核心用法
Dory-Memory 是一套专为AI Agent设计的文件级持久化记忆系统，解决大模型"金鱼式遗忘"（每会话重置）的根本痛点。其设计哲学极度简洁：Text > Brain——一切写入磁盘，Agent只"记住"文件存在的内容。
系统采用严格的分层架构：
- 核心元文件（AGENTS.md/SOUL.md/USER.md/MEMORY.md）定义身份规则与长期记忆
- state/ 目录承载动态会话状态，其中 ACTIVE.md 按"Dory-Proof"模式强制先记录用户原话再解读执行，从源头杜绝语义漂移
- memory/ 与 ops/ 分别管理历史归档与运维索引
每次会话启动执行标准化Boot Sequence：先读阻塞项(HOLD)→当前任务(ACTIVE)→近期决策→历史工作→长期记忆，并输出结构化状态行。
显著优点
1. 确定性连续性：彻底消除"我刚才说了什么"的上下文断裂，适合长周期复杂项目
2. 意图保真机制："先原话、后解读"的强制顺序，避免AI过度诠释导致的任务偏离
3. 可审计轨迹：DECISIONS.md与按日归档形成完整决策链条，便于回溯与调试
4. 智能记忆筛选：四维评分系统（持久性/复用率/影响力/独特性）防止MEMORY.md膨胀
5. 冲突优先级清晰：HOLD > ACTIVE > DECISIONS > AGENTS 的硬性规则避免多源指令混乱
局限与风险
- 文件IO依赖：性能受限于磁盘操作，高频写入场景可能产生延迟
- 无内置同步机制：多Agent并发修改同一文件需外部锁机制保障
- 格式敏感：Markdown结构严格要求，手误破坏格式可能导致解析失败
- 存储成本：长期运行后memory/archive/目录需人工清理策略
适合人群
- 构建需要跨会话保持上下文的AI Agent系统的开发者
- 运行长周期任务（如持续数天的研究、代码重构）的技术团队
- 对"AI说了但没做到"问题高度敏感的精确控制场景
常规风险
- HOLD.md遗漏检查：未读阻塞项直接执行导致重复工作或冲突
- ACTIVE.md覆盖丢失：新任务写入前未妥善归档旧任务
- 记忆评分滥用：为保留信息而人为拔高评分，导致MEMORY.md失效
- 路径配置错误：模板复制后未调整workspace根目录引发文件找不到