核心用法
精英长记忆（LongMemo Elite）是一套面向 AI Agent 的生产级长期记忆解决方案，采用六层分层存储架构（L1 热内存至 L6 自动抽取）实现记忆的冷热分级管理。核心操作流程遵循 WAL（Write-Ahead Logging）写前日志协议——在回复用户之前，先将关键信息（偏好、决策、期限、纠正）持久化到 SESSION-STATE.md 和对应存储层，确保崩溃或压缩后上下文不丢失。
使用时，首先在会话开始时加载热内存并执行混合检索（memory_recall），会话进行中严格执行"先写后回复"原则，会话结束时归档重要内容。每周执行记忆卫生（去重、衰减、归档、删除）防止记忆膨胀。配置层面通过 memory-config.json 启用三路混合检索（向量+关键词+图谱）并设置成本预算上限。
显著优点
1. 防丢失设计领先：WAL 协议从数据库领域迁移至 Agent 记忆场景，将"状态持久化"置于"用户响应"之前，从根本上消除压缩崩溃导致的上下文丢失风险。
2. 检索质量突破：单一向量检索常出现"语义相似但业务无关"的误召回问题。该系统采用 RRF（Reciprocal Rank Fusion）融合向量语义召回、关键词精确匹配、图谱因果推理三路结果，召回准确率显著提升。
3. 成本控制精细化：通过 embedding 缓存（节省 60-80%）、分层存储（节省 40-60%）、小模型抽取（节省 70-90%）四项策略，配合日/月预算上限与自动降级机制，实现生产级成本可控。
4. 自动化运维完善：内置记忆卫生流水线（晋升/降级/归档/删除），支持 7 天热点晋升、30 天冷数据降级、90 天归档、180 天低价值删除，避免人工维护负担。
潜在缺点与局限性
1. 架构复杂度高：六层存储并非开箱即用，L2 向量检索需 LanceDB、L5 云备份需 SuperMemory API、L6 自动抽取需 Mem0，完整部署涉及多技术栈整合，对个人开发者门槛较高。
2. WAL 协议依赖 Agent 配合：协议本质是行为规范，若 Agent 平台（如 Claude Code/Cursor）未在 AGENTS.md 中强制执行，或 Agent 忽略指令，则 WAL 失效，存在"约定易违"风险。
3. 成本预算的刚性限制：达到 100% 预算后自动降级为只读模式，新记忆无法写入，可能影响业务连续性，需合理设置预算阈值或建立监控告警。
4. 图谱遍历深度受限：默认限制 2-3 跳以控制延迟，超深关联（如 5 跳以上的因果链）可能遗漏，对复杂决策历史的追溯存在盲区。
适合的目标群体
- 多会话项目开发者：需跨天/跨周延续技术决策、用户偏好、未完成任务的 Agent 应用开发者
- 企业级 Agent 团队：对上下文一致性、成本可控性、数据安全有严格要求的生产环境部署
- 多代理协作架构师：需解决主代理-子代理上下文传递孤岛问题的复杂工作流设计者
- 经验驱动型场景：客服、编程助手、法律顾问等需要沉淀"踩过的坑"避免重复犯错的垂直领域
使用风险
性能风险：完整六层架构启动时需加载 SESSION-STATE.md、检索向量库、扫描近期活动，冷启动延迟可能达秒级；记忆卫生周任务若数据量庞大，执行期间可能阻塞检索。
依赖项风险：OpenAI Embedding API 为推荐依赖，若服务限流或密钥失效，将降级为本地 embedding，检索质量可能下降；Mem0、SuperMemory 等可选依赖若网络不稳定，会影响对应层级功能。
数据安全风险：SESSION-STATE.md、MEMORY.md 等本地文件若未纳入备份策略，存在磁盘故障丢失风险；云同步层 SuperMemory 涉及数据出境合规考量，企业用户需评估隐私分级策略。
维护风险：六层架构的长期健康度依赖定期执行记忆卫生，若用户未按建议每周/每月维护，向量库膨胀将导致召回速度衰减、存储成本攀升。