核心用法
Cognitive Memory System 是一套仿生认知架构，将传统扁平化记忆升级为四层级存储系统：Episodic（时序事件日志）、Semantic（知识图谱）、Procedural（习得工作流）、Vault（用户置顶永不遗忘）。通过自然语言触发器（"remember" / "forget" / "reflect"）完成记忆操作，无需代码介入。
典型使用路径：
1. 执行 init_memory.sh 初始化目录与 Git 审计
2. 配置 memorySearch 启用向量检索
3. 将 agents-memory-block.md 注入 Agent 指令
4. 日常通过对话触发记忆操作，系统会自动分类、路由、记录审计
关键创新——5阶段反思引擎：Survey → Meta-Reflection（审视历史反思模式）→ Consolidate → Rewrite Core → Summarize。第2阶段要求回顾全部历史反思与 evolution.md，识别跨时间涌现的主题与修正的假设，实现哲学层面的理解深化。每10/25/50/100次反思触发里程碑式综合。
多Agent模型采用"共享读取、门禁写入"：子Agent仅可提案至 pending-memories.md，主Agent审核后提交，避免记忆污染。
显著优点
- 仿生设计：衰减公式
relevance(t) = base × e^(-0.03t) × log2(access_count+1) × type_weight模拟艾宾浩斯遗忘曲线，核心记忆权重1.5、Vault无限，资源分配合理 - 可解释性强：所有操作双轨审计（Git原子提交 + audit.log单行摘要），SOUL.md/IDENTITY.md变更触发⚠️关键警告
- 渐进式智能：Meta-reflection机制使系统理解随时间演化，非静态知识库
- 工程完备：~3K token核心记忆常驻上下文，热索引模式平衡性能与成本
潜在缺点与局限
- 延迟成本：5阶段反思需8K token预算，高频场景可能触发速率限制
- 人工瓶颈：反思结果需用户显式批准，无法全自动运行
- 冷启动问题：初期缺乏历史反思数据，Meta-reflection阶段价值有限
- 衰减参数固化：λ=0.03（约23天半衰期）全局固定，无法按用户/领域定制
适合人群
- 构建长期运行个人助理的进阶用户
- 需要跨会话保持复杂上下文的知识工作者
- 多Agent系统设计者（需协调记忆一致性）
- 对AI决策可审计性有合规要求的场景
常规风险
| 风险 | 等级 | 说明 |
|------|------|------|
| 记忆污染 | 中 | 子Agent提案未经审核被误提交 |
| 核心记忆膨胀 | 中 | MEMORY.md 超限导致上下文截断 |
| 审计日志丢失 | 低 | `.git` 损坏或 `audit.log` 权限错误 |
| 哲学反思幻觉 | 低 | Meta-reflection可能生成虚假"理解演化"叙事 |
缓解建议：定期检查 decay-scores.json 清理休眠记忆；核心记忆接近3K token时主动触发反思；关键文件变更后核对Git历史。