> ## Documentation Index
> Fetch the complete documentation index at: https://docs.myrmagent.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# 记忆系统

> 跨会话记忆，含知识图谱、7策略防碎片化与智能遗忘。

# 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）：

| 类型               | 记住什么        | 示例                              |
| ---------------- | ----------- | ------------------------------- |
| **Profile**      | 用户身份与属性     | 「用户是全栈工程师」                      |
| **Semantic**     | 事实知识与偏好     | 「用户偏好 TypeScript 而非 JavaScript」 |
| **Episodic**     | 带时间上下文的具体事件 | 「昨天帮忙修了登录页 bug」                 |
| **Conversation** | 对话上下文摘要     | 跨会话话题连续性                        |
| **Procedural**   | 做法（触发→动作规则） | 「部署需要先 build 再 push」            |
| **Claim**        | 用户断言与纠正     | AI 尊重你的纠正                       |
| **Task Digest**  | 任务执行摘要      | AI 记住完成了什么                      |
| **Integration**  | 第三方服务数据     | 日历、Git 活动                       |

## 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。

| 层                  | 做什么                                                                                        | 你需要做什么                       |
| ------------------ | ------------------------------------------------------------------------------------------ | ---------------------------- |
| **L1 Stable 画像**   | 注入稳定 Profile、规则与长期偏好                                                                       | 开启记忆（无痕模式全关）                 |
| **L2 工具 · memory** | `memory_search_tool(corpus=memory\|wiki\|sessions\|all)` + `memory_save` + `memory_manage` | Agent 按需调用；统一 **依据 N** Sheet |
| **Sessions ACL**   | 历史原文搜索仅在设置 → 记忆 → **历史会话搜索** 开启时可用                                                         | Opt-in（默认关）                  |

**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：

| 操作             | 作用                 | Myrm 实现                                  |
| -------------- | ------------------ | ---------------------------------------- |
| **Store**      | 带来源追踪的结构化写入        | 8 类型 + 5 级作用域 + 纠正链 + 置信度评分              |
| **Forget**     | 合规删除 + 时间衰减 + 认知降噪 | 5 维保留评分 + 3 模式（软/硬/归档）+ 偏好生命周期           |
| **Retrieve**   | 意图感知多信号检索          | 7 信号融合（语义+BM25+实体+新近+频率+重要性+偏好）+ MMR 多样性 |
| **Synthetize** | 跨会话知识蒸馏            | 巩固（5 操作）+ 模式发现 + 涵摄 + 层次树摘要              |

## 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：

| 层 | 机制                        | 效果                                |
| - | ------------------------- | --------------------------------- |
| 1 | 时间保留衰减（90 天半衰期）           | 旧记忆自然降权                           |
| 2 | 检索新近信号（7-30 天半衰期）         | 陈旧记忆排名更低                          |
| 3 | 偏好稳定性生命周期（6 类独立半衰期）       | 偏好按类自动衰减                          |
| 4 | 巩固矛盾检测                    | 新旧冲突自动纠正                          |
| 5 | 新对话提取器自动更新                | 新事实替换过时信息                         |
| 6 | 涵摄认知巩固                    | 新知识涵摄旧记忆                          |
| 7 | LLM 过期审查（每条记忆独立时效 + 语义验证） | 超期事实经 LLM 审查 — KEEP/EXTEND/REMOVE |
| 8 | 用户显式纠正                    | 纠正链 + 惩罚评分                        |

## 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：

| 策略          | 功能                                     | 关键指标                       |
| ----------- | -------------------------------------- | -------------------------- |
| **5维遗忘**    | 时间/频率/重要性/相关性/复合保留评分                   | 每类别可配置半衰期                  |
| **LLM过期审查** | 每条记忆独立 TTL + LLM 语义验证过期事实              | 严重度排序 + batch限制 + KEEP冷却期  |
| **3层去重**    | Hash→向量→LLM 渐进式去重                      | 首层 0.18ms O(1)，节省 98% 嵌入成本 |
| **合并冶炼**    | 跨会话 merge/correct/update/archive/split | 5种操作 + Rubric 质量门控 ≥0.7    |
| **认知擦除**    | 完全被涵摄的旧记忆软删除                           | 保护用户独特偏好                   |
| **循环检测**    | 主题重复出现时触发精炼                            | ≥4次循环自动巩固                  |
| **模式发现**    | 挖掘跨周期行为洞察                              | 每周分析+可执行建议                 |
| **偏好稳定**    | 类别感知的证据生命周期管理                          | 6个类别×独立半衰期                 |

**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：

| 层级           | 范围       | 示例                        |
| ------------ | -------- | ------------------------- |
| Global       | 所有 Agent | "公司使用 TypeScript + React" |
| Agent        | 单个 Agent | "此 Agent 专注后端开发"          |
| Channel      | 频道级      | "Slack 频道项目偏好"            |
| Conversation | 对话级      | "当前讨论上下文"                 |
| Task         | 任务级      | "本次部署任务约束"                |

**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：

| 段落    | 追踪内容              |
| ----- | ----------------- |
| 会话标题  | 对话的简短特征性标题        |
| 当前状态  | 正在进行的工作、待完成任务、下一步 |
| 任务规格  | 用户要求构建什么、设计决策     |
| 文件与函数 | 重要文件、路径、关键函数、交互关系 |
| 工作流程  | 执行的命令、顺序、输出解读     |
| 错误与纠正 | 遇到的错误、修复方式、失败的方法  |
| 关键发现  | 重要发现、结论、精确答案      |
| 工作日志  | 逐步记录尝试和完成的操作      |

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：

| 层   | 机制          | 工作方式                                                 | 成本          |
| --- | ----------- | ---------------------------------------------------- | ----------- |
| 实时  | **工具级失败捕获** | 同一工具连续失败 2 次自动记录为行为规则 + 用户禁令实时检测（中英双语）               | 零 LLM       |
| 会话级 | **纠错链**     | 当你纠正 AI 时，系统将错误方法和正确做法配对存储；下次检索时自动附带"避免: …"提示        | 提取时 1 次 LLM |
| 跨会话 | **目标复盘**    | 长任务完成后提取 Gotchas（踩坑记录）、Patterns（有效模式）和 Context（项目事实） | 提取时 1 次 LLM |

**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：**

| 记忆类型  | 存储引擎         | 级联行为                    |
| ----- | ------------ | ----------------------- |
| 语义记忆  | 向量库 (Qdrant) | 按元数据过滤删除                |
| 情景记忆  | 向量库 (Qdrant) | 按元数据过滤删除                |
| 对话记忆  | 向量库 (Qdrant) | 按元数据过滤删除                |
| 规则记忆  | 向量库 (Qdrant) | 按元数据过滤删除                |
| 待审核记录 | 关系库 (SQLite) | 按 source\_chat\_id 索引删除 |

**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：

| 服务商                       | 配置方式                                                                                                 |
| ------------------------- | ---------------------------------------------------------------------------------------------------- |
| OpenAI                    | 选择服务商，选模型（`text-embedding-3-small`），输入 API Key                                                       |
| Jina AI / Cohere / Voyage | 选择服务商，选模型，输入 API Key                                                                                 |
| 硅基流动                      | 选择服务商，选模型（`BAAI/bge-m3` 等免费可用），输入 API Key                                                            |
| Azure OpenAI              | 选择服务商，输入部署名 + API Key                                                                                |
| **Ollama（本地）**            | 选择 "OpenAI Compatible"，API Base 填 `http://localhost:11434/v1`，模型名填 `nomic-embed-text`，API Key 填任意非空值 |

**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。