DEV Community

Manoir Yantai
Manoir Yantai

Posted on

三层记忆召回：AI Agent 如何从「记住」进化到「知道」

#ai #opensource #automation

两年前我写第一个 Agent 时，最头疼的问题不是模型不够聪明——而是它每开一个新会话就失忆。后来有了 RAG，有了向量数据库，但新的问题来了：笔记散落在本地，论文在 PDF 里，收藏的网页在书签里，知识图谱自己又建一套。三个库互不打通，召回时各查各的，结果就是 Agent 的「记忆」有缝——同一个话题，FTS5 命中一条，语义检索命中另一条，知识图谱再冒出第三条，没人帮你合并。

Knowledge-and-Memory-Management v0.0.2 的核心理念就一句话：知识的价值不在于存了多少，而在于调用时能一次性拿出全部相关材料。

三层不是三层独立，是一条链

项目实现了 FTS5（SQLite 全文搜索）→ Hindsight（PG16 语义向量）→ gbrain（知识图谱关键词）的链式召回。不是三个接口让 Agent 自己选，是 lightweight_recall.py 一个入口自动走完三级：

用户查询
  → L1: FTS5 全文搜索 (state.db，0.1s)
  → 命中 score ≥ 0.6 直接返回（90% 场景）
  → L2: Hindsight 语义向量 (PG16，<15s)
  → L3: gbrain 关键词搜索 (8787端口，<1s)
  → 三级合并 → RECALL_CONTEXT.md
Enter fullscreen mode Exit fullscreen mode

代码极简：

from knowledge_management.lightweight_recall import recall

result = recall("Agent 记忆系统设计", top_k=10)
print(f"FTS5: {result.fts5_count}, Hindsight: {result.hindsight_count}, gbrain: {result.gbrain_count}")
print(f"最终返回 {len(result.merged)} 条，已去重排序")
Enter fullscreen mode Exit fullscreen mode

比召回更重要的：采集闭环

单纯架个 RAG 谁都会，真正拉开差距的是知识怎么进来的。项目围绕这一点设计了完整的采集管线——网页 9 种引擎（含 Scrapling 反爬）、视频 12 种工具（含抖音批量 ASR）、文档 SenseNova 三件套（PDF/PPT/Word 全量提取）、710+ 本书籍自动精炼管线。采集完，笔记落盘、知识图谱录入、云盘同步一条龙自动跑完，不需要手动搬运。

v0.0.2 还加了知识发现模块——每周日自动扫描 OneDrive 中新笔记、录入 gbrain、修复孤页。你甚至不用主动「保存」，Agent 会自己发现。

开发者视角

这套系统 GitHub 开源（mage0535/Knowledge-and-Memory-Management），基于 hermes-memory-installer 底座，依赖 gbrain + Hindsight。安装就是 bash install.sh 一件事。如果你已经在跑 Hermes Agent，加这个等于给你的 Agent 装上「长期职业记忆」——不是记住聊天历史，是真的能用知识工作。

你甚至可以把它当个人知识库用：采集网页→自动生成笔记→同步到 OneDrive，纯命令行操作，比 Notion 快多了。

Top comments (0)