Agent Memory System 是一个智能体记忆系统，目的是：
- 理解 AI Agent 的记忆机制
- 掌握六层记忆系统设计（认知科学驱动）
- 学习混合检索技术（BM25 + 语义向量）
- 掌握 Embedding 抽象层设计
- 为面试提供可讲解的项目经验
- 理解记忆的分类（感觉/短期/工作/长期）
- 实现基础的记忆存储
- 实现记忆的增删改查
- 实现记忆管理器
- 实现记忆流转机制
- 实现遗忘机制（艾宾浩斯曲线）
- 理解向量嵌入概念
- 实现简单的向量存储
- 实现相似度搜索
- Embedding 抽象层（多模型支持 + 自动降级）
- 混合检索引擎（BM25 + 语义 + RRF 融合）
- 记忆整合器（压缩/去重/重要性评估）
- 情景记忆 + 语义记忆
- SQLite 持久化
- Web API + 桌面 GUI
- 集成 ChromaDB / FAISS
- 多 Agent 记忆共享
- 记忆可视化仪表盘
- 单元测试覆盖
- 六层记忆架构：为什么需要多级记忆？每一层的设计依据？
- 记忆流转：短期记忆如何变成长期记忆？
- 遗忘机制：基于艾宾浩斯曲线的渐进衰减 vs 简单 TTL
- 混合检索：BM25 + 语义向量的融合策略
- Embedding 抽象：策略模式 + 工厂模式 + 自动降级
Q: 为什么 Agent 需要记忆系统？
没有记忆的 Agent 每次对话都是从零开始。记忆系统让 Agent 能够：
- 保持对话连贯性
- 学习用户偏好
- 积累知识和经验
Q: 六层记忆各有什么用途？
- 感觉记忆：缓存输入流，极短暂（环形缓冲区）
- 短期记忆：当前对话上下文（重要性淘汰）
- 工作记忆：当前任务相关信息（LRU 淘汰）
- 长期记忆：持久化的知识和经验（三因子评分 + 自动遗忘）
- 情景记忆：对话历史管理（按会话组织）
- 语义记忆：事实知识图谱（三元组存储）
Q: 如何实现记忆的遗忘？
基于艾宾浩斯遗忘曲线：
score = importance × 2^(-t/T_half)
- 新记忆衰减快
- 重要记忆衰减慢
- 频繁访问的记忆更持久
- 渐进衰减而非突然删除
Q: 混合检索的原理是什么？
- BM25 检索：TF-IDF 变体，擅长精确匹配
- 语义检索：Embedding 向量余弦相似度，擅长语义理解
- RRF 融合：
score = Σ 1/(k + rank_i)，综合两路排名- Reranker 重排序：二次排序提升最终质量
agent_memory_system
├── 被 agent_platform 使用（Agent 记忆）
├── 被 multi_agent_crew 使用（团队共享记忆）
├── 使用 knowledge_graph 的知识
└── 可被 agent_evaluator 评估
- 核心：Python 3.8+, dataclasses, abc
- 可选：sentence-transformers, scikit-learn
- Web：FastAPI, Uvicorn, Pydantic
- 持久化：SQLite（WAL 模式）
# 运行示例
python examples/memory_demo.py
python examples/enhanced_demo.py
python examples/vector_search.py
# 启动 Web API
python -m src.web.app
# 启动 macOS GUI
python -m src.macos.app
# 验证安装
python -c "from src import create_memory_manager; print('OK')"