Memory 架构

来源： wiki/sources/wx-bl77_mb85c4ake8h, wiki/sources/wx-odctdpqefg7xefcu
相关概念： wiki/concepts/workspace-memory, wiki/concepts/rag-pipeline

Memory 指 Agent 在长期交互中积累、可被检索与利用的记录/知识/经验库，直接影响个性化、持续学习与长程任务表现。

核心命题

命题A：Memory 不是"存储"，而是可被决策利用的外部状态

其价值在于"把历史转成当前可用信息"的通道是否有效
输出进入上下文或直接调制决策分布

命题B：Memory 的最小闭包是三件套

Raw Ledger：追加式、可审计的权威记录（"账本/黑匣子"）
Derived Views：面向检索/推理的派生状态（向量索引、知识图谱等）
Policy：显式化的控制层（决定何时读/写/更新/遗忘）

命题C：Memory 的基本单位应是 event 序列

仅有 event 流不等于可用系统
能力来源于对 event 重组后的 Views 和控制这些视图的 Policy

System 1 + System 2 设计范式

将记忆能力外置化为独立的 System 2，与负责通用推理的 System 1 协同工作。

设计动机：记忆能力与 LLM 的通用 Agent 能力"相对正交"（低耦合），可分别优化
System 2 核心：是一个拥有主动控制回路的 Agentic Memory

非参数化 Memory 效果上限

三类瓶颈决定：
1. 接口带宽（注入容量）：从 Memory 注入到 System 1 的"可消费信息"有 token、注意力等硬预算
2. 检索与聚合误差（views 近似误差）：派生视图是近似的，会导致错检、漏检、时序冲突
3. Policy 的可学习性与可控性（最关键瓶颈）：决定何时读/写/更新/遗忘

架构五层抽象

内核（Kernel）：System 2 的慢回路与调度器
文件系统（File System）：Raw Ledger + Views 的数据层
可执行文件（Executable）：程序性技能层
总线接口（Interface）：记忆与推理的 Context Bridge
学习引擎（Learning Engine）：在外部状态与策略上进行在线适应

实践案例

MemPalace

好莱坞演员 Milla Jovovich 开源的 AI 记忆系统
灵感来自古罗马记忆宫殿术
48小时 2万+ GitHub stars
LongMemEval 基准测试 96.6%，所有不依赖额外 API 方案里的最高分
完全本地运行，存储成本一年 0.7 美元

OpenClaw Dreaming

2026.4.5 版本引入的"梦境"记忆机制
分三阶段：浅睡眠、REM、深度睡眠
每天凌晨3点自动执行一轮完整的"睡眠"扫描

要点

本质闭环：Ledger → Views → Policy → Commit → Provenance
System 2 必要：记忆能力外置化，实现可插拔、可迁移、可治理
时序为骨：双时态模型是区分历史与当前事实的结构基础