🧠 Memory Never Forget 🧠

核心用法

Memory Never Forget v3.1 是一套认知科学驱动的记忆管理系统，采用双正交维度设计：

时间维度（Atkinson-Shiffrin三阶段模型）

• 感知层：即时输入过滤，仅0.25秒保留窗口
• 短期层：最近10轮对话，处于模型上下文窗口
• 工作层：约7天TTL的memory/YYYY-MM-DD.md每日日志，负责信号提取与初步筛选
• 长期层：永久存储于MEMORY.md索引 + 分类文件，通过每日"Dream"自动审查进行晋升或剪枝

内容维度（四类型分类法）

| 类型 | 存储目录 | 典型内容 |

|------|----------|----------|

| user | `memory/user/` | 用户角色、偏好、知识背景 |

| feedback | `memory/feedback/` | 纠正与确认（失败与成功均需记录）|

| project | `memory/project/` | 项目决策及**推理过程** |

| reference | `memory/reference/` | 外部资源、链接、工具位置 |

关键操作流程：会话启动时读取今日/昨日工作日志 + 长期索引；对话中实时写入工作日志；会话结束时识别需长期保存的信号，更新分类文件与索引；每日Dream自动化审查完成晋升、合并、去重与剪枝。

显著优点

1. 认知科学背书：Atkinson-Shiffrin模型经60年验证，避免拍脑袋设计的记忆策略
2. 显式衰减机制：7天工作层TTL + Dream主动剪枝，防止记忆膨胀与过时信息污染
3. 强分类约束：四类型强制分类避免"万能记忆"陷阱，提升检索精度
4. 索引与内容分离：MEMORY.md仅作目录，单文件<5KB，确保快速加载
5. 版本化管理：标准化YAML frontmatter支持元数据追踪与自动化处理

潜在局限与风险

1. 记忆漂移（Memory Drift）：文件路径、代码结构可能失效，系统要求"验证优先于信任"
2. 过度存储诱惑：即使用户明确要求保存PR列表，仍需追问"其中有何非显然信息"
3. 日期敏感：相对日期（昨天、上周）必须转换为绝对日期，否则快速失效
4. 项目记忆高衰减率：需更频繁审查，否则易积累过时决策依据

适合人群

• 需要跨周/跨月维护复杂项目上下文的AI辅助工作流
• 对记忆一致性有严格要求的专业场景（法律、医疗、金融分析）
• 愿意投入认知负担进行记忆整理与定期审查的用户

常规风险

• S级风险：记忆冲突时若未遵循"信任当前观察"原则，可能导致基于错误假设的行动
• A级风险：Dream自动化若配置不当，可能误删关键信号或保留噪声
• B级风险：过度依赖索引可能漏检未分类的重要信息

核心用法

Memory Never Forget v3.1 是一套基于认知科学理论的记忆管理框架，核心在于两个正交维度的协同运作：

1. 时间维度（Atkinson-Shiffrin 三阶段模型）

• 感知层：瞬时过滤当前输入，判断信息价值
• 短期层：10 轮对话窗口内的信息缓冲
• 工作层：7 天周期的 memory/YYYY-MM-DD.md 每日日志
• 长期层：永久存储的 MEMORY.md 索引 + 分类记忆文件

2. 内容维度（4 类型分类法）

| 类型 | 用途 | 示例 |

|------|------|------|

| user | 用户画像与偏好 | "用户偏好列表而非表格" |

| feedback | 交互经验与教训 | "被纠正的输出格式" |

| project | 项目决策与推理 | "选择技术栈的原因" |

| reference | 外部资源与位置 | "文档存放路径" |

Daily Dream 自动整理：每日自动扫描工作记忆，将高价值信息分类晋升至长期存储，同时修剪过时内容。

显著优点

• 理论基础扎实：直接套用经 50+ 年验证的认知心理学模型，非凭空设计
• 双轴设计精巧：时间（何时遗忘）与内容（什么类型）独立管理，避免单一维度的僵化
• 防记忆漂移：内置验证机制——"记忆说 X 存在" ≠ "X 现在存在"
• 检索路径清晰：按问题类型（记忆/知识/时间）匹配不同检索策略
• Claude Code 原生融合：与 memoryTypes.ts、extractMemories.ts、autoDream.ts 系统深度对接

潜在局限

• 纯文档指导：本 Skill 本身不含可执行代码，实际记忆操作依赖 Claude Code 核心系统执行
• 手动维护成本：目录结构、文件命名、YAML frontmatter 需严格遵循规范
• 7 天窗口风险：若连续 8 天未触发 Dream 整理，有价值的工作记忆可能自然衰减
• 分类主观性：user/project/reference 的边界有时模糊，需人工判断
• 无版本回滚：记忆删除即永久丢失，建议配合 Git 使用

适合人群

• 长期项目协作者：需要 AI 记住跨会话的上下文与决策
• 高频交互用户：日均对话 5 轮以上，积累大量个性化偏好
• 认知科学爱好者：欣赏 Atkinson-Shiffrin 模型的优雅设计
• Claude Code 深度用户：希望最大化原生记忆系统效能

不适合：单次会话即走用户、拒绝 AI 记住任何信息的隐私敏感者

常规风险

• 误分类风险：将 reference 存入 project 会导致检索失效
• 索引膨胀：MEMORY.md 超过 5KB 会触发自动修剪，可能误删低频但重要的记忆
• 日期硬编码陷阱：相对日期（"上周"）未转绝对日期会导致未来检索失败
• 文件路径变更：被记忆的外部路径若移动，记忆即成为"僵尸指针"
• 过度记忆：用户明确要求记住的内容若属于 "❌ Don't Save" 清单，应礼貌拒绝并解释原因