​

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）：

​

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。

​

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 [Created: YYYY-MM-DD]。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：5 种结果增强器、MMR 多样性重排、纠正链抑制、自适应双通道选择（约省 35% 查询成本）。

​

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记忆条目间关系建模为知识图谱，4 种语义关系（SUPPORTED、CONTRADICTED、SUPERSEDED、CONSTRAINED）与多跳遍历。支持 SQLite CTE 与 Apache AGE 后端，GUI 3D 可视化。

​

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：

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
3. 重要性 — 显式标记或高重要性保留
4. 相关性 — 上下文不匹配归档
5. 综合 — 各维加权组合

三种模式：软（排序降权）、硬（永久删除）、归档（冷存储）。 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 7 层防御：

​

跨会话巩固

定期巩固用 LLM 分析累积记忆，检测矛盾、冗余并生成洞察：

• Merge — 合并重复或重叠记忆
• Correct — 修正过时或矛盾信息
• Update — 用新上下文丰富现有记忆
• Archive — 低价值记忆移入冷存储
• Split — 复合记忆拆为原子事实

一键回滚零额外存储 — 用现有元数据机制逆转巩固操作。

​

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。

​

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 10 格式导入导出、归档管理、召回基准（NDCG、MRR、精确率等 IR 指标）。