8.7 KiB

Raw Blame History

Memory-OS 7 层记忆架构与织忆对比

来源：微信公众号文章「7 层记忆架构！给 Agent 装个真正的 "记忆操作系统"」(2026-07-01 提取) GitHub 项目：Memory-OS（3天 648 star），专为 Hermes-Agent 设计的记忆升级系统提取日期：2026-07-01

一句话定位

Memory-OS 是 Hermes Agent 原生记忆系统之上叠加的 7 层记忆增强层，不是独立系统。它改了 Hermes 的 Icarus 插件（pre_llm_call 注入）、加了新存储层（Facts/Qdrant/Wiki）、扩展了 Ground Truth 层级——对 Hermes 有侵入性。

织忆是完全独立的记忆后端服务，通过 HTTP + Rust IPC 插件桥接 Hermes。两套系统架构理念不同，但 Memory-OS 的设计值得参考。

7 层对照总表

层级	Memory-OS	织忆	差距
L1 Workspace	MEMORY.md + USER.md + CREATIVE.md（常驻）	MEMORY.md + USER.md（Hermes 原生）	❌ 无 CREATIVE.md 隔离
L2 Sessions	FTS5 全文索引 + Icarus 自动注入	state.db + session_search 工具	❌ 无自动预注入（需 Agent 主动调）
L3 Facts	结构化事实 + 信任评分（全新）	织忆 knowledge graph（语义关系）	❌ 无信任评分 / fact_feedback 循环
L4 Fabric	LLM 提取跨会话经验卡片（重写 Icarus）	织忆 episodes 表（206 条）	⚠️ 织忆有但提取逻辑未 LLM 化
L5 Qdrant	Dense + BM25 双检索 + 4 级降级	bge-m3 向量 + 语义搜索	⚠️ 织忆无 BM25 稀疏 + 无显式降级策略
L6 Wiki	双定时任务自动策展知识库	无此层	❌ 织忆无自动知识策展
L7 Ground Truth	4 级权威层级，强制 Agent 使用	SOUL.md 3 级 + rulebook.md	⚠️ 织忆层级少，无"注入记忆优先"prompt

可借鉴的设计

1. 信任评分机制（L3 Facts）

fact_feedback 工具：
  每次都调用 fact_feedback 反馈有用/无用
  trust_score 基于 retrieved / helpful 比值计算

织忆可以做：给图谱边或 memory 条目加 recall_count / useful_count，算置信度。当前 graph.db 没有这个字段。

2. 4 级降级策略（L5 Qdrant）

Level 1 → Dense + BM25 RRF 混合检索
Level 2 → 仅 Dense 向量检索
Level 3 → grep 目录下 .md 文件（词法）
Level 4 → SQLite 搜 lineage 表
全挂 → fail-open，不阻塞 Agent

织忆当前：只走 LanceDB 语义搜索。如果 LanceDB / bge-embed 挂了 → 没有降级备份。

3. FTS5 自动注入（L2 Sessions）

Memory-OS 的做法是让 Icarus 在 pre_llm_call 阶段自动查相关历史注入系统提示，不等 Agent 调用 session_search。

织忆当前：靠 Hermes 原生的 memory_search / memory_graph_navigate 工具，Agent 必须主动调用。

4. CREATIVE.md 隔离（L1 Workspace）

MEMORY.md = memory 工具写（环境事实、约定）
USER.md   = 用户手写（画像、偏好）
CREATIVE.md = Icarus 写（学习心得、状态）

解决了 memory 工具和 Icarus 双写入冲突。

织忆当前：MEMORY.md 同时被 memory 工具和织忆 commit 写入，有同样冲突风险。

5. 强制注入优先级 Prompt（L7）

2. **Injected memory — [qdrant], [fabric], [sessions], [facts]** — 
   Ground truth for documented knowledge and prior decisions. When 
   injected memory contradicts your assumptions or training knowledge, 
   injected memory wins. Never treat a question as novel when the answer 
   is already in your prompt.

织忆当前：SOUL.md 有 Ground Truth 层级但缺少这样的显式注入记忆优先指令。

架构差异

维度	Memory-OS	织忆
进程架构	Hermes 进程内插件（Icarus 钩子）	独立 Go daemon + Rust sidecar
依赖度	强依赖 Hermes	框架无关，HTTP API 对接任何 Agent
存储引擎	Hermes 原生 SQLite + Qdrant	LanceDB + SQLiteGraphStore
向量维度	Qwen3-Embedding-8B 4096维	bge-m3 1024维
注入方式	pre_llm_call 钩子自动注入	Agent 主动调用工具触发
Wiki 能力	双定时任务自动策展	无

实际源码阅读补充（2026-07-01 全量 Clone + 读代码后）

已 clone 到 /tmp/memory-os/ 并 push 到 Gitea xiaoxue_admin/memory-os 本次阅读了 hooks.py（1109行，含完整 pre_llm_call 注入链）、tools.py（16个 fabric 工具）、所有 7 层文档

核心发现：Icarus 自动注入的实现细节（hooks.py）

Memory-OS 的关键差异在 Icarus hooks 的 pre_llm_call 注入机制。每轮对话前自动执行：

# hooks.py 注入链（283-434行）
pre_llm_call(user_message):
  ├── _is_social_close(message)?       # 社交关闭检测：ok/thanks/emoji → 不搜索
  ├── _search_qdrant(query, top_k=2)   # Qdrant 语义检索 → [qdrant]
  │   ├── embed_query() → dense 向量
  │   ├── embed_query_sparse() → BM25 稀疏向量
  │   └── search_with_fallback() → 4级降级
  ├── _search_sessions(query)          # FTS5 会话搜索 → [sessions]
  │   ├── FTS5 OR 查询：取用户消息中 ≥4 字符的 token
  │   ├── 排除当前会话
  │   └── Python 层去重
  └── _search_facts(query)             # 结构化事实 FTS5 → [facts]（仅首轮）
      ├── 查 memory_store.db facts_fts
      └── 返回 content[:200] + trust_score

关键模式差异：

Memory-OS：事件驱动 — 每轮自动注入，Agent 无需操心
织忆：轮询驱动 — Agent 主动调工具，不调就没有

信任评分实现细节（facts 表）

CREATE TABLE facts (
  fact_id INTEGER PRIMARY KEY,
  content TEXT, category TEXT, entities TEXT,
  trust_score REAL DEFAULT 0.50,     -- 贝叶斯先验
  retrieval_count INTEGER DEFAULT 0,
  helpful_count INTEGER DEFAULT 0,
  created_at TEXT, last_accessed_at TEXT
);

织忆差距：graph.db 的 edge 表中已有 weight 字段，但没有 retrieval_count / helpful_count / trust_score。改 SQLite schema 3 行 SQL 即可解决。

4 级降级的实际代码路径

# context_enhancer.py 中的 search_with_fallback
def search_with_fallback(dense_vector, sparse_vector, query_text, ...):
    try:
        # Level 1: Hybrid (dense + sparse → RRF)
        return hybrid_search(...)
    except:
        try:
            # Level 2: Dense only
            return dense_search(...)
        except:
            try:
                # Level 3: Lexical (grep vault/*.md)
                return lexical_search(query_text)
            except:
                try:
                    # Level 4: SQLite lineage table
                    return sqlite_search(query_text)
                except:
                    return []  # fail-open

织忆当前是 Level 2 only（bge-embed vector search）。加 Level 1（BM25）需要 ONNX 模型或 fastembed；加 Level 3/4 简单，直接 grep graph.db 或 LanceDB 的 content 字段。

| 织忆可能受益的点（优先级排序，2026-07-01 源码更新版）

优先级	借鉴项	实现方式	实现成本	价值	当前状态
P0	降级策略 — bge-embed 挂了走 fallback	zhiyid recall handler 加 3 级退化：① LanceDB → ② graph.db LIKE 搜索 → ③ 返回空	低（改 1 个 Go handler）	高，消除单点故障	未实现
P1	自动注入钩子 — pre_llm_call 自动查织忆	改 Hermes 织忆插件，加 `on_session_message` 钩子：取消息最后 200 字 → `zhiyi_recall()` → `[织忆]` 注入 system prompt	中（改 Python 插件 ~50 行）	高，减少 Agent 遗	未实现
P2	信任评分 — graph 边 / memory 条目加反馈闭环	① graph.db edge 表加 `retrieval_count` + `helpful_count` + `trust_score` ② 新增 `POST /api/v1/graph/edge/feedback` 端点 ③ zhiyid 自动调用（类似 Memory-OS fact_feedback）	中（SQLite + 1 API + 1 定时任务）	中，消除矛盾信	未实现
P3	CREATIVE.md 隔离 — 防止双写入冲突	SOUL.md 新增 `CREATIVE.md` 章节，织忆 commit 目标改写 CREATIVE.md 而非 MEMORY.md	低（改 skill 工具~10 行）	中，防冲突	未实现
P4	强制注入 Prompt — SOUL.md 加优先指令	SOUL.md Ground Truth 加 Level 2：`Injected memory [织忆] wins over assumptions`	极低（改 SOUL.md）	中，减少遗忘	⚠️ 已部分实现（4 级但有 gap）
P5	Wiki 策展 — 自动知识库	LLM 双定时任务提取 raw/ → 概念/实体/对比 → 嵌入 Qdrant	高（全新子系统）	低，当前非核心	跳过

8.7 KiB Raw Blame History Unescape Escape

Memory-OS 7 层记忆架构 与 织忆对比