核心用法
Hierarchical Memory 是一套模仿神经网络分支结构的长期记忆管理系统，专为 Codex 等 AI 助手设计，解决长对话中的"上下文失忆"问题。系统采用三层架构：
- 根记忆层 (
MEMORY.md)：全局导航中枢，记录核心使命与合作伙伴关系 - 领域记忆层 (
memory/domains/*.md)：按专业领域划分的知识仓库（编程、交易、社交等） - 项目记忆层 (
memory/projects/*.md)：具体项目的全生命周期档案
使用时遵循"先搜索根节点→再定位分支→最后读取原子单元"的路径，配合自动化脚本 add_branch.py 快速创建新分支。
显著优点
1. 防上下文膨胀：按需加载特定分支，避免一次性载入海量历史记录
2. 语义化组织：领域-项目双层索引，信息定位效率远高于线性记忆
3. 抗遗忘设计：每个条目强制标注"Significance"字段，防止僵尸数据堆积
4. 快速同步机制：recent_delta.md 记录 3-7 天变更，支持断点续传式对话恢复
局限性与风险
- 维护成本：需要人工或脚本持续维护链接关系，断链会导致记忆孤岛
- 冷启动门槛：初期需投入时间建立完整的领域分类体系
- 过度设计风险：简单对话场景下分层管理可能显得冗余
- 版本冲突：多会话并行写入时缺乏内置的合并冲突解决机制
适合人群
- 长期与 Codex 协作的开发者、交易员、研究者
- 同时推进多个跨领域项目的多线程工作者
- 需要 AI 记住复杂业务逻辑和个人偏好的重度用户
常规风险提示
| 风险等级 | 描述 |
|---------|------|
| 中等 | 记忆文件需定期备份，单点故障可能导致全部历史丢失 |
| 低 | 自动化脚本需验证路径权限，避免误删现有文件 |
| 低 | 敏感信息应避免以明文存储在共享记忆库中 |