Skip to main content

​
记忆系统

Myrm 记忆系统是 Agentic Memory Operations（AMO）范式最完整的实现之一——42+ 模块认知系统，跨会话持久化，从每次交互学习，并主动浮现洞察。

​
记忆类型

系统支持 8 种记忆类型，存储于 SQLite + Qdrant（Mem0 为 3 种）：

​
辩证偏好推理（Cognitive Deriver）

对话结束后，Cognitive Deriver 在后台运行，对响应延迟零影响：
  1. 使用 LLM 辩证推理分析最近 10 条消息
  2. 提取无限维度的隐式偏好（沟通风格、认知深度、主动性、编码范式等）
  3. 0.8 置信度阈值 — 仅存储高确定性洞察
  4. 通过 change_kind 语义解决冲突（support/contradict/supersede/constrain）
  5. 安全写入向量库（SemanticMemory）— 走标准审批队列 + 安全扫描，外部内容无法绕过防护
  6. 核心偏好经 PreferenceStabilityStrategy 多轮观测验证（Candidate → Provisional → Active）后安全晋升至 ProfileEntry，自动注入 system prompt
  7. Agent 自生成规则（AGENT_SELF）强制优先级上限为 HIGH，防止占据免压缩位
与 Honcho 依赖第三方云 API 不同，Myrm 完全本地运行、隐私安全、支持离线。仅在颠覆性变化（contradict/supersede）时通知用户 — 常规偏好积累完全静默。

​
零成本目标推导（Dream 机制）

受 Honcho Dream 启发，但在常规「品味摘要」生成中异步提取用户长期目标与进行中项目，零额外 LLM 成本。为 AI 提供持久「长期记忆靶标」，避免传统自由文本 Dream 的高 Token 成本与数据污染风险。

​
Working Memory（跨会话任务延续）

长周期任务（多日重构、迭代研究）在会话间丢失上下文。其他工具需要手动 recap 或昂贵的全量历史搜索。 Myrm 的 Working Memory 通过专用 __working_state Profile Memory 条目解决：
  • 自动提取 — 每轮对话结束后，TaskDigest 提取器将任务进度写入 working state（≤500 字符）
  • 最高优先级注入 — Working State 以 priority=0（最高）注入 System Prompt，下次会话立即知道”做到哪了”
  • 7 天 TTL — 超过 7 天自动过期，防止旧任务上下文污染新任务
  • 实时 UI — Chat 头部 Badge 显示当前任务状态，对话完成后自动刷新；设置页卡片提供创建/编辑/清除/字符计数完整管理
对比 ChatGPT Dreaming（被动、无任务聚焦）、CLAUDE.md（手动维护）、第三方 MCP 插件（配置开销），Working Memory 零配置、系统自动提取、自动清理。

​
画像注入 + 统一记忆搜索（Prefix Cache 友好）

跨会话续聊：L1 stable 画像自动注入；learned 偏好通过 memory_search_tool 检索（非 Turn1 middleware），最大化 Prompt Cache 命中率。 Turn1 行为：单一读工具 + corpus 参数 — GeneralAgent 无 standalone conversation_search_tool。子 Agent（Custom + Ephemeral JIT）自动 rebind memory_search_tool（scoped policy/backends：子 agent_id、父 chat_id、父 opt-in）。 语音（Realtime 与 Gemini Live）：与 Chat 共用 Settings ACL — 语音会话声明裁剪后的 memory_search_tool corpus，tool-exec 传递 enable_conversation_search 等 flags；设置里开启「历史会话搜索」后，语音也可追问「上次聊的…」。语音 transcript 仍为纯文本（暂无「依据 N」按钮）。 新用户默认开启记忆。历史会话搜索与核心记忆解耦，默认关闭直至手动开启。

​
竞品对比（诚实表述，2026-07）

Hermes 将语义记忆与会话搜索拆成独立工具；CoPaw 默认 auto-inject 历史。Myrm：单一 corpus ACL + GUI opt-in sessions + 无痕全关 + 依据 N 引用 UI。OpenClaw 有类似 corpus 模型；我们额外提供 GUI 隐私控制与统一引用。 验证（2026-07-20）：factory 单元 38 项（99.6% 覆盖）、API memory/session e2e 8 项、Chrome citation e2e 4 项、前端 vitest 7 项 — 模型 mimo-v2.5-pro（.env.test）。

​
记忆诊断可解释闭环

很多产品只告诉你“有记忆”，但不会告诉你“这一轮到底有没有真正用上记忆”。 Myrm 补齐了这条可解释链路：
  1. Stream 阶段：响应生成时输出本轮 memory status
  2. Persist 阶段：将同一标准化状态写入落库消息元数据
  3. 控制平面遥测：聚合 stream/persist 状态并对漂移与丢弃异常告警
  4. 前端解释 UI：显示 preflight 与 runtime_fallback 来源，移动端也有非 hover 文案
对真实用户的价值：
  • 信任更快恢复：用户知道为什么这次没用上记忆，不再靠猜
  • 排障成本更低：运维可按状态/来源/原因标签快速定位问题
  • 不破坏 Prompt Cache：诊断发生在模型输出后（message_end/persist），不改前缀提示词
  • 云模式不再静默污染遥测：共享去重严格 fail-closed，拒绝不安全入库并记录拒绝原因，便于快速定位故障
最近一次定向验证（2026-07-19）：
  • Server 记忆遥测回归：28 passed
  • Control-plane ingest + 鉴权 + 指标回归：55 passed
  • Frontend 记忆解释与链路回归：14 passed

​
AMO 操作 — 全覆盖

AMO 范式（2025-2026）定义完整记忆系统须支持的四种核心操作。Anthropic Dreaming 覆盖 1-2；Mem0 覆盖 Store 与部分 Retrieve。Myrm 以生产级深度实现全部四种：

​
7 信号检索融合

不同于纯向量检索，Myrm 通过加权几何平均融合 7 个独立评分信号：
  1. 语义相似度 — Qdrant 向量匹配
  2. 关键词匹配 — SQLite FTS5 + BM25 精确召回
  3. 实体匹配 — 图谱增强多跳遍历
  4. 新近性 — 指数时间衰减（各类型可配半衰期）
  5. 频率 — 访问次数对数饱和
  6. 重要性 — 用户标注或 LLM 提取的重要性
  7. 偏好 — 偏好类查询的偏好类型加权

​
反闲聊记忆（No-Op 默认）

Mem0 与 Codex 提取器偏高召回，易把瞬态想法（「你好」「今天晴天」）写入库，稀释有效约束、污染 RAG 上下文。 Myrm 采用 No-Op 默认（严格精确）：
  • 底层 LLM 提取器对琐碎输出重罚。
  • 默认返回空数组 [] 表示 No-Op。
  • 仅关键业务约束（如「必须用 Python 3.14」）与高杠杆知识越过 0.6 重要性阈值。
  • 结果：上下文纯净，长尾约束记忆近 100% 精确命中，无 Token 浪费。

​
动态时效警告（幻觉防护）

检索过时信息（如一个月前的路径）会导致朴素 Agent 盲目使用失效上下文并反复失败。 Myrm 检索器为每条情节/语义记忆注入人类可读的时间标签（如 “today”、“3 days ago”、“2 months ago”）和相关性评分。时间标签反映最新修改时间——若记忆昨天被更新，则显示 “yesterday” 而非创建日期。对敏感时效资产（如代码路径），系统动态前置 [CRITICAL WARNING]，指示 LLM：「此路径可能已过期。在代码假设前必须用 Read/Grep 验证存在。」 有效免疫 RAG 引发的代码幻觉。 另有：6 种结果增强器（关键词匹配、时间亲近度、人名匹配、引号精确匹配、偏好增强、模式匹配）、MMR 多样性重排（含跨会话源去重）、纠正链抑制（已纠正记忆自动降权 90%）、自适应双通道选择（约省 35% 查询成本）。

​
检索配置引擎

底层检索系统通过 RetrievalConfig 暴露 33 个可调参数——全部带有精心优化的默认值，无需手动调整。核心能力：
  • 3 种召回模式 — HYBRID（上下文注入+记忆工具）、CONTEXT（仅注入，适合 API/无头场景）、TOOLS（最小 token 开销）
  • 5 类独立 Boost 系统 — 关键词匹配、时间亲近度、人名匹配、引号精确匹配、偏好强度——每类均有独立启用开关和权重参数
  • 自适应双通道选择 — 根据查询复杂度自动选择摘要通道或双通道（摘要+原文）检索，节省约 35% 查询成本且不损失召回质量
  • 意图识别 — 自动识别查询意图（事实查询/偏好召回/时间查询），自适应调整检索策略
  • 5 级记忆作用域隔离 — Global → Agent → Channel → Conversation → Task，每级支持独立读写策略
  • 6 类记忆类型权重 — Profile、Semantic、Episodic、Conversation、Procedural、Claim 各自独立权重
  • 前端设置 — 4 开关（启用/确认/自动提取/预压缩）+ 1 滑块（token 预算 800–2000）+ 6 标签页——功能与简洁的最佳 UX 平衡
所有参数使用 frozen dataclass 确保线程安全。高级用户可通过服务端配置覆盖默认值；大多数用户无需任何调整。

​
知识图谱

记忆条目间关系建模为知识图谱，4 种语义关系（SUPPORTED、CONTRADICTED、SUPERSEDED、CONSTRAINED）与多跳遍历。支持 SQLite CTE 与 Apache AGE 后端，GUI 3D 可视化。 知识图谱在统一的学习旅程页面（/journey）中突出展示，用户可在同一页面中探索 Claim/Evidence 节点，同时查看技能效率趋势和成长 KPI。图谱 API 支持 namespace 过滤，可按智能体或共享上下文范围浏览知识。

​
集成记忆 — 跨平台知识融合

连接外部服务，自动将数据拉入记忆系统。任何 MCP 兼容的服务器都能零代码成为知识源：
  • MCPBridgeProvider 自动桥接任意已配置的 MCP Server（Notion、飞书、钉钉、GitHub、Slack 等）——无需为每个服务编写专用适配器
  • IntegrationSyncDaemon 自动发现你的 MCP 服务器，每 60 分钟同步一次
  • 自动知识提取 — 系统使用 LLM 从同步数据中提取高价值画像特征，直接写入你的用户画像
  • 分层树结构 — 同步内容组织为可导航的树形结构，每层配有 LLM 生成的摘要
  • 并发拉取+错误隔离 — 多个 provider 并行同步，信号量限制；单个 provider 故障不影响其他
  • 5 种预配置 OAuth 集成（飞书、钉钉、GitHub、Jira、Slack），配备凭证金库管理
  • 断开自动清理 — 移除 provider 时，其所有已同步记忆自动清理
最终效果：你的 AI 助手能理解来自所有工具的上下文，而不仅仅是对话中告诉它的内容。

​
Wiki 知识库

在智能体配置中启用 Wiki 内置工具组后，Agent 自动获得 ingest / compile / query / maintain 四工具。知识写入路径包括：文件/URL ingest、聊天「存入 Wiki」、Deep Research 自动入库、上下文压缩后会话笔记自动归档、大文件上传引导；全部写入统一 Wiki 目录，设置页展示库健康状态（已就绪 / 旧库已迁移）。消费路径包括：wiki_query 混合检索、设置页即席查询、3D 知识图谱浏览。Brain 页面提供完整 GUI：浏览概念、编辑内容、混合检索、审核待审编辑、探索知识图谱。每个用户有独立 Wiki 目录。 需要可视化摘要？直接让 Agent 在对话中生成思维导图、时间线、流程图等 13+ 种 Mermaid 图表类型——实时渲染并自适应主题配色。与模板锁定的系统不同（RAGFlow 使用 7 个固定 YAML 模板），Myrm 的 Agent 按需生成任意可视化，零预计算成本。

​
智能遗忘与无痕模式

五维遗忘策略防记忆膨胀、保留重要信息——全类型覆盖 Semantic、Episodic、Procedural 三种记忆：
  1. 新近性 — 旧记忆按可配半衰期衰减（默认 90 天）
  2. 频率 — 少访问记忆降权（access_count 全类型跨会话持久化追踪）
  3. 重要性 — 显式标记或高重要性保留
  4. 关系 — 知识图谱中关联越多保留分数越高
  5. 评分 — 用户反馈（点赞/踩）直接影响保留优先级
三种模式：DELETE（永久删除）、ARCHIVE（停用并记录原因）、MARK（仅标记不操作）。用户钉选、CRITICAL 优先级规则和近 7 天活跃记忆自动豁免。 无痕模式（阅后即焚）：敏感对话可开无痕。该会话物理禁用 AI 记忆工具；库中标记无痕、前端侧栏隐藏、全局搜索排除；后台 cron 60 分钟后物理删除。零持久化、完全隔离。

​
记忆陈旧防御

Mem0 2026 基准将「记忆陈旧」列为最难开放问题——高频但过时记忆导致自信错误。Myrm 8 层防御：

​
7 策略防碎片化系统

长时间运行的 Agent 会积累数千条记忆，碎片化不可避免 — 重复条目、过时信息和噪声会稀释检索质量。竞品（如 Hermes）仅承认问题但不提供任何缓解机制；Myrm 部署了 8 个自治策略协同工作： 效果：记忆索引始终纯净、极速、永不过载 — 无需手动清理。经 446 项自动化测试验证覆盖所有策略。

​
跨会话巩固与自主维护

Myrm 的记忆维护引擎包含 10 个专用模块（4,128 行代码），无需人工干预即可保持记忆有序。Memory Guardian 记忆守护者调度器自适应编排所有维护任务 — 健康状态每 6 小时执行一次，亚健康状态自动提频至每 2 小时并强制恢复。用户活跃时自动暂停，感知每日 Token 预算，每次维护后 SQLite 热备份，审计事件写入操作账本并通过 SSE 推送至指挥中心，自动清理过期归档和超时冲突。

​
巩固（5 种操作）

  • Merge — 合并重复或重叠记忆为单条更丰富的条目
  • Correct — 修正过时或矛盾信息，Rubric 质量评分（≥0.7 门控）
  • Update — 用最近对话的新上下文丰富现有记忆
  • Archive — 低价值记忆移入冷存储（可恢复）
  • Split — 复合记忆拆为原子事实以提升检索精度

​
三层去重

Hash 匹配（0.18ms，节省 98% 嵌入成本）→ 向量相似度 → LLM 语义判断。四种结果：跳过、替换更新、合并更新或两条保留。 实体匹配使用精确 = 比较（非子串匹配），因此 “Sam” 和 “Samsung”、“Apple” 和 “Pineapple” 等相似名称永远不会混淆——这是依赖规则化 NER + 子串去重的竞品的已知缺陷。

​
重现检测

基于嵌入的缓冲区检测同一话题跨会话出现 ≥4 次时自动触发巩固 — 受 RecMem 学术方案启发，但为生产级实现。

​
认知淘汰（Subsumption）

当新知识完全涵摄旧记忆时，系统安全软删除被涵摄条目，同时保留审计轨迹。

​
冲突裁决

当巩固检测到高重要性矛盾（新旧记忆冲突且置信度不足以自动判定）时，冲突路由至用户裁决：
  • 实时通知 — SSE 推送 + 侧边栏徽章脉冲提醒
  • 可视化对比 — ConflictCard 并排展示旧/新内容、重要度百分比、准确度评分
  • 四种操作 — 保留旧值 / 采用新值 / 自由编辑合并（LLM 预生成建议）/ 双弃
  • 72h 安全降级 — 超时未处理自动保留旧值，防止信息丢失

​
一键回滚

每次巩固操作均可零额外存储逆转 — 利用已有的 previous_content 元数据和软删除标记。GUI 中有专用的巩固回滚卡片，对用户在巩固后手动修改的记忆显示冲突警告。

​
模式发现

跨周期行为分析（每周）浮现用户可能未察觉的洞察：
  • 重复工作习惯与例行
  • 知识随时间演化
  • 未解决线程与关切
  • 跨会话偏好漂移
  • 用户从未直接提及的盲点
发现含可执行建议，Agent 通过 Heartbeat 注入主动呈现。

​
共享上下文 — 跨 Agent 知识共享

共享上下文让你创建精选知识空间，多个 Agent、频道或对话均可访问。不同于竞品基于文件的项目上下文（如 PilotDeck 的 MEMORY.md），Myrm 的共享上下文是治理化、多层级系统： 6 种绑定目标 — 将上下文绑定到 Agent、频道、定时任务、对话、任务或整个项目。 5 级 Namespace 层次 — 记忆从全局到任务级分层，确保正确信息在正确时间到达正确 Agent： 写入治理 — 写入提案需显式审批才能进入共享上下文。可为修正和目标完成配置自动审批策略。 健康监控 — 系统主动监控 Embedding 可用性，在写入失败前提前告警。 证据检索 — 浏览对话历史，查找相关证据，直接从过往对话生成可审批提案。 全流程 GUI 管理：创建上下文、绑定目标、审核写入提案、浏览历史 — 均在记忆中心的共享上下文标签页完成。

​
Agent 指令与全局记忆的边界控制

当多个 Agent 共享全局记忆时，可能出现全局偏好与某个 Agent 的专属指令冲突的情况。例如：全局记忆记录了”用户喜欢详细解释”，但你配置的代码 Agent 设定为”简洁风格”。 Myrm 在提示词层面自动注入 Scope Boundary 声明，明确告知 LLM：当全局记忆与 Agent 自身指令冲突时，Agent 指令始终优先。这确保每个 Agent 的人设和行为准则在任何情况下都不会被全局记忆破坏。
  • 零配置 — 有全局记忆时自动注入，无记忆时自动跳过
  • 零性能损耗 — 固定文本参与 Prefix Cache，对延迟无影响
  • 业界唯一 — 经全面竞品调研，目前无任何竞品实现多 Agent + 共享记忆场景下的指令边界控制

​
记忆 GUI 管理

完整的 40+ 组件交互式 GUI 取代传统的纯文本文件方式（如 MEMORY.md）。竞品 Hermes Agent 的 Web Dashboard 中零记忆管理组件。经 2,120+ 项专项测试验证（后端 2,060 + 前端 GUI 62）。记忆系统每个方面都可通过丰富的可视化界面管理：
  • 6 标签分类 — pending/all/context/shared/recall/trash 视图一键切换
  • 富化记忆卡片 — 每条记忆展示类型图标、时间戳、内容预览和操作按钮（编辑/删除/审批）
  • 记忆指挥中心 — 全景仪表板含健康分、操作时间线、治理面板和诊断（DoctorPanel）
  • 共享上下文管理 — 创建共享知识池、绑定到特定 Agent 或频道、审核写入提案、跨 Agent 知识共享审计
  • 审查队列 — AI 提取的每条记忆入库前进入审查队列。可编辑后批准、拒绝或一键批量审批，每条链接回源对话完全可溯源
  • 防覆盖锁 — 手动编辑的规则自动加上 is_user_locked 保护。6 模块技能进化流水线（trace分析→挫败检测→筛选→提取→聚合→变体生成）在合并时不会覆盖已锁定规则
  • 3D 知识图谱 — 记忆关系和连接的交互式可视化，集成到统一 /journey 学习旅程页面，与成长 KPI 和技能趋势并列展示
  • 3 重回滚 — 撤销迁移导入、合并和归档还原，dry-run 预览精确展示变更
  • 会话回放 — 回放过去的对话查看记忆如何被使用
  • 记忆溯源跳转 — 当 Agent 在回复中引用了某条记忆时，引用卡片显示「查看原始会话」链接，点击直接跳转到原始对话中的精确来源消息——从”引用了什么”到”来源于何处”形成完整闭环
  • 健康仪表板 — 实时监控记忆系统健康状态和量化评分
  • 偏好分析 — PreferenceStabilityCard 和 TasteSummaryCard 展示 AI 对你偏好的理解程度
  • 注入安全 — 双层防护：sanitize() 剥离结构性框架标签（tool_call、ChatML、CDATA）并中和 Unicode 伪造攻击，_escape_xml_item() 对 &/</> 进行 XML 实体转义后再注入 prompt。可信内容（用户配置）与不可信内容（AI 提取）物理分层，Scope Boundary 声明 Agent 指令优先于记忆内容。自动内容扫描检测提示注入攻击（CLEAN/WARN/REDACTED/BLOCKED）
  • 导入/导出 — 完整记忆导出 + 导入前 dry-run 预览（支持 12 种格式）
  • 新手引导 — 内置 MemoryGuide 引导首次使用用户
  • 一键保存到记忆 — 聊天中看到有价值的 AI 回复，点击操作栏的 BrainCircuit 按钮即可保存为长期语义记忆。三态反馈（idle → saving → saved）、防重复提交、5 语言国际化。所有竞品均无此功能

​
记忆健康

诊断系统用量化健康分监控记忆质量并提供可执行修复建议。含 14 格式导入导出、归档管理、召回基准（NDCG、MRR、精确率等 IR 指标）。

​
数据集导出

直接在设置页将对话轨迹导出为业界标准微调数据集。
  • 3 种输出格式：ShareGPT、Alpaca、OpenAI JSONL — 兼容 LLaMA-Factory、Alpaca-LoRA 和 OpenAI Fine-tuning API
  • 12 类 PII 脱敏：手机号、邮箱、身份证、银行卡、护照、地址、SSN 等 — 类型标签占位符保留结构同时移除敏感数据
  • 质量过滤：仅导出成功的、有实质内容的对话（可配置成功要求、最少轮次、最小内容长度）
  • 内容去重：SHA-256 哈希自动消除重复样本
  • 增量导出：状态追踪在后续导出时自动跳过已导出会话
  • 零运行时成本：纯本地文件处理，不调用 LLM，不影响性能

​
隐私安全规则分享

安全地将程序性记忆规则分享给队友或社区，无需担心泄露敏感信息。Myrm 自动对导出内容进行隐私脱敏：
  • 路径匿名化：用户目录路径（/Users/alice/project）自动替换为 <USER>/project
  • 凭证脱敏：API Key 和密钥截断为安全前缀（sk-pro...f456）
  • 元数据剥离：时间戳、更新计数、内部 ID 等元信息自动移除
  • 范围筛选：按 Agent ID 过滤或逐条勾选 — 只分享你想分享的
  • 格式选项：Markdown（人类可读）或 JSON（机器可导入），支持 ZIP 打包下载
  • 实时预览：导出前预览脱敏后的内容 — 所见即所得
入口：设置 → 记忆 → 安全分享规则，或通过 API：GET /api/v1/memory/operations/export/rules-safe。

​
智能跟进追踪（Commitments）

Myrm 自动从对话中检测隐含的跟进义务 — 需要安排的面试、即将到来的截止日期、需要关心的健康问题 — 并通过结构化的承诺管道追踪：
  • 异步提取：每次会话结束后，LLM 自动识别跟进事项，不阻塞对话（4 种类型：事件跟进、截止日期、关怀、开放事项；3 种敏感度：常规、个人、关怀）
  • 置信度门控：仅高置信度事项通过（阈值 ≥ 0.65，关怀类 ≥ 0.86）— 不会产生垃圾提醒
  • 心跳投递：到期事项在每次心跳时注入到 Agent 的态势报告中
  • 两阶段确认：注入只记为「尝试」；仅当 heartbeat 成功 ack 后才标记为已发送。若 Agent 回复 [SILENT]（无需汇报），事项自动延后 6 小时重试，不会被永久丢弃
  • GUI 管理：在 设置 → 记忆中心 → 智能跟进 Tab 查看、忽略或延后（卡片 UI、状态筛选、按 Agent 筛选）
  • REST API：GET/PATCH /api/v1/memory/follow-ups — 列表、忽略、延后；非法状态参数返回 400
  • 72 小时自动过期：过期事项自动清理（按 Agent/用户作用域）
  • 24 小时滚动窗口：每天最多 3 条通知，防止通知疲劳
入口：设置 → 记忆中心 → 智能跟进。

​
实时记忆通知

当 Agent 在后台默默学习你的偏好时，Myrm 通过实时 GUI 通知让你始终知情：
  • 自动提取 toast：上下文压缩驱逐工具调用内容时，harness 框架在后台将其提取为长期记忆。完成后弹出 toast 通知：“已从对话中记住 N 条偏好”
  • 节流合并：2 秒内多次提取合并为一个通知，避免通知轰炸
  • 一键查看：每条通知内置”查看记忆”按钮，直接跳转记忆中心
  • 召回范围更新：对话的记忆召回包含/排除状态变更时，toast 确认并附带可读描述
  • 静默容错：SSE 推送失败时记忆提取继续进行 — 通知是尽力而为，绝不阻塞核心流程
  • 5 语言 i18n：通知完整支持中文、英文、日文、韩文、德文
这确保了”越用越聪明”的体验是透明且值得信赖的 — 用户始终知道 Agent 学到了什么，并可即时查看。

​
会话笔记 — 零成本任务连续性

当对话增长到需要压缩时，传统方案使用 LLM 生成摘要 — 消耗 token 且可能丢失重要细节。Myrm 维护会话笔记 — 一个 8 段式结构化认知模型，AI 在后台增量构建： 需要压缩时，会话笔记替代旧消息，零额外 API 调用 — 不需要 LLM 生成摘要。结合 8 种循环检测算法和 7 个领域专业建议生成器，确保长任务始终保持正轨，不会目标漂移。

​
进化复盘 — 行为模式发现

Myrm 周期性分析你的累积记忆，发现行为模式 — 反复出现的习惯、演变中的偏好和衰退中的趋势，这些你自己可能不会注意到的变化。 工作原理：
  1. 每 168 小时（或通过”立即分析”按钮手动触发），整合 LLM 检查你的记忆图谱
  2. 在 5 个类别中识别模式：工具偏好、工作流习惯、沟通风格、话题兴趣、时间倾向
  3. 每个模式按置信度（0–1）和持久性（萌芽 → 稳固 → 衰退）评分
  4. 高置信度模式自动晋升为 ProceduralRule — 让 AI 越来越懂你，无需手动配置
你看到的界面： 在成长面板 → “进化复盘” 标签页中：
  • 卡片式模式列表，展开可查看证据摘要
  • 持久性徽章（紫色 = 稳固、橙色 = 衰退、灰色 = 萌芽）
  • 置信度分数带颜色编码指示器
  • 每个发现模式的可操作建议
  • 手动触发按钮可立即执行分析
成熟度门控： 模式发现仅在累积 ≥ 50 条记忆且完成 ≥ 3 次整合周期后启动 — 确保有意义的分析而非过早结论。 成本： 每周约 $0.05，使用整合 LLM（非主对话模型）。 入口：成长面板 → 进化复盘标签页。

​
自动避坑 — 从错误中学习

传统 AI 助手每次会话都是”重新开始”，同样的坑反复踩。Myrm 内建三重自动避坑机制，让 AI 越用越靠谱： 工作流示例：
  1. 你说”不要再用 sudo 执行命令了” → 系统零延迟捕获为高优先级规则，绑定 bash_code_execute_tool
  2. AI 用错了 API → 你纠正 → 系统存储 source_error: "用了废弃的 v1 API" + 正确做法
  3. 下次相关场景 → 检索自动返回这条纠正记忆，附带 (avoid: 用了废弃的 v1 API) 标签
  4. 已纠正的旧记忆自动降权 90%，不会再被优先召回
安全网： 所有避坑记忆按智能体级别隔离（Scope = AGENT），切换智能体时仅召回该智能体的专属经验，避免跨场景误导。

​
遗忘权 — 记忆级联删除

当你从回收站永久删除一个会话时，Myrm 会自动移除从该对话中衍生的所有记忆 — 语义事实、情景事件、规则、以及待审核项。 工作流程：
  1. 打开侧边栏的回收站，选择要永久删除的会话
  2. 确认弹窗会显示将受影响的记忆条数
  3. 确认后，所有标记了该会话 source_chat_id 的记忆会从所有存储中被清除（向量库 + 关系库）
为什么重要：
  • 真正的隐私：删除会话意味着 AI 真正遗忘了从中学到的一切 — 不会有”幽灵记忆”影响未来回复
  • 测试零污染：删除实验性对话而不会用错误记忆污染知识库
  • 符合 GDPR 精神：实现了”被遗忘权”的实质 — 删除是彻底且可验证的
覆盖范围： 批量操作： “清空回收站”会对每个被删除的会话执行级联清理，确保彻底干净。

​
Embedding 配置

Myrm 开箱支持 7+ 家 Embedding 服务商。在设置 → 检索 → Embedding中配置： 本地 Embedding（Ollama） — 数据完全不出设备。安装 Ollama 后，执行 ollama pull nomic-embed-text（或 bge-m3 支持中英双语），然后按上表配置即可。

​
Embedding 模型迁移

当你在设置中更换 Embedding 模型后，之前存储的记忆是以旧模型的向量编码的，新模型无法检索到它们。Myrm 透明地处理了这个问题：
  1. 自动检测 — 保存新 Embedding 模型后，系统自动扫描”孤儿集合”（以旧模型存储的记忆）
  2. 内联提示 — 如检测到孤儿记忆，设置页面会显示琥珀色横幅，展示受影响的记忆数量
  3. 一键迁移 — 点击”迁移”按钮，使用新模型重新嵌入所有孤儿记忆。该过程复用已有的导出/导入管道
  4. 安全可逆 — 原始集合保留不删除，即使迁移中断也不会丢失数据
  5. 健康诊断集成 — probe_orphan_collections 检查会出现在健康诊断中，确保长期可感知
费用说明： 迁移会通过你配置的 Embedding 提供商重新嵌入文本。迁移前显示的预估数量可帮助你预判 API 用量。