核心架构
Triple Memory System 是一套为 AI Agent 设计的三层互补记忆架构，解决单一记忆方案在持久性、结构化与检索效率之间的权衡难题。
三层系统协同机制
LanceDB（对话记忆层）：向量数据库驱动的自动记忆系统，通过 memory_recall 和 memory_store 工具实现对话上下文的即时注入与捕获。支持触发词检测（"remember", "prefer", "I like"），实现零摩擦的偏好学习。需配置 OpenAI API Key 用于嵌入生成。
Git-Notes（结构化决策层）：基于本地文件的分支感知记忆系统，无外部 API 依赖。核心特性包括：实体自动提取（人名、主题、概念）、四级重要性标记（critical/high/normal/low）、Git 分支隔离。通过命令行工具管理，适合记录架构决策、事实修正等需长期追溯的内容。
File Search（工作区搜索层）：基于 shell 脚本的本地文件全文检索，覆盖 MEMORY.md、memory/*.md 及任意工作区文档，弥补前两者对非结构化长文档的处理盲区。
显著优点
1. 分层解耦：对话层负责短期流畅性，决策层负责中期可追溯性，文件层负责长期知识沉淀
2. 隐私优先：Git-Notes 与文件层完全本地运行，敏感决策无需外传
3. 分支隔离：开发场景下，不同 feature branch 的记忆互不干扰
4. 渐进启用：可单独启用任一子系统，降低初期配置成本
潜在局限
- LanceDB 依赖外部嵌入服务：OpenAI API 可用性影响该层功能，且产生 token 成本
- 三层数据一致性需人工维护：同一决策可能同时存在于 LanceDB（向量形式）与 Git-Notes（结构化形式），无自动去重机制
- Git-Notes 的命令行交互：与现代编辑器的集成度较弱，依赖用户熟悉 CLI 工作流
- 无跨设备同步机制：本地文件层的记忆绑定单台机器
适用场景
- 需要跨会话保持上下文的长期项目协作
- 团队共享的架构决策记录（ADR）管理
- 对数据隐私敏感的企业环境
- 多分支并行的复杂开发工作流
常规风险
| 风险项 | 说明 |
|--------|------|
| API 密钥泄露 | LanceDB 配置需妥善保管 OPENAI_API_KEY |
| 记忆膨胀 | 长期运行后向量数据库体积增长，需定期 `memory_forget` 清理 |
| 分支混淆 | 忘记执行 `sync --start` 可能导致记忆写入错误分支 |
| 静默失败 | 系统设计强调"silent operation"，存储失败时用户无感知 |