核心架构
agent-memory-wisdom 是一套框架无关的AI Agent持久记忆解决方案，核心解决"每次新会话都是白纸"的行业痛点。系统设计遵循"记忆不是记住所有内容，而是知道东西放在哪里"的理念。
三层文件记忆系统
| 层级 | 文件 | 功能定位 | 更新频率 |
|:---|:---|:---|:---|
| L1 | MEMORY.md | 精华索引/核心规则/决策记录 | 定期蒸馏 |
| L2 | memory/YYYY-MM-DD.md | 每日原始工作日志 | 随时记录 |
| L3 | 工作缓冲区.md | 进行中任务/未完成事项 | 每完成一项 |
这种分层设计实现了容量与检索效率的权衡：精华层保证快速加载，日志层保留完整上下文，缓冲区确保任务连续性。
WAL Protocol（预写日志协议）
核心原则：先写日志，再回复用户。操作顺序为：接收消息→处理请求→写日志→回复用户。该机制确保崩溃/重启不丢数据，同时形成"已完成证明"。
启动恢复机制
强制启动序列：SOUL.md（身份认知）→ USER.md（用户画像）→ 最近日志 → 工作缓冲区。禁止跳过，这是记忆连续性的关键保障。
可选增强：向量记忆
通过 memory-lancedb-pro 插件接入LanceDB，提供语义搜索能力，配置 autoCapture 和 autoRecall 实现自动化记忆管理。
显著优点
1. 框架零依赖：纯文件方案，可在任何Agent实现中部署
2. 成本极优：无外部API依赖，本地文件存储
3. 可解释性强：人类可读的Markdown格式，便于审计调试
4. 弹性伸缩：基础版仅需文件，进阶版叠加向量搜索
5. 多Agent就绪：通过文件隔离+共享机制支持协作场景
局限性与风险
| 类型 | 具体表现 |
|:---|:---|
| 一致性风险 | 文件并发写入需外部协调，多Agent场景可能产生冲突 |
| 检索天花板 | 纯文件方案依赖线性读取，超大规模记忆需向量层补充 |
| 规范依赖 | 效果高度依赖"写日志是工作的一部分"的执行纪律 |
| 启动开销 | 必须完整执行启动序列，可能增加冷启动延迟 |
适用人群
- 个人AI助手用户：需要Agent记住长期偏好、项目背景
- 多Agent系统开发者：需要隔离与共享并存的记忆策略
- 长周期任务场景：研究、写作、项目管理等跨会话工作
- 可解释性要求高的场景：金融、医疗等需审计追踪的领域
安全评估
- 来源可信度：开源社区实践方案，无商业背书，属经验沉淀型架构
- 数据安全：本地文件存储，敏感数据不外流；但需注意文件权限管理
- 操作风险：WAL协议降低了数据丢失风险，但无法防止错误日志污染记忆