核心用法
Remember 是一套面向 AI 助手的持久记忆管理框架，核心解决「存储一切导致噪音」和「错误检索比无记忆更糟」的问题。它要求将记忆按功能而非内容组织，分为六大类别：commitments（承诺）、preferences（偏好）、corrections（纠正）、decisions（决策）、relationships（关系）、contexts（项目上下文）。每条记忆必须标注日期、来源和置信度，并执行激进的修剪策略——30天完成的承诺归档、不活跃上下文移入存档、冲突信息保留最新并记录变更。
显著优点
1. 反熵增设计：明确拒绝「存储一切」的朴素方案，通过价值三分法（高/中/低）和 staleness test（6个月有效性检测）主动衰减噪声
2. 检索优化导向：以「如何在需要时找到」为组织原则，而非事后分类，显著提升回忆准确率
3. 可追溯性：强制记录变更历史（[Updated YYYY-MM-DD] Was: X, Now: Y），避免记忆冲突时的沉默覆盖
4. 用户主权明确：提供 remember/forget/what do you know/never remember 四级控制接口，尊重隐私边界
潜在局限
- 手动维护成本：「激进修剪」依赖人工执行，长期运行可能因懈怠导致膨胀
- 置信度主观性：certain/likely/guess 三级标注缺乏客观标准，不同执行者差异大
- 冷启动问题：新用户需自行定义 categories.md 和领域模板，初始配置门槛较高
- 无自动关联：记忆条目间缺乏语义链接，跨上下文检索依赖人工路径设计
适合人群
高频多轮对话场景的专业用户（咨询、项目管理、长期创作陪伴），以及需要 AI 维护复杂关系网络的企业场景。不适合一次性问答或上下文极短的交互。
常规风险
记忆污染：低置信度条目被后续检索错误引用，导致决策偏差；归档黑洞：移入 archive/ 的内容缺乏索引机制，实质丢失；隐私残留：即使用户说「Forget that」，变更日志 [Updated] 可能泄露敏感历史；时间陷阱：依赖系统时钟，时区或时间篡改会破坏 30天/6个月 等时间规则。