核心用法
Memory Manager 是一套为 AI 代理设计的三级记忆管理框架，通过命令行工具 memory_manager.py 实现完整的记忆生命周期管理。其工作流程遵循「感知→编码→存储→检索」的认知科学模型：
初始化与配置：运行 init 命令创建记忆目录结构，通过 config.yaml 灵活配置三层记忆参数。短期记忆窗口默认保留最近10条消息（约2000 tokens），中期摘要在token超过4000时触发，采用轻量模型（如glm-4-flash）生成压缩摘要，长期记忆则基于ChromaDB实现本地化向量存储。
运行时机制：对话启动阶段先执行语义检索，将相关长期记忆注入上下文；对话过程中自动维护FIFO滑动窗口，超限时触发摘要生成；会话结束后关键信息自动向量化入库。这种分层设计兼顾了实时性（短期）、效率（中期）与持久性（长期）的平衡。
显著优点
1. 架构清晰的分层设计：借鉴计算机存储体系的三级缓存思想，短期记忆保障对话连贯性，中期记忆解决上下文爆炸问题，长期记忆实现真正的知识积累，三层协同而非简单堆叠。
2. 成本优化的摘要策略：明确区分「推理模型」与「摘要模型」，用廉价API处理压缩任务，在功能与成本间取得务实平衡。
3. 本地化优先的部署：ChromaDB作为默认向量后端，无需外部服务即可运行，降低数据隐私风险与网络依赖。
潜在局限
1. 摘要的信息损耗：自动摘要不可逆地丢弃细节，对于需要精确回溯的场景（如法律、医疗对话）可能产生幻觉风险。
2. 向量检索的语义漂移：依赖embedding模型的语义理解能力，专业领域术语或新兴概念可能出现检索失配。
3. 配置复杂度：三层参数的联动调优需要一定的工程经验，默认配置未必适配所有应用场景。
适合人群
- 开发具备长期陪伴能力的AI代理的工程师
- 需要构建个人知识库的对话系统开发者
- 研究记忆机制与上下文优化的AI研究人员
常规风险
| 风险类型 | 说明 | 缓解建议 |
|---------|------|---------|
| 隐私泄露 | 长期记忆持久化存储敏感对话 | 本地加密+定期审计+敏感信息过滤 |
| 记忆污染 | 错误摘要污染长期知识库 | 摘要人工审核机制+版本回滚能力 |
| 检索幻觉 | 不相关记忆被注入导致回复偏离 | 提高min_relevance阈值+检索结果过滤 |
| 存储膨胀 | 向量库无限增长影响性能 | TTL机制+定期压缩与归档 |