AI 记忆管理系统
让 AI 助手学会自我维护记忆，不再需要人工干预
大多数 AI 助手有一个共同的问题：它们没有长期记忆。每次新对话都是一张白纸。 即使用 RAG 或记忆系统，也需要用户手动告诉它"记住这个"、"清理那个"。
我设计了一套自动化记忆管理层，让 AI 助手能在每次启动时自主完成记忆的 发现、注册、清理和一致性检查——完全不需要人工介入。
系统架构
01. 知识图谱存储
所有记忆以实体-关系-观察值 (Entity-Relation-Observation) 模型存于知识图谱。每项目一个实体，按类型分类（project/rule/tool/user/workflow），用 Relation 连接相关实体。
02. 规则加载器
Session 启动时自动搜索所有 type=rule 的实体，加载行为规则到系统提示。保证每次对话开始时所有规则都已就位。
03. 子代理循环
规则加载完毕后，立即派生子代理执行 memory-manager 任务：扫新技能、扫新项目、清理过期、一致性检查。子代理在独立沙箱运行，不污染主上下文。
自动工作流
1
用户打开 AI 助手
新 Session 启动
2
规则加载器
memory_search_nodes("rule") → 加载全部行为规则
3
技能扫描
对比 .reasonix/skills/ 目录 vs 知识图谱注册表，发现新 skill 自动注册
4
项目扫描
扫描工作目录下 package.json/go.mod 等，发现新项目自动创建实体
5
过期清理
删除超过 7 天的单次事件记录，去重
6
一致性检查
确保必要的基础实体（用户/规则）存在，缺失则重建
成本与效果
$0.006
每次运行成本
子代理 66 秒完成
2,400
节省 Token 量
记忆优化后降 57%
100%
自动化率
零人工干预
相比传统记忆系统需要用户手动"记住"/"忘记"，这套方案让 AI 助手具备了 自主维护记忆的能力。核心设计理念是：好的记忆系统应该是隐形的—— 你不需要知道它存在，但它总是在工作。
技术实现
Knowledge Graph (ER-O)Subagent IsolationMemory MCP ServerAuto Rule LoaderSession HooksStale Data DetectionCross-session Persistence