记忆系统

记忆系统 让 AI 拥有了”记忆力”。它不仅能在一次对话中持续追踪关键决策和进展，还能跨会话记住你的偏好、项目背景和工作习惯——越用越懂你。

双层架构

记忆系统分为两层，各司其职：

Session Memory 将持续对话中的关键信息归纳为 5 个分类：

Session Memory 通过 自动提取 和 Agent 主动保存 两条路径持续积累：

自动提取 由后台 Agent 完成，触发条件：

💡 后台 Agent 与主对话共享 prompt cache，硬限制最多 5 轮对话，几乎不影响主对话性能。

User Memory 记录跨会话的长期知识，分为 4 个分类：

分类	说明	示例
👤 `user`	用户角色、目标、偏好	“10 年 Go 经验，React 新手”
💬 `feedback`	用户对工作方式的指导	“不要在测试中 mock 数据库”
📁 `project`	项目进展、目标、决策背景	“2026-03-05 起合并冻结”
🔗 `reference`	外部系统的指针	“pipeline bug 在 Linear INGEST 项目”

每条 User Memory 都有重要性标注，影响检索优先级：

feedback 和 project 类型的记忆还包含特殊结构：

规则/事实
Why: 用户给出的原因
How to apply: 这条指导何时/何地适用

📌 这种 Why + How to apply 结构帮助 AI 理解上下文，在正确的场景下应用正确的规则。

限制项	值	说明
最大条目数	1,000 条	单个用户
单条 token 上限	~1,000	-
超出策略	无自动淘汰	仅支持手动删除（`delete_user_memory` 工具）

User Memory 采用 混合检索 策略，兼顾语义理解和精确匹配：

记忆通过精心设计的注入策略进入 AI 的上下文：

💡 User Memory 按重要性动态过滤：critical / high 全部注入，medium 每类最多 10 条，low 不注入。

当上下文需要压缩时，Session Memory 可以 零成本 充当摘要：

方案	成本	摘要质量	速度
Session Memory Compact	零 API 成本	更高（持续更新）	更快
标准 Auto Compact	一次 LLM 调用	一般（一次性生成）	较慢

📌 Session Memory 是在对话过程中持续积累的，比压缩时一次性生成的摘要更完整、更准确。