的记忆，Mempalace的 MCP Server (Model Context Protocol) 向大模型暴露了以下工具集（Tools）：

【查壳探底（结构探针）】

  • mempalace_status: 获取宫殿总容量（有多少个抽屉、侧翼、房间）。
  • mempalace_get_taxonomy: 拉取全局分类树（Wing -> Room 结构），在大模型不知该搜哪时进行前置探路。
  • mempalace_list_wings / mempalace_list_rooms: 靶向列出所有存在的物理隔离区。

【日常搜存（向量抽屉系统）】

  • mempalace_search: 核心组件！根据自然语言发起 L3 语义检索查找记忆，可指定 Wing/Room 作为硬过滤条件。
  • mempalace_add_drawer: 大模型觉得某段对话或产出非常重要时，将其注入为原文 Drawer。强制带上物理基座（Wing/Room）。
  • mempalace_check_duplicate: 写入前查重，防止大模型陷入复读机循环污染库。
  • mempalace_delete_drawer: 永久删除某个切片（需传入确切 Drawer ID）。

【逻辑织网（知识图谱系统）】

  • mempalace_kg_add: 把绝对事实存入 SQLite（如 LoginButton -> depends_on -> AuthService）。
  • mempalace_kg_query: 根据 Entity（实体）查它发散出去或连接进来的所有关系树。
  • mempalace_kg_timeline: 顺着时间线查询关系图谱的演化（如小明2020年单身，2024年结婚的纪年表）。
  • mempalace_kg_invalidate: 当发现某事实过期时（如 Bug 被修了），标为失效而非删除，保留系统演进脉络。

【AI主观能动（日记与隧道漫游）】

  • mempalace_diary_write: Agent 完成一天工作后，用特殊的 AAAK 言简意赅地写下自己的心路历程、重要结论，甚至带有情绪符号（★、♡、⚠）供未来反刍。
  • mempalace_diary_read: 阅读此 Agent 或前人写过的反思日记。
  • mempalace_traverse: 顺着图谱跨越 Wing/Room 进行定点多跳转发散（Tunnel 漫游），获取灵感启发。

Generative Agents​

基本概念​

记忆的几个维度​

  • Memory Stream (记忆流/长期记忆): 包含了智能体经历的所有事件记录，是一个包含大量离散记忆节点（ConceptNode）的数据库。负责持久化存储。
  • Scratch (便签本/短期工作记忆): 存储智能体当前的核心身份、实施状态、此刻所在的物理坐标以及今天的总体计划，支持高频覆写。
  • Spatial Memory (空间记忆/心智地图): 智能体对物理世界的感知树状结构（如 世界 -> 小镇 -> 房子 -> 厨房 -> 冰箱），协助寻路和交互。
  • ConceptNode (概念节点/记忆切片): 记忆流中的基本存储载体，可具体分为 event（观察到的客观事件）、chat（与他人的对话记录）和 thought（基于过往记忆反思产生的主观想法）。

认知与行为之外的概念​

  • Reflection (深度反思): 当新写入记忆的累积重要性（Poignancy）得分超过一定阈值时触发。LLM 会查询最近的记忆，提炼出更高维度、更抽象的洞察，作为 thought 类型写入记忆流，慢慢搭建角色的深度性格。
  • Planning (层级规划): 自顶向下的计划生成体系。首先在每天早上生成粗略的 Daily Plan，然后逐步细化为小时级、分钟级的具体动作节点（Action/Event）。

写读流程​

写入流程 (Perceive & Log)

  • 感知视距内的世界变化或产生新思考，组装为 ConceptNode。
  • LLM 会为该记录打分（Poignancy，1-10分），评估其情感重要程度（如路上遇到熟人比吃早饭得分高很多）。
  • 提取出核心的主谓宾三元组（Subject-Predicate-Object）以及关键词结构。
  • 调用大模型接口生成该文本描述的向量（Embedding）并存入本地文件。

读取流程 (Retrieval - 类似L3+智能融合搜索) 当智能体面临新情况决定对策或对话时，会提取一系列最相关的ConceptNode作为LLM的上下文，给记忆节点打分并排序公式如下，取最高分的综合子集：

  • Recency (近因效应): 距离当前游戏内时间越近的记忆，得分越高（随着时间指数衰减）。
  • Importance (绝对重要性): 直接提取该节点自身存储的 poignancy 特征分数。
  • Relevance (语义相关性): 使用当前情境（Query）的 Embedding 与节点自带的 embedding_key 计算余弦相似度。
  • 计算逻辑: 最终得分 = alpha * 近因 + beta * 重要性 + gamma * 相关性。

节点数据结构 (ConceptNode Metadata)​

{
    "node_id": "node_123",            // 节点唯一ID
    "type": "event",                  // 记忆载体类型：event(事件) / chat(人际对话) / thought(升维反思)
    "created": "2023-02-13 18:00:00", // 创建时间戳，用于计算提取时的近因时间衰减(Recency)
    "expiration": null,               // 过期时间
    "subject": "Isabella",            // 主语 (S) - 支持类似于三元组逻辑关系匹配
    "predicate": "is making",         // 谓语 (P)
    "object": "coffee",               // 宾语 (O) 
    "description": "Isabella is making coffee...", // 完整的文字描述（交给LLM的直接上下文）
    "embedding_key": "Isabella is...",// 用于寻找对应语义向量字典的键（去除了特殊格式的原话文本）
    "poignancy": 8,                   // 情感重要性得分（1-10），决定此记忆是否能长久不被遗忘
    "keywords": ["Isabella", "coffee"]// 关键词索引列表
}

核心方法​

【世界认知与运转】

  • perceive(): 按轮询感知周围视距半径（vision_r）内的格子变化事件。
  • retrieve(): 核心检索器，基于近因、重要性、相关性三维打分公式，返回当下最需回想的那些记忆。
  • execute(): 驱动动作器输出坐标位移、交互、或向前端发送聊天气泡。

【自我精神迭代】

  • plan(): 计划生成与重写器，根据过往记忆及短期目标，结构化分解当下的时间规划。
  • reflect(): 周期检查阈值并自动自问自答，对近期高分事件形成提纯过的 thought 写入记忆流底库。
Hi! 有什么可以帮你的吗？