文档信息

字 数：3800 字 阅读时间：13 分钟 难度等级：⭐⭐（有 Python 基础更佳，代码可直接复制使用）

核心价值：从原理到代码完整拆解 Agent 记忆系统，看完就能自己搭

---

你跟 AI 聊了三个月，积累了几百上千次次对话的经验

选题方法论、Debug 经历、工具配置偏好

然后/new一下后

它什么都不记得了。

Agent 跑的越久，这些问题越明显：

• "我上次跟你聊过这个啊"
  • 上周定好的方案，这周又要从头解释。
  • 你花了十分钟把背景说清楚，它说"明白了"。
  • 下次新对话
  • 忘了，再说一遍。
• "经验没法积累"
  • 你用 AI 写了一个月的内容，摸索出了一套自己的风格和选题方法论。
  • 但这些经验全散落在几十次对话里，没有沉淀。

每次新开对话，又是从零开始。

如果你有同感，往下看。

🎯

这不是某一个 AI 的问题

是所有 AI Agent 的通病：每次对话都是失忆症患者。

我做了个东西解决这个问题。

一个三层记忆架构，让 AI 的对话经验自动沉淀、分级、可检索。

结果就是：用得越久，它越懂你。

---

这个记忆系统做了什么

一句话概括：让 AI 从"每次都失忆"变成"越用越懂你"。

具体来说，它做了三件事：

• 自动记住每次对话的精华。
  • 不是存聊天记录原文，是提炼成摘要。
  • 聊了什么、做了什么决定、有什么关键信息——自动压缩，存下来。
• 从碎片信息里提炼规律。
  • 当某个话题被反复讨论，系统会自动把它从"一次对话的笔记"升级为"一条知识"。
  • 比如你聊了十次 prompt 写法，系统会把这十次的经验压缩成一条结构化的"Prompt 最佳实践"。
• 把所有记忆可视化。
  • 同步到 Obsidian，每条记忆变成一个可读的 Markdown 文件。
  • 能搜索、能双向链接、能看关系图谱。你的 AI 的"大脑"，肉眼可见。

效果就是——你用得越久，AI 越懂你。不是因为它更聪明了，是因为它记得你走过的每一步。

---

这个系统是怎么设计的（原理拆解）

设计之前我画了一条线：记忆不等于存储。

把所有聊天记录存下来不叫记忆，那叫囤积。

真正的记忆有三个特征：

• 有筛选 — 重要的记住，不重要的忘掉
• 有压缩 — 十次对话提炼成一条规律
• 能调用 — 下次对话时主动使用

这三个特征对应了三层架构：

L1：会话摘要 — "发生了什么"

每次对话结束后，自动生成一条摘要。

存的东西包括：

• 会话ID
• 摘要文本
• 关键要点

重要度（0-1）。

重要度是我手动标的。

参考数值：一次重要的技术决策标 0.9，一次闲聊标 0.3。

CREATE TABLE IF NOT EXISTS memory_l1 (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    session_id TEXT NOT NULL,
    summary TEXT NOT NULL,
    key_points TEXT,
    importance REAL DEFAULT 0.5,
    access_count INTEGER DEFAULT 0,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    decay_score REAL DEFAULT 1.0
);

L1 是量最大的一层。你聊了多少次，就有多少条 L1。

L2：结构知识 — "学到了什么"

当一条 L1 记录被反复调用，或者多条 L1 围绕同一个主题，系统会把它升级为 L2。

L2 不是"某次对话的记录"，是"一条独立的知识"。

比如"Prompt 工程的5个最佳实践"，这条知识可能来自 10 次不同的对话，但它本身是一条完整的知识条目。

CREATE TABLE IF NOT EXISTS memory_l2 (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    category TEXT NOT NULL,
    knowledge TEXT NOT NULL,
    source_ids TEXT,
    tags TEXT,
    importance REAL DEFAULT 0.5,
    access_count INTEGER DEFAULT 0,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    decay_score REAL DEFAULT 1.0
);

💡 核心观点：可追溯的知识升级

注意 source_ids 字段——它记录了这条知识是从哪几条 L1 提炼出来的。可追溯，不是凭空生成的。

🎯

背后的思考：升级条件是 importance >= 0.8 且 access_count >= 3。

也就是说，一条记忆必须同时"足够重要"和"被频繁使用"，才会升级。

这避免了低质量记忆污染知识库。

L3：核心洞察 — "底层规律是什么"

最高层，数据量最小，价值最高。L3 不是某次对话的结论，是跨多次对话提炼出的规律。

比如："所有 AI 工具的效率瓶颈，不在工具本身，在于使用者的认知框架。"

这种洞察不是一次聊天能得出的，是从几十次实践中沉淀出来的。

CREATE TABLE IF NOT EXISTS memory_l3 (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    insight TEXT NOT NULL,
    source_ids TEXT,
    category TEXT,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    decay_score REAL DEFAULT 1.0
);

三层的关系：

层级	内容	来源	数量级
L1	对话摘要	每次对话自动生成	最多
L2	结构知识	L1 反复调用后升级	中等
L3	核心洞察	跨 L2 聚合提炼	最少

🎯

L1（碎片）→ 反复调用 → L2（知识）→ 跨知识聚合 → L3（洞察）

---

最酷的一个设计：会遗忘的记忆

请允许我自夸一下：这是整个系统我最满意的部分。

每条记忆有个 decay_score（衰减分），初始值 1.0。

• 被访问时：+0.1（上限 1.0）
• 每小时自动衰减：×0.99
• 低于 0.05：标记为清理候选

算一下：一条从不被访问的记忆，大约 7 天衰减到 0.5，一个月衰减到 0.1。

你天天调用的记忆，衰减分一直在 0.9 以上。

⚠️ 这不是 Bug

如果你什么都记住，那不叫记忆，叫垃圾场。人脑就是这么工作的。

你天天用的技能刻在肌肉里，三年不碰的知识自然就模糊了。

🎯

记忆的价值不在于"记住了多少"，在于"记住的是不是最重要的东西"。

而且衰减不是删除。低衰减分的记忆只是被标记为"候选清理"，不会自动删除。

永远保留"反悔"的余地。

---

后台自动化：装完就不用管了

5 个 Cron 脚本在后台自动跑，不需要人工维护：

脚本	频率	干什么
memory_decay.py	每小时	全局衰减，降低长期不用的记忆权重
memory_index.py	每5分钟	刷新缓存，保证搜索速度
memory_cleanup.py	每小时30分	分析哪些记忆快过期了，只报告不删
memory_compress.py	每日凌晨3点	分析各层状态，输出升级候选报告
memory_stats_report.py	每日午夜	生成日报，推送飞书

你唯一需要做的：每次对话结束时，用一条命令写入摘要。

python3 memory_tiered.py add-l1 \
  --session-id "本次会话ID" \
  --summary "完成了小红书选题规划，确定了3个方向" \
  --key-points "封面优化,标题10字法则,会员反馈" \
  --importance 0.8

写进去之后，什么都不用管。衰减、升级、同步、清理，全部自动。

---

Obsidian：AI 的大脑，肉眼可见

所有记忆自动同步到 Obsidian，变成 Markdown 文件。

memory/
├── L1-关键摘要/          ← 每次对话的摘要
├── L2-结构知识/          ← 提炼出的知识条目
├── L3-核心洞察/          ← 核心洞察索引
└── 对话树/               ← 对话之间的分支关系

每个文件带 YAML frontmatter，记录重要度、衰减分、来源。

在Obsidian中备份作为 Agent 的大脑

打开这些文件，你能看到：

• 关系图谱：所有知识点之间的关联，像一张星图
• 全局搜索：任何历史记忆，毫秒级检索
• 双向链接：相关知识自动关联，越用网络越密

数据库里的记忆是死的，看不见摸不着。

同步到 Obsidian 后——你的 AI 的整个知识体系，一清二楚。

---

全部代码：一个文件，纯标准库

整个系统就一个 Python 文件 memory_tiered.py，1927 行。零第三方依赖。

SQLite、json、hashlib、datetime、collections、os、sys——全是 Python 自带的。

🎯 技术设计：6 个类，职责分明

🎯

背后的思考：单一职责原则。

每个类只管一件事，改一个不影响其他。

数据库存在 ~/.hermes/state/state.db，打开就能看。

Claude code + Openclaw Agent 怎么用

不绑死在 Hermes 上。

核心就是：SQLite 存记忆 + Python 管理记忆 + Obsidian 看记忆。

任何能跑 Python 的 Agent 都能接。

Claude Code

把 memory_tiered.py 放进项目目录，在 CLAUDE.md 里加一段：

## 记忆系统
- 模块：./memory/memory_tiered.py
- 数据库：~/.hermes/state/state.db
- 对话结束后用 add-l1 写入摘要
- 需要回忆时用 search-all 搜索

Claude Code 自动读取，知道有记忆系统可用。

OpenClaw

把记忆系统打包成一个 Skill，放进 OpenClaw 的 skills 目录。Skill 描述里写清楚 CLI 命令和调用时机就行。

飞书 Aily

把 Obsidian 同步的 Markdown 文件放进飞书知识库，Aily 通过知识库检索来"调用记忆"。不需要改代码，加一步飞书上传即可。

Agent	接入方式	改动量
Claude Code	放入项目目录 + CLAUDE.md 配置	0 行代码
OpenClaw	打包为 Skill	0 行代码
飞书 Aily	Obsidian 文件导入知识库	0 行代码

---

行动指南

如果你看完了觉得"我也想搞一个"，按这个顺序来：

第一步：确认环境

打开终端，输入 python3 --version，确认是 3.9 以上。

第二步：创建目录

mkdir -p ~/agent-memory/memory

第三步：初始化数据库

把 memory_tiered.py 放进去，然后：

python3 ~/agent-memory/memory/memory_tiered.py init

看到"✅ 数据库初始化完成"就对了。

第四步：写入第一条记忆

python3 ~/agent-memory/memory/memory_tiered.py add-l1 \
  --session-id "test-001" \
  --summary "第一次使用记忆系统，感觉很酷" \
  --importance 0.9

第五步：搜索记忆

python3 ~/agent-memory/memory/memory_tiered.py search-all --keyword "记忆"

第六步：配置 Obsidian（可选）

用 Obsidian 打开 ~/agent-memory/memory/ 目录，执行一次同步：

python3 ~/agent-memory/memory/memory_tiered.py sync --level all

然后打开 Obsidian，就能看到所有记忆文件了。

🚀 效率提升：三条命令，从零到跑起来 效率对比：提升幅度：10倍+

更重要的是：这不是效率工具，是认知工具。它让 AI 从"工具"变成了"伙伴"——一个记得你走过的每一步的伙伴。

---

设计背后的思考

最后分享几个设计决策的原因：

• 为什么用 SQLite 不用 Redis？
  • 因为目标是零依赖。Redis 要装服务、要配端口、要维护。
  • SQLite 是 Python 自带的，一个文件搞定。
  • 对于个人 Agent 的记忆量级（几百到几千条），SQLite 绰绰有余。
• 衰减是不是意味着数据丢失？
  • 误删一条重要记忆的代价，远大于多存十条无用记忆。
  • 衰减只是降低权重，数据还在。
  • 你想恢复随时能恢复。
• 为什么需要 Obsidian？
  • 数据库里的数据是死的。
  • 同步到 Obsidian 后，你能看到知识网络、能搜索、能关联。
  • 这不仅是可视化，是让你的 AI 的"思考过程"变得可观测。
• 为什么 CLI 而不是 API？
  • CLI 可以被任何 Agent、任何脚本、任何定时任务调用。
  • 解耦了"记忆管理"和"Agent 主体"。
  • 你今天用 Hermes，明天换 Claude Code，记忆系统照跑不误。

---

#AI Agent #记忆系统 #Obsidian #Claude Code #开源项目 #Python #自动化 #长期记忆 #知识管理 #零依赖

相关链接

• GitHub 仓库：https://github.com/daxiangnaoyang/openclaw-advanced-memory

三句话总结

• AI 的记忆问题可以解决——不是靠更大的上下文窗口，而是靠分层蒸馏
• 三级架构是关键——从原始事实到结构化知识再到心智模型，信息在每一层被提纯
• 代码已经开源——1927 行 Python，零依赖，直接拿来用，你的 Agent 也能拥有长期记忆

---

作者：大象