Remember Me

🧠 智能分层记忆,渐进懂你所需

长期记忆管理技能,支持用户偏好、目标与边界的情境化存储与召回,通过分层记忆架构与假设验证机制实现渐进式个性化

收藏
8.5k
安装
2.2k
版本
0.1.2
CLS 安全性认证2026-08-12
点击查看完整报告 >

使用说明

核心功能与用法

remember-me 是一套结构化长期记忆系统,用于在多次对话间维持用户上下文连续性。核心能力涵盖六类记忆捕获:用户明确陈述的事实(FACT)、行为或声明的偏好(PREFERENCE)、时间绑定或持续的目标(GOAL)、以及经标记的假设(HYPOTHESIS)。系统采用双层存储架构:Daily notes(memory/YYYY-MM-DD.md)记录带时间戳的原始事件,Long-term(MEMORY.md)存放经筛选的持久画像。

触发捕获的典型场景:用户说"记住这个"、重复出现的行为模式、明确边界声明("不要做X")、反复出现的障碍、项目优先级显著变化。写入流程遵循六步:信号分类→追加日志→生成1-2条人性化假设→标注置信度→后续轻量验证→持久化晋升。

检索承诺:回答涉及过往工作/偏好/时间线的问题前,必须优先查询记忆源,必要时引用片段;未命中时需明确告知并请求确认。

显著优势

1. 记忆完整性分层:FACT/HYPOTHESIS/PREFERENCE/GOAL 的四元标签体系从根本上防止了"将推断当作事实"的幻觉风险,假设必须经用户确认才能晋升。

2. 置信度衰减机制:High→Medium(14天未强化)、Medium→Low(30天)、Low→丢弃(60天),避免陈旧假设污染当前上下文。

3. 假设-验证闭环:通过轻量探针("我是否该在你疲惫时简化决策?")测试推断,既深化理解又避免 presumptuous(冒昧假定)。

4. 遗忘与降级策略:明确列出四项主动删除条件(用户否定、5次未验证、项目放弃、用户请求),包含从长期记忆→日志→丢弃的完整降级链路。

5. 影响评分引导:1-3级评分(装饰性/工作流影响/结果关键)与重复检测结合,避免记忆膨胀。

潜在局限与风险

  • 实施复杂度:维护 daily notes、长期记忆、模板、检查清单的多文件架构,对用户或实现方的执行纪律要求较高;若维护中断,记忆一致性可能断裂。
  • 假设探针的社交成本:虽规定"不在用户沮丧时确认"、"不重复提问",但边界判断依赖实现者的情境感知,存在误触风险。
  • 敏感信息边界:虽列明"绝不存储"清单(瞬时情绪、一次性抱怨、推测动机、敏感身份属性),但"除非用户明确请求"的例外条款可能被绕过——实现者需额外审计确认流程。
  • 置信度衰减的硬性时限:14/30/60天的固定周期可能对慢节奏项目过于激进,缺乏自适应调整机制。

适用人群

  • 需要跨会话维持复杂项目上下文的长期协作用户(研究、写作、产品管理)
  • 有明确工作流偏好且希望减少重复说明的效率导向用户
  • 对隐私敏感、希望精细控制记忆范围的审慎型用户

常规风险提示

  • 确认偏误陷阱:系统鼓励"人性化推断",若探针设计不当,可能引导用户确认非真实偏好("你是不是更喜欢X?"→用户顺从性回答)。
  • 记忆膨胀:评分2级+重复即晋升的规则,在高度规律但低重要性的行为(如"总是在晚上提问")上可能过度持久化。
  • 边界漂移:"显式同意"原则针对敏感细节,但"敏感"的定义依赖实现者解释,建议用户主动审计 MEMORY.md 内容。

安全解读

核心用法

Remember Me 是一套面向 AI Agent 的记忆管理协议,而非传统意义上的可执行代码。其核心工作流程围绕"捕获-分类-存储-验证-晋升"五个环节展开:

触发捕获:当用户明确说"remember this"、重复出现某偏好、声明边界(如"keep Y private")、或项目优先级显著变化时,系统启动记忆记录。

分类存储:所有记忆必须标注为 FACT(用户明确陈述)、PREFERENCE(行为或声明的偏好)、GOAL(有时限或持续的目标)、HYPOTHESIS(推断,待验证)四类之一。每日原始记录存入 memory/YYYY-MM-DD.md,经筛选后晋升至 MEMORY.md 长期档案。

验证循环:针对 HYPOTHESIS 采用"假设-探测-更新"循环,通过轻量确认问题(如"Should I challenge you more directly here?")验证推断,避免将猜测固化为事实。

智能检索:响应用户前优先查询记忆源,引用具体片段,若未命中则明确告知并请求确认。

显著优点

隐私设计领先:明确排除敏感身份属性、临时情绪状态、一次性挫折等存储项,符合 GDPR 数据最小化原则;支持用户主动请求立即删除,内置 14/30/60 天假设置信度衰减机制。

零攻击面:纯 Markdown 文档型 Skill,无 JavaScript/Python/Shell 等可执行代码,从根本上消除代码注入、远程执行等传统安全风险。

行为科学驱动:借鉴人类记忆原理,区分"陈述事实"与"行为推断",通过置信度分层和主动遗忘策略,避免 AI 过度拟合用户画像。

供应链安全:零第三方依赖、零外部 API 调用,完全本地运行,无惧依赖库漏洞或数据外泄。

潜在缺点与局限性

功能依赖宿主实现:作为协议文档,实际记忆读写功能需依赖 Agent 平台的底层支持,Skill 本身仅提供规范约束,无法独立运行。

推断准确性不确定:HYPOTHESIS 机制虽标注置信度,但"人类式推断"仍可能产生系统性偏差,尤其在跨文化、跨性格类型场景中。

维护成本隐性化:推荐的周度维护(review 3-7 天记录、合并模式、清理过期条目)需要人工或自动化脚本介入,文档未提供具体工具实现。

来源可信度限制:维护者 AchalS-iglu 为个人开发者(T3 级别),虽代码无可疑,但长期维护承诺需社区验证。

适合的目标群体

  • 注重隐私的 AI 用户:不愿将个人偏好数据交由黑箱模型训练,希望明确知晓存储内容与边界。
  • Agent 平台开发者:需要参考成熟的记忆管理协议设计自有系统。
  • 人机交互研究者:探索"尊重用户边界的个性化"实践案例。
  • 合规敏感场景:企业级 AI 部署需满足 GDPR、CCPA 等数据保护法规要求。

常规使用风险

记忆漂移风险:假设置信度自动衰减机制若未配合宿主系统的时间触发器,可能导致"该忘的没忘、该留的没留"。

确认疲劳:验证循环设计要求 Agent 主动发起确认问题,若实现不当可能打断用户 workflow,引发反感。

模板依赖:文档引用 references/templates.md 等外部文件,若宿主环境未完整部署引用文件,可能导致记忆格式不一致。

晋升判断主观性:Memory Impact Score 1-3 的评级和晋升条件依赖实现者的解读,不同开发者可能产生显著差异。

Remember Me 内容

references文件夹
手动下载zip · 4.5 kB
templates.mdtext/markdown
请选择文件