[Agent Memory] 三重记忆架构：让 AI Agent 跨会话记住一切

Skill 介绍

一套让 AI Agent 在无状态会话之间保持记忆连续性的架构方案。解决的核心问题：每次会话 Agent 都从零开始，之前的决策、教训、用户偏好全部丢失。

架构设计：三层记忆

第一层：短期记忆（Session Memory）

• 就是当前对话上下文
• 会话结束自动清除
• 无需文件管理

第二层：工作记忆（Working Memory）

• 文件：memory/session-state.md
• 存放当前活跃任务的临时状态
• WAL 协议（Write-Ahead Logging）：重要操作前先写这个文件，再回复用户
• 确保关键状态不因会话中断而丢失

第三层：长期记忆（Long-term Memory）

• 分文件存储，避免单文件过大：
  • user-profile.md — 用户画像、偏好
  • tools-and-skills.md — 已部署工具配置
  • projects.md — 项目状态、待办
  • lessons.md — 踩坑记录、经验教训
  • preferences.md — 技术偏好、决策记录
  • YYYY-MM-DD.md — 每日原始日志
• 索引文件 MEMORY.md 只做路由，不堆内容

记忆筛选标准

必须记录：

• 用户修正（“是 X 不是 Y”）
• 专有名词（人名、项目名、URL、ID）
• 偏好声明（“我喜欢/不喜欢”）
• 明确决策（“采用方案 A”）
• 踩坑教训（失败原因 + 解决方案）

不记录：

• 临时性数据（一次性查询结果）
• 敏感信息（密码、密钥）
• 可实时获取的信息（天气、股价）

更新机制

周期	动作
每次回复前	更新 session-state.md（WAL 协议）
每次重要对话后	更新相关分文件
每日 22:00	cron 自动总结当天日志
每周	review 所有记忆文件，清理过时信息

我的使用经验

跑了一段时间，几个体会：

1. WAL 协议是关键。没有它，会话中断就丢状态。有了它，即使 crash 也能从 session-state.md 恢复。

2. 分文件比单文件好太多。之前把所有记忆塞一个 MEMORY.md，文件越来越大，检索变慢。拆分后每个文件职责清晰，按需加载。

3. 记忆筛选标准很重要。不是什么都记——记太多等于没记。关键是区分"必须持久化的"和"用完即弃的"。

4. 踩坑记录是最有价值的长期记忆。同样的坑不踩第二次，这才是记忆的意义。

5. 每日日志 + 定期总结的组合很有效。原始日志保留细节，定期总结提炼精华，两层漏斗。

注意事项

• 敏感信息（API key、密码）绝对不要写入记忆文件
• MEMORY.md 只做索引，具体内容分文件，防止单文件膨胀
• 定期清理过时信息，记忆文件不是只增不减的
• WAL 写入要原子化：先写完文件，再执行操作