Agent记忆存储方案深度洞察

Agent记忆存储方案讨论

原文讨论来自Twitter @QuantumTransf，围绕ai-memory项目的Wiki编译模式与原始数据直存模式的争论展开。

一条推文引发的争论

最近，AI编码Agent的记忆方案在社区引发热议。@QuantumTransf 对 ai-memory 项目提出了尖锐质疑：

我没明白为什么要把 agent session 编译成 wiki。原始 session 本来就是结构化数据——messages、tool calls、tool results、files、subagents。直接放进 SQLite，就已经是一个很强的结构。而把它先总结成 markdown page，反而引入了一个不必要的中间实体：信息被压扁，因果链和引用关系要靠后续重建。

对 agent 来说，这不应该首先是给人浏览的知识库，而更应该是一个可查询的工作历史数据库。

「若无必要，勿增实体」

这个质疑触及了 Agent 记忆领域最核心的设计分歧。我们调研了 GitHub 上数十个项目和最新行业实践，以下是完整的技术洞察。

当前主流方案全景

记忆分层模型：行业共识

所有成熟的 Agent 记忆系统，都不约而同地采用了类似人类认知的分层架构：

持久记忆层分为三类：

**•**语义记忆：事实、决策、约定，无衰减，永久保留

**◦**程序记忆：技能、习惯，频率衰减，不常用则淡化

工作记忆层则是当前 session 的对话缓冲，session 结束后归档或丢弃。

这套分层模型不是学术空想，而是经过大量项目验证的最佳实践。ai-memory 的 M8 策略甚至给出了精确的衰减函数：

score = salience · exp(-λΔt) + σ · log(1+access_count) · exp(-μ · days_since_access)
 

核心争论：信息压缩 vs 信息保真

这是推文争论的本质。行业正在从"二选一"走向分层压缩：

关键洞察：不是选A还是选B，而是保留原始数据的同时，按需生成多个压缩层级。

检索策略演进

Agent 记忆的检索能力经历了五代演进：

当前最佳实践是 RRF 融合——将 FTS5 关键词结果、向量相似度结果、知识图谱邻居结果通过倒数排名融合：

score = Σ(1 / (k + rank_i))  # k通常取60
 

这比单一检索方式效果好得多，因为不同检索策略捕捉的是不同的相关性信号。

前沿趋势

知识图谱记忆

从对话中自动提取实体关系——人物、决策、技术栈、依赖。支持关系推理："这个决策影响了哪些模块？"难点在于提取准确性和图谱维护成本。

多Agent共享记忆

FlockMem 等探索轻量级本地优先的集体记忆总线，让团队多个 Agent 共享项目上下文，避免每个 Agent 重复学习。

MCP成为标准接口

Model Context Protocol 正在成为跨 Agent 记忆的标准接口层。ai-memory 提供 14 个 MCP 工具，让任何支持 MCP 的客户端都能查询记忆。这是互操作性的关键一步。

零LLM模式

ai-memory 支持无 LLM 的 FTS5 搜索 + 规则总结。趋势很明显：LLM 是优化项，不是必需项。基础记忆功能应该不依赖 LLM 就能工作。

对Hermes Agent的启示

Hermes 当前已经实现了原始数据派的核心能力：

**•**SQLite 存储完整 session，带 FTS5 搜索

**◦**轨迹保存

可能的增强方向：

❶****短期：增加记忆衰减策略，自动管理旧 session 权重

❸****长期：按需生成 Markdown 摘要层——可选，不替代原始数据

核心原则：保留原始结构化数据作为唯一真相源，其他表达层（wiki、图谱、向量）都是可选的派生视图。

总结判断

Yuu 的批评在技术上是正确的——原始数据应该作为唯一真相源。但 ai-memory 的 Wiki 层有其独特价值（人类可读、跨Agent互操作）。

最佳实践是：原始数据直存 + 可选的压缩/表达层。 两者不是替代关系，而是分层关系。

欢迎讨论，分享你的 Agent 记忆方案实践。