Skip to content

agentmemory 借鉴研究 #450

Closed
Closed

Description

@ranxianglei

upup,这个agentmemory项目不知道你了解过没有,可以看看它里面有没有一些你的项目可以借鉴的地方:https://github.com/rohitg00/agentmemory

Activity

  1. ranxianglei commented on Sep 2, 2026

    @ranxianglei
    OwnerAuthor

    🤖 ework agent · qwen3.8-27b

    [bot] 🏷 看完了,clone 下来逐层读了一遍(DESIGN.md 其实是份 Lamborghini 视觉稿,真正的架构在 README + AGENTS.md + src/)。先给结论,再说细节。

    结论

    agentmemory 和我们在不同层,互补而非竞争 —— 能借鉴的是它的几个机制,不是照搬形态。它是跨会话的持久记忆库(跑在 iii-engine 的 Worker/Function/Trigger 三原语上,SQLite 状态,4 个端口,54 MCP 工具 / 130 REST / 12 hooks),解决"下次开会话还得重新解释一遍架构/偏好";我们是单会话内的上下文压缩代理(acp-kernel 把已消费对话折成可逆分层摘要,prefix-cache 友好),解决"一个会话跑几天、token 爆炸"。一个管长期记忆,一个管工作记忆压缩。

    真正值得借鉴的(按推荐度排序)

    1. 实时「上下文窗口」可视化(借鉴它 :3113 viewer)⭐ 首选
    它有 live viewer:observation 流、session 列表+详情、记忆行可展开看原始 JSON、知识图、replay、健康面板。我们现在只有配置型 Web UI(config + context-window 指南),看不到"活的"压缩状态:当前折叠视图长啥样、block 树、每个 block 压掉多少 token、decompress 血缘、orphan-gc 何时触发。这对调试我们自己的压缩行为(#377 那类 system 位置问题、nudge 时机、orphan GC)价值很大,且是在现有 web/ 上扩展、无安全权衡。投入中等,收益确定。

    2. 语义混合召回(借鉴它 BM25+向量+图 RRF 融合检索)— 潜力最大,但要你拍板
    它的检索 = BM25(词干+同义词) + 本地向量余弦 + 图遍历,RRF(k=60) 融合 + 会话去重;LongMemEval-S 上 R@5 从纯 BM25 的 86.2% 提到 95.2%。我们的 search_context 目前是对摘要文本做关键词匹配——摘要一旦把某词意译掉就漏检。加一层轻量本地 embedding(它用 Xenova/all-MiniLM-L6-v2,可选依赖,keyless 时回退 BM25)能让 search_context / decompress 定位更稳。但这是方向性选择:会碰到我们"dist 零运行时依赖"原则(得做成可选依赖 + 首次下载模型那套)。我没直接动手,想听你的:要不要往这走?走的话我先出方案再实现。

    3. 落盘数据的隐私一致性(借鉴它写入前 privacy filter)— 真实但优先级中
    它存之前剥掉 API key / secret / <private> 标签。我们的 log-mask.ts(#255) 只脱敏了日志(bili.log / launcher log);而 persist.ts 把每会话的 blockContents(原始内容缓存,供重启后重建折叠视图)原样写盘到 state 目录,没走同一套脱敏。要讲清楚的缓解因素:客户端自己的 transcript(如 Claude 的 ~/.claude/projects/*.jsonl)本来就在本机明文,所以这不是新增的大漏洞,更像"日志脱敏了、磁盘存储没对齐"的一致性/加固点。可选做法:对 blockContents 套用同一套凭据脱敏,或收紧文件权限并文档化。建议评估,不急。

    4. 衰减 / 重要性加权保留(Ebbinghaus 衰减 + 访问频率强化 + 自动淘汰)— 锦上添花
    我们有 orphan-gc(按锚定判孤儿,连续 3 轮全孤儿才回收),但没有"访问频率/重要性"维度。可让常被 decompress 的 block 活得久、冷 block 早点淘汰。属精修不是缺口,低优先。

    明确不借鉴的(评估过,范式不符)

    知识图谱抽取+BFS、多 agent 租约/信号/actions、4 层记忆类型固化(working/episodic/semantic/procedural)、17 skills 体系、iii-engine 三原语运行时——这些是"记忆引擎"的骨架,塞进"压缩代理"会污染边界,违背我们零依赖、单进程代理的定位。另外它的"后台压缩用便宜模型"成本策略对我们基本不适用:我们把压缩折进主请求走 acp-kernel,没有独立的后台压缩 LLM 调用这条路。

    我的建议

    这是研究/讨论阶段,我还没动代码。你定方向,我就开工(做完按规矩开 PR)。

  2. ranxianglei commented on Sep 3, 2026

    @ranxianglei
    OwnerAuthor

    结论,最好的记忆就是:

    1. 出色的上下文管理,以至于不需要外部记忆管理也可以胜任任务.
    2. 真正需共享的记忆最好的策略是写文档,而不是共享压缩记忆.

    本issue关闭.

  3. ranxianglei commented on Sep 3, 2026

    @ranxianglei
    OwnerAuthor

    🤖 ework agent · qwen3.8-27b

    [bot] 🏷 收到,认同,也正好就是 bili 的定位:把单会话内的上下文管理做到极致(增量、可逆、prefix-cache 友好),让绝大多数任务根本不需要跨会话的外部记忆;而真正要沉淀 / 多人共享的东西,写进文档比塞进压缩摘要更稳、更可直接检索。

    所以 agentmemory 那套「持久记忆引擎」对我们不是方向,只是个别机制的参考。其中唯一还贴着主线的,是我列的 #1「实时上下文窗口可视化」——它是把上下文管理这件事本身看清楚(block 树、折叠视图、orphan-gc 触发),不属于外部记忆,需要时随时可以单独开。其余(语义召回、落盘隐私对齐等)按你的结论先不排期。

    issue 按你的结论关闭。👍

Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment

Metadata

Metadata

Assignees

No one assigned

    Labels

    Projects

    No projects

      Milestone

      No milestone

      Relationships

      None yet

      Development

      No branches or pull requests

      Issue actions