zclaw_openfang/docs/features/02-intelligence-layer/00-agent-memory.md

# Agent 记忆系统 (Agent Memory)

> **分类**: 智能层
> **优先级**: P0 - 决定性
> **成熟度**: L4 - 生产
> **最后更新**: 2026-03-16

---

## 一、功能概述

### 1.1 基本信息

Agent 记忆系统实现了跨会话的持久化记忆，支持 5 种记忆类型，通过关键词搜索和相关性排序提供上下文增强。

| 属性 | 值 |
|------|-----|
| 分类 | 智能层 |
| 优先级 | P0 |
| 成熟度 | L4 |
| 依赖 | MemoryExtractor, VectorMemory |

### 1.2 相关文件

| 文件 | 路径 | 用途 |
|------|------|------|
| 核心实现 | `desktop/src/lib/agent-memory.ts` | 记忆管理 |
| 提取器 | `desktop/src/lib/memory-extractor.ts` | 会话记忆提取 |
| 向量搜索 | `desktop/src/lib/vector-memory.ts` | 语义搜索 |
| UI 组件 | `desktop/src/components/MemoryPanel.tsx` | 记忆面板 |

---

## 二、设计初衷

### 2.1 问题背景

**用户痛点**:
1. 每次对话都要重复说明背景
2. Agent 无法记住用户偏好
3. 经验教训无法积累

**系统缺失能力**:
- 缺乏跨会话的记忆保持
- 缺乏记忆的智能提取
- 缺乏记忆的有效检索

**为什么需要**:
记忆是 Agent 智能的基础，没有记忆的 Agent 只能进行无状态对话，无法提供个性化服务。

### 2.2 设计目标

1. **持久化**: 记忆跨会话保存
2. **分类**: 5 种记忆类型 (fact, preference, lesson, context, task)
3. **检索**: 关键词 + 语义搜索
4. **重要性**: 自动评分和衰减

### 2.3 记忆类型设计

| 类型 | 描述 | 示例 |
|------|------|------|
| fact | 用户提供的客观事实 | "我住在上海" |
| preference | 用户偏好 | "我喜欢简洁的回答" |
| lesson | 经验教训 | "上次因为...导致..." |
| context | 上下文信息 | "当前项目使用 React" |
| task | 待办任务 | "下周需要检查..." |

### 2.4 设计约束

- **存储约束**: localStorage 有 5MB 限制
- **性能约束**: 检索不能阻塞对话
- **质量约束**: 记忆需要去重和清理

---

## 三、技术设计

### 3.1 核心接口

```typescript
interface Memory {
  id: string;
  type: MemoryType;
  content: string;
  keywords: string[];
  importance: number;     // 0-10
  accessCount: number;    // 访问次数
  lastAccessed: number;   // 最后访问时间
  createdAt: number;
  source: 'user' | 'agent' | 'extracted';
}

interface MemoryManager {
  save(memory: Omit<Memory, 'id' | 'createdAt'>): Memory;
  search(query: string, options?: SearchOptions): Memory[];
  getById(id: string): Memory | null;
  delete(id: string): void;
  prune(options: PruneOptions): number;
  export(): string;
}
```

### 3.2 检索算法

```typescript
function search(query: string, options: SearchOptions): Memory[] {
  const queryKeywords = extractKeywords(query);

  return memories
    .map(memory => ({
      memory,
      score: calculateScore(memory, queryKeywords, options)
    }))
    .filter(item => item.score > options.threshold)
    .sort((a, b) => b.score - a.score)
    .slice(0, options.limit)
    .map(item => item.memory);
}

function calculateScore(memory: Memory, queryKeywords: string[], options: SearchOptions): number {
  // 相关性得分 (60%)
  const relevanceScore = keywordMatch(memory.keywords, queryKeywords) * 0.6;

  // 重要性加成 (25%)
  const importanceScore = (memory.importance / 10) * 0.25;

  // 新鲜度加成 (15%)
  const recencyScore = calculateRecency(memory.lastAccessed) * 0.15;

  return relevanceScore + importanceScore + recencyScore;
}
```

### 3.3 去重机制

```typescript
function isDuplicate(newMemory: Memory, existing: Memory[]): boolean {
  const similarity = calculateSimilarity(newMemory.content, existing.map(m => m.content));
  return similarity > 0.8;  // 80% 以上认为是重复
}
```

### 3.4 清理策略

```typescript
interface PruneOptions {
  maxAge?: number;           // 最大保留天数
  minImportance?: number;    // 最低重要性
  maxCount?: number;         // 最大数量
  dryRun?: boolean;          // 预览模式
}

function prune(options: PruneOptions): number {
  let toDelete = memories;

  if (options.maxAge) {
    const cutoff = Date.now() - options.maxAge * 24 * 60 * 60 * 1000;
    toDelete = toDelete.filter(m => m.createdAt > cutoff);
  }

  if (options.minImportance) {
    toDelete = toDelete.filter(m => m.importance >= options.minImportance);
  }

  if (options.maxCount) {
    // 按重要性排序，保留前 N 个
    toDelete = memories
      .sort((a, b) => b.importance - a.importance)
      .slice(options.maxCount);
  }

  return toDelete.length;
}
```

---

## 四、预期作用

### 4.1 用户价值

| 价值类型 | 描述 |
|---------|------|
| 效率提升 | 无需重复说明背景 |
| 体验改善 | Agent 记住用户偏好 |
| 能力扩展 | 经验积累带来持续改进 |

### 4.2 系统价值

| 价值类型 | 描述 |
|---------|------|
| 架构收益 | 解耦的记忆管理层 |
| 可维护性 | 单一职责，易于测试 |
| 可扩展性 | 支持向量搜索升级 |

### 4.3 成功指标

| 指标 | 基线 | 目标 | 当前 |
|------|------|------|------|
| 记忆命中率 | 0% | 80% | 75% |
| 检索延迟 | - | <100ms | 50ms |
| 用户满意度 | - | 4.5/5 | 4.3/5 |

---

## 五、实际效果

### 5.1 已实现功能

- [x] 5 种记忆类型
- [x] 关键词提取
- [x] 相关性排序
- [x] 重要性评分
- [x] 访问追踪
- [x] 去重机制
- [x] 清理功能
- [x] Markdown 导出
- [x] UI 面板

### 5.2 测试覆盖

- **单元测试**: 42 项 (agent-memory.test.ts)
- **集成测试**: 完整流程测试
- **覆盖率**: ~95%

### 5.3 已知问题

| 问题 | 严重程度 | 状态 | 计划解决 |
|------|---------|------|---------|
| 大量记忆时检索变慢 | 中 | 待处理 | Q2 |
| 向量搜索需要 OpenViking | 低 | 可选 | - |

### 5.4 用户反馈

记忆系统有效减少了重复说明，希望提高自动提取的准确性。

---

## 六、演化路线

### 6.1 短期计划（1-2 周）
- [ ] 优化关键词提取算法
- [ ] 添加记忆分类统计

### 6.2 中期计划（1-2 月）
- [ ] 集成向量搜索 (VectorMemory)
- [ ] 记忆可视化时间线

### 6.3 长期愿景
- [ ] 记忆共享（跨 Agent）
- [ ] 记忆市场（导出/导入）

---

## 七、头脑风暴笔记

### 7.1 待讨论问题
1. 是否需要支持用户手动编辑记忆？
2. 如何处理冲突的记忆？

### 7.2 创意想法
- 记忆图谱：可视化记忆之间的关系
- 记忆衰减：自动降低旧记忆的重要性
- 记忆联想：基于语义自动关联相关记忆

### 7.3 风险与挑战
- **技术风险**: 记忆提取的准确性
- **隐私风险**: 敏感信息的存储
- **缓解措施**: 用户可控的记忆管理