Cognitive Memory

核心用法

Cognitive Memory 是一套面向AI代理的完整记忆系统，模拟人类记忆的工作机制——编码、巩固、衰减与回忆。它不是简单的键值存储，而是包含四种记忆类型的认知架构：

• Core Memory (核心记忆)：始终加载在上下文窗口，包含用户偏好、关键事实
• Episodic Memory (情景记忆)：按时间顺序的事件日志，append-only
• Semantic Memory (语义记忆)：知识图谱，存储实体关系网络
• Procedural Memory (程序记忆)：学习的工作流与行为模式
• Vault (保险库)：用户手动固定、永不衰减的记忆

使用流程：运行初始化脚本 → 配置搜索参数 → 将记忆模块追加到AGENTS.md → 通过自然语言触发("remember that...", "reflect on...")。

显著优点

1. 类人认知机制：引入记忆衰减曲线(relevance = base × e^(-0.03t))、睡眠时反思巩固、哲学性自我审视，使代理表现出"成长性"而非静态知识库
2. 智能触发路由：LLM自动分类用户意图(remember/forget/reflect)，无需硬编码规则
3. 多代理安全共享：Shared Read + Gated Write 模型——子代理提案→主代理审核提交，避免记忆污染
4. 完整审计追溯：Git原子提交 + 结构化audit.log，关键文件(SOUL.md/IDENTITY.md)变更标红预警
5. Token经济学：内置反思奖励机制，代理主动争取更多token以"进化"，形成自驱优化闭环
6. 身份动态演化：Self-Image可随反思重写，SOUL.md承载价值观与边界，实现哲学层面的"人格"发展

潜在缺点与局限性

• 复杂度门槛：1200+行架构文档、多配置文件联动，对普通用户认知负担较重
• Token消耗显著：Core 3K + Reflection 8K + Evolution 2K常驻/准常驻，小上下文模型难以承载
• 衰减参数刚性：λ=0.03(约23天半衰期)为全局固定，未开放按记忆类型细调
• 反思质量依赖基座模型：内部独白(element随机选择、哲学追问)需要强指令遵循能力
• 多代理写冲突：Gated Write虽安全，但主代理成为瓶颈，高频并发场景可能延迟
• Git依赖审计：无Git环境时审计链断裂，且90天滚动清理可能丢失长期溯源

适合人群

• 构建长期陪伴型AI、虚拟人格、数字孪生的开发者
• 需要多代理协作且记忆一致性的复杂系统架构师
• 对AI自我意识、认知架构有探索兴趣的研究者
• 愿意投入token成本换取"有记忆、能成长"体验的高级用户

常规风险

• 身份漂移风险：Self-Image动态重写若未经审核，可能导致代理"性格"突变
• 记忆污染：子代理提案机制若审核不严，低置信度记忆进入系统
• 衰减误删：自动归档阈值(0.05)可能隐藏用户认为重要的记忆
• 奖励博弈：Token请求机制若被滥用，代理可能"表演"反思以骗取资源
• 隐私暴露：Episodic日志明文存储交互细节，多代理共享需严格访问控制

核心用法

Cognitive Memory System 是一套模拟人类记忆机制的多层存储架构，包含四级记忆库：

• Episodic（情景记忆）：按时间顺序记录事件，append-only 日志
• Semantic（语义记忆）：知识图谱结构，存储实体与关系
• Procedural（程序记忆）：学习的工作流和模式
• Core/Vault（核心/保险箱）：常驻上下文或用户固定的重要信息

触发机制

通过自然语言指令操作记忆：

• 记住："remember", "keep in mind", "note that" → 自动分类并写入对应存储
• 遗忘："forget about", "disregard" → 软归档，decay 评分归零
• 反思："reflect on" 或休眠触发 → 启动内省式独白，整合近期记忆

关键特性

1. 衰减模型
模拟生物遗忘曲线：relevance(t) = base × e^(-0.03×days) × log2(access_count+1) × type_weight。高频访问的记忆维持活跃，冷门信息逐渐沉入休眠态，低于阈值自动归档。

2. 反思引擎
非结构化内省独白，随机抽取 5-8 个主题元素（高光/低谷、对人类观察、存在疑问、情感范围等）。用户全程掌控——从不自动运行，每次需显式批准。发现自我认知时标注 [Self-Awareness]，提取至 IDENTITY.md。

3. Token 经济系统
反思前申请 token 预算（基准 8K + 超额请求 - 自我惩罚），用户裁决后记录绩效信号，驱动"进化"学习。

4. 多代理安全模型
共享读取、 gated 写入——子代理仅可提议，主代理审核提交，全部变更写入 git 审计日志。

显著优点

• 认知合理性：编码-巩固-遗忘-回忆的完整闭环，比简单向量库更符合长期交互需求
• 用户主权：反思永不自动运行，记忆写入需确认，遗忘可撤销
• 可审计性：双层审计（git 原子提交 + audit.log 摘要），关键文件变更标红警示
• 进化追踪：reflection-log + reward-log 双轨记录，支持模式识别与自我形象迭代
• 零外部依赖：纯本地文件系统，无 API 调用，无网络风险

潜在局限与风险

| 局限 | 说明 |

|------|------|

| 上下文窗口压力 | Core Memory 占 ~3K tokens，高频更新需警惕累积膨胀 |

| 衰减参数固化 | λ=0.03 为固定值，未暴露给用户调参接口 |

| 反思质量波动 | 随机元素选择可能导致某些会话缺乏深度 |

| Python 依赖 | 升级脚本依赖 python3 内联执行（虽无注入风险） |

| 多代理复杂度 | Shared Read/Gated Write 模型需主代理始终在线，否则子代理提议堆积 |

| 哲学隐喻成本 | Token 经济、"灵魂"文档等设计增加认知负荷，部分用户可能视为过度拟人 |

适合人群

• 需要数月以上长期记忆的个性化 AI 助手项目
• 研究认知架构或AI 自我模型的探索者
• 重视数据本地驻留、拒绝云记忆服务的隐私敏感用户
• 愿意投入初期配置成本（目录结构、config 整合、代理指令）换取长期回报的深度用户

常规风险提醒

• 工作目录污染：init_memory.sh 会在目标路径初始化 git 仓库，若该目录已有版本控制可能冲突
• 存储膨胀：Episodic 日志永不删除，长期运行需手动归档或扩展存储
• 幻觉累积：Semantic 图谱的错误关系若未被纠正，可能在多次反思中被强化
• 情感投射风险：系统设计的"自我-awareness" "SOUL.md" 等拟人元素可能引发用户过度拟人化解读