记忆系统

记忆系统是 CortexForge 认知引擎的 memory 子系统。当前版本同时运行两套记忆载体：

• 三级联合记忆 (L1/L2/L3) — 传统的分层记忆，通过 UnifiedMemoryManager 统一存取
• 自我之流 (SelfStream) — Kernel-γ 引入的第一人称叙事式记忆，now.md / state.md / memories/ / archive/

两套系统并行运行。长期方向是自我之流逐步成为主要记忆载体，三级记忆降级为检索加速层。详见 Kernel-γ 路线图。

挼挼如是说

大部分 bot 的记忆是多翻几轮对话。AuroraBot 不一样——L1 记住刚才说了啥，L2 按时间线存档，L3 用向量相似度找"跟现在最相关的"。三层各司其职，谁也不替代谁。

三级结构

层级	类	存储方式	容量	用途
L1 工作记忆	WorkingMemory	内存列表（FIFO）	最近 10 条	当前会话上下文
L2 情景记忆	EpisodicMemory	JSON 文件追加	50 条后压缩	按时间线存档
L3 语义记忆	SemanticMemory	ChromaDB 向量	无上限	语义相似度检索

核心数据流：

# 写入（一键写入）
memory.process_interaction(content=msg, role="user", user_id="xxx")
    → L1: working.add(content, role)           # 追加到内存列表
    → L2: episodic.record_event(type, content) # 追加到 JSON 文件
    → L3: semantic.extract_and_store(text)     # LLM 提取事实 → ChromaDB

# 读取（一键检索）
context = memory.retrieve_context(query, user_id)
    → L1: working.get_context()                # 全量返回
    → L2: episodic.retrieve_since(timestamp)   # 按时间范围
    → L3: semantic.retrieve(query, k=5)        # 向量相似度 top-k

L1 工作记忆

src/brain/memory/working.py

• 纯内存列表，max_items = 10
• 超出容量时 FIFO 淘汰最早记录
• 不持久化，进程重启后清空

L2 情景记忆

src/brain/memory/episodic.py

• 追加写入 data/memory/episodes.json
• 超过 50 条触发折叠压缩：调用 DeepSeek API 将历史记录浓缩为一条 summary
• 带防抖去重：连续相同内容不重复写入
• 按时间范围检索，返回时间线片段

L3 语义记忆

src/brain/memory/semantic.py

• 基于本地 ChromaDB 持久化向量存储
• 写入时通过 LLM 从文本提取结构化事实和关系
• 检索时按向量相似度返回 top-k 相关记忆
• 支持 MemoryItem 的增删改查

统一入口

class UnifiedMemoryManager:
    def process_interaction(content, role, user_id) → None   # 一键写入
    def retrieve_context(query, user_id) → MemoryContext     # 一键检索
    def initialize_system_prompt(user_id, core_prompt) → None  # 初始化

Agent 节点通过构造时注入的 UnifiedMemoryManager 实例调用这些方法，无需关心底层 L1/L2/L3 的流转。

当前覆盖范围

目前的记忆写入来源：

来源	写入方式
外部事件（对话等）	MemoryRouter 读取 memory/pending/event_*.json，调用 process_interaction
PlanAgent / ExecuteAgent	执行期间通过 _memory 引用写入

设计约束

• 节点不直接操作 L1/L2/L3，统一通过 UnifiedMemoryManager 存取
• process_interaction() 一键写入三层，保证 L1 ↔ L2 ↔ L3 数据一致
• L1 纯内存、不持久化，进程重启后清空
• L2 按时间线追加，带防抖去重: 连续相同内容不重复写入
• L3 写入时通过 LLM 提取结构化事实，检索时按向量相似度 top-k 返回

自我之流 (SelfStream) —— Kernel-γ 新增

src/brain/nodes/self_stream.py 提供 Pool A 的第一人称叙事式记忆载体：

stream = SelfStream()
stream.append_experience("Alice 在群里说：'你好'。我感到一阵暖意。")
recent = stream.read_recent(50)
stream.update_state("- 精力：正常\\n- 情绪：愉快\\n")

与三级记忆的关系

概念	三级记忆 (旧)	自我之流 (新)
L1 工作记忆	内存 FIFO 列表	now.md 最近内容
L2 情景记忆	JSON 文件追加	archive/ 每日归档
L3 语义记忆	ChromaDB 向量	memories/ + ChromaDB 索引

核心操作

方法	用途
append_experience(text)	追加一段体验到 now.md
read_recent(n_lines)	读取最近 N 行
read_recent_chars(n_chars)	读取最近 N 字符 (控制上下文窗口)
read_state() / update_state()	读写 self/state.md
read_memory(name) / write_memory(name, content)	读写持久记忆
archive_today()	归档 now.md 到 archive/
build_context()	组装 Internalizer/Externalizer 标准上下文

下一步阅读

• 想了解记忆在认知管线中的位置: 读 认知引擎架构
• 想了解节点系统: 读 节点系统
• 想了解 Circuit 调度: 读 内核运行时
• 想了解 Kernel-γ 的完整设计: 读 Kernel-γ 路线图