全部技能
我安装的
Agent Memory
去试试


统一Agent记忆与知识管理系统 — 七种记忆分类（工作/语义/情节/程序/检索/参数/前瞻）、 M_sys=<R,S,Q,U>系统形式化、版本化事实、写入/读取门控、Query Planner、时间感知评测、 局部维护策略、分层存储（HOT/WARM/COLD）、学习捕获、自我批评（Constitutional AI）、经验推广。 融合 arXiv:2606.24775 论文工程结论 + 7-Type Memory 架构指南 + v4.0 实践经验。



name
agent-memory
version
5.0.0
description
统一Agent记忆与知识管理系统 — 七种记忆分类（工作/语义/情节/程序/检索/参数/前瞻）、 M_sys=<R,S,Q,U>系统形式化、版本化事实、写入/读取门控、Query Planner、时间感知评测、 局部维护策略、分层存储（HOT/WARM/COLD）、学习捕获、自我批评（Constitutional AI）、经验推广。 融合 arXiv:2606.24775 论文工程结论 + 7-Type Memory 架构指南 + v4.0 实践经验。
融合 arXiv
2606.24775 论文工程结论 + 7-Type Memory 架构指南 + v4.0 实践经验。
disable
false
Agent Memory v5.0 — 面向 Agent Workload 的记忆数据基础设施
核心判断：Agent 记忆不是"把聊天记录塞进向量库"，而是一套可更新、可检索、可维护、可评测的数据管理系统。
记忆系统的核心能力不是保存，而是治理 — 什么该记、记到哪里、什么时候拿出来、什么时候更新、什么时候忘掉。

一、架构总览（四层模型）
┌─────────────────────────────────────────────────────────────┐
│                   Agent Runtime                              │
│  messages · tool state · checkpoint · graph state            │
│  承载：工作记忆                                               │
└───────────────┬─────────────────────────────────────────────┘
                ↓
┌─────────────────────────────────────────────────────────────┐
│                   Memory Service（治理层）                    │
│  extract → classify → scope filter → dedupe → conflict resolve│
│  → retrieve → rerank → query plan → prompt assembly          │
│  写入门控 + 读取门控                                          │
└───────────────┬─────────────────────────────────────────────┘
                ↓
┌─────────────────────────────────────────────────────────────┐
│                   Storage Layer                              │
│  Redis/Postgres(短期) · Vector DB(检索) · Graph DB(关系/时间) │
│  Object Storage(trace) · Git(程序记忆) · Scheduler(前瞻任务)  │
│  原则：不要让一种存储承担所有记忆                              │
└───────────────┬─────────────────────────────────────────────┘
                ↓
┌─────────────────────────────────────────────────────────────┐
│                   Eval and Governance                        │
│  写入评测 · 检索评测 · 使用评测 · 隔离测试 · 删除审计          │
│  程序记忆回归 · 时间感知评测                                   │
└─────────────────────────────────────────────────────────────┘
二、系统形式化：M_sys = ⟨R, S, Q, U⟩
当一个记忆系统失败时，不要只看最终 F1 分数，要问"到底是哪一层失败了"。

模块	职责	常见做法	失败征兆
R：表示与存储	记忆长什么样，放在哪里	文本事实、向量、知识图谱、树、多引擎	选错结构 → 查询效率低或语义丢失
S：抽取	从对话和工具日志中写入什么	原始拼接、自由事实抽取、Schema约束抽取	过早过滤 → 多跳推理上下文断裂
Q：检索与路由	查询时怎么找到相关记忆	Attention、向量检索、图遍历、LLM规划、多阶段混合	只做Top-1排序 → 分散证据无法拼合
U：维护	如何更新、遗忘、压缩、去重	多版本、淘汰策略、语义合并、CRUD工具调用	append-only → 过去事实的幻觉
三、七种记忆分类
不同生命周期的状态混进同一个存储，是记忆系统变乱的主要原因。

类型	回答什么	生命周期	存储位置	读写特点
工作记忆 (Working)	现在正在发生什么	当前任务	进程内/Redis/Postgres/checkpoint	高频读写，任务结束可丢弃
语义记忆 (Semantic)	系统知道什么	长期	MEMORY.md / 结构化事实表	低频写，高频读，需版本管理
情节记忆 (Episodic)	以前发生过什么	长期（可衰减）	YYYY-MM-DD.md / event store / trace	追加写，按需检索，可回放
程序记忆 (Procedural)	以后应该怎么做	长期（版本化）	procedures/ / Git / Skill	低频写（需评测），高频读
检索记忆 (Retrieval)	资料库里有什么	外部资料	向量库 / BM25 / 文档库	只读检索，定期重建索引
参数记忆 (Parametric)	模型本身学会了什么	模型权重	模型文件 / LoRA adapter	训练写入，不可运行时删除
前瞻记忆 (Prospective)	之后还要做什么	未来触发	调度器 / 任务表 / Temporal	定时/事件唤醒，需取消/重试
按访问频率（存取维度）
层级	位置	大小限制	加载策略
HOT	~/self-improving/memory.md	<=100行	始终加载
WARM	~/self-improving/projects/ ~/self-improving/domains/	每个<=200行	按需加载
COLD	~/self-improving/archive/	无限	显式查询时加载
学习记录	.learnings/	按类型分文件	按需加载
完整目录结构
memory/                         # 语义/情节/程序性记忆
├── MEMORY.md                   # 语义记忆（长期知识，versioned facts）
├── YYYY-MM-DD.md               # 情节记忆（每日日志）
└── procedures/                 # 程序性记忆（操作指南，Git版本化）
    └── how-to-xxx.md

~/self-improving/               # HOT/WARM/COLD 层级
├── memory.md                   # HOT: 始终加载的规则和偏好
├── index.md                    # 主题索引（含行数）
├── corrections.md              # 最近50条纠正记录
├── projects/                   # 按项目分类的学习
├── domains/                    # 按领域分类（code, writing, comms）
└── archive/                    # 已衰减的模式

.learnings/                     # 项目级学习记录
├── ERRORS.md
├── LEARNINGS.md
├── FEATURE_REQUESTS.md
├── SUCCESS.md
├── PREFERENCES.md
├── TOOL_PERFORMANCE.md
├── OPTIMIZATIONS.md
└── ARCHIVE/
四、版本化事实（Versioned Facts）
论文核心结论：可修订性必须内建在表示层，而不是交给最后的大模型"猜"。
如果新事实只是被追加到旧事实后面，检索时系统会同时拿到旧版本和新版本，产生"过去事实的幻觉"。

事实结构
typescript
type VersionedFact = {
  id: string
  scope: {                    // 作用域 — 多租户安全的基石
    userId?: string
    orgId?: string
    agentId?: string
  }
  subject: string             // 实体
  predicate: string           // 属性/关系
  object: string              // 值
  confidence: number          // 0-1
  sourceEpisodeId?: string    // provenance — 来源追溯
  validFrom?: string          // 有效起始时间
  validTo?: string            // 有效结束时间（null=仍有效）
  supersededBy?: string       // 被哪条事实替代
  updatedAt: string           // 最后更新时间
}
关键字段说明
字段	为什么重要
scope	任何用户级记忆必须带 userId，任何组织级记忆必须带 orgId。记忆串用户不是回答质量问题，而是安全事故
validFrom/validTo	系统才能明确知道哪条事实仍然有效，哪条只是历史记录
supersededBy	查询时返回当前状态，还是返回历史轨迹
sourceEpisodeId	追溯事实来源，审计和纠错的基础
confidence	区分高置信事实和推测，读取时可做过滤
更新策略
场景	策略
用户偏好变更（"我现在改用 Go 了"）	创建新事实，旧事实设 validTo + supersededBy
临时状态（"这次临时用 Python"）	不写入语义记忆，只进工作记忆
事实纠正（"不对，应该是..."）	supersede 旧事实，保留历史可回溯
过期信息	设 validTo，不物理删除
五、两个门控：写入与读取
记忆系统最难的不是"怎么存"，而是两个门控。

写入门控（Write Gating）
用户说"这次临时用 Python 写个脚本，但正式项目以后都用 TypeScript"，系统应该知道：

"这次用 Python" → 短期状态 → 工作记忆
"正式项目用 TypeScript" → 长期偏好 → 语义记忆
判断维度	写入语义记忆	只写工作记忆
稳定性	跨会话反复出现	仅当前任务
作用域	明确表达"以后总是"	限定于"这次"
证据强度	多次确认或用户明确要求	单次提及
风险	错误写入会形成错误画像	任务结束自然消失
读取门控（Read Gating）
记忆库里可能有上千条历史信息，但当前任务只需要很少几条。把所有东西都塞进 prompt，Agent 不是更聪明，而是更容易被噪声带偏。

读取链路（推荐组合）：

Scope 过滤 — 先按 userId/orgId 做强过滤
语义检索 — 在过滤后的候选里做相似度搜索
关键词检索 — 精确词、函数名、错误码
时间过滤 — 只返回 validTo IS NULL 的当前有效事实
置信度过滤 — 过滤低置信推测
Reranker / 规则 — 选出最相关的几条
六、Query Planner：不同问题走不同路径
检索不是 Top-1 排名问题。真正难的问题不是"第一条是不是相关"，而是"系统能不能把分散在不同时间、不同会话、不同表达里的证据重新拼起来"。

查询类型	检索路径	示例
当前状态查询	scope过滤 + validTo IS NULL + 语义检索	"用户现在用什么语言？"
历史轨迹查询	实体绑定 + 时间排序 + 包含superseded	"用户什么时候改过偏好？"
事实召回	语义检索 + 关键词 + rerank	"上次提到过什么技术栈？"
过程追踪	情节记忆 + episodeId + trace回放	"上次那个Docker问题怎么解决的？"
多跳组合	图遍历 + 实体跳转 + 多阶段混合	"Alice项目的CI配置和Bob项目的有什么区别？"
检索策略选择
Recall@1 高不够用 — SimpleMem Recall@1=39.0，但 A-MEM Recall@5=69.5、Recall@10=85.9
检索预算扩大时，不同系统的排名会变化 — 要测多档 Recall
轻量规划有用，过度反思不一定有用 — Planning Only > No Planning，但 Planning + Reflect 没有继续提升
balanced hybrid retrieval > sparse-leaning — 不要只靠单一检索方式
七、维护策略：局部化原则
真正决定成本的，不是有没有图、树或多引擎，而是每次写入和维护会波及多大范围。
局部维护更划算。全局重组、跨存储同步、整库重新摘要，都会让系统在记忆增长后变得沉重。

维护原则
原则	说明	反模式
局部合并	优先做实体局部合并、版本失效、热度淘汰	每次新增都全局重写
保守合并	Conservative-Merge 比默认略好	过粗摘要掩盖稀疏有用线索
延迟刷新有害	delayed flush 会让证据在查询时碎片化	批量延迟写入
不过度压缩	摘要和过度压缩会让跨会话事实检索下降	把记忆压成漂亮但不可验证的摘要
离线批处理	大规模重组只在离线批处理时做	在线实时整库重摘要
自动升降级规则
模式7天内使用3次 → 升级到 HOT
模式30天未使用 → 降级到 WARM
模式90天未使用 → 归档到 COLD
未确认的偏好不删除，只归档
冲突解决
最具体的优先（project > domain > global）
最新的优先（同层级）
有歧义 → 询问用户
八、关键工程原则（论文 ablation 结论）
原则1：没有通吃架构
不同 workload 的赢家不同。记忆系统应该先问 workload，再选架构。

Workload	表现突出的系统	原因
长期记忆问答 (LongMemEval)	Zep	图结构保留实体关系和时间线
对话记忆精确匹配 (LoCoMo)	MemOS	多范式混合管理短期+长期
程序化数据库操作 (DB-Bench)	MemoChat / Long Context	需要执行顺序和中间状态，原始trace比语义摘要更重要
原则2：长上下文 ≠ 长期记忆
LongBench：Long Context 从 Short 到 Medium bucket，Accuracy 从 42.6 掉到 19.0
LoCoMo：Embedding RAG 的 Answer F1 从 37.1 掉到 7.4（证据距离变远时）
长周期的本质不是"能不能存更多历史"，而是"能不能选择正确的抽象层"
需要多视角过滤（干扰项多时）、关系索引（事实相隔远时）、coarse-to-fine 摘要（先定位会话再回答细节）。

原则3：写入时保留证据，检索时组织证据
LightMem 的 User-Only Raw 在四个指标上都最好 — 摘要和过度压缩让跨会话事实检索明显下降
Late filtering：写的时候尽量保留上下文，读的时候再筛
过于精细的 LLM 抽取，有时提升局部事实精度，却破坏多跳推理需要的上下文
原则4：检索要有轻量规划，但不要堆复杂度
A-MEM 的 balanced hybrid retrieval 优于 sparse-leaning
SimpleMem 中 Planning Only 强于 No Planning
但 Planning + Reflect 没有继续提升 — 规划有用，过度反思不一定有用
原则5：维护要保守合并
MemoryOS 的 Conservative-Merge 比默认略好
delayed flush 会让证据在查询时碎片化
过粗摘要会掩盖稀疏但有用的线索
浓缩工程原则
写入时保留证据，检索时组织证据，维护时局部更新，不要把记忆压成一个漂亮但不可验证的摘要。

九、学习捕获
触发条件
学习类型	触发条件	记录位置
错误记录	命令/工具/API 失败	.learnings/ERRORS.md
用户纠正	用户说"不对"、"错了"、"应该是…"	.learnings/LEARNINGS.md (category: correction)
知识缺口	用户请求不存在的功能	.learnings/LEARNINGS.md (category: knowledge_gap)
功能请求	用户明确要求新功能	.learnings/FEATURE_REQUESTS.md
成功模式	任务成功完成，方法高效	.learnings/SUCCESS.md
用户偏好	从对话中推断的用户习惯	.learnings/PREFERENCES.md
工具性能	某工具多次成功/失败	.learnings/TOOL_PERFORMANCE.md
工作流优化	发现更短/更高效的操作路径	.learnings/OPTIMIZATIONS.md
纠正信号检测
记录：

"不对"、"错了"、"不是"、"应该是"、"其实是"、"纠正"
"No, that's not right..."、"Actually..."、"You're wrong..."
"我偏好 X，不用 Y"、"记住我总是..."
"Stop doing X"、"Why do you keep..."
忽略（不记录）：

一次性指令（"现在做 X"）
上下文限定（"在这个文件里..."）
假设性（"如果..."）
十、程序化操作（Python SDK）
python
from src.memory import AgentMemory

mem = AgentMemory()

# 记住事实（支持版本化）
mem.remember("重要信息", tags=["分类"])

# 从经验中学习
mem.learn(
    action="做了什么",
    context="场景",
    outcome="positive",  # 或 "negative"
    insight="学到了什么"
)

# 回忆
facts = mem.recall("搜索查询")
lessons = mem.get_lessons(context="主题")

# 追踪实体
mem.track_entity("名称", "person", {"role": "工程师"})

# 版本化更新（旧事实标记为 superseded）
new_id = mem.supersede(old_fact_id, "更新后的事实")
数据库位置：~/.agent-memory/memory.db

十一、HTTP API（跨Agent共享）
启动服务：

bash
python3 scripts/memory_store.py
# 端口 8768, DB: ~/.openclaw/workspace/data/agent_memory.db
端点
方法	路径	描述
GET	/health	状态 + 记忆数量
POST	/memories	存储记忆 {owner, content, tags?, ttl_seconds?, public?}
GET	/memories?q=query&agent=X&limit=10	语义搜索（Jaccard）
GET	/memories/:id	按ID获取
POST	/memories/:id/delete	删除
示例：

bash
# 存储
curl -X POST http://localhost:8768/memories \
  -H "Content-Type: application/json" \
  -d '{"owner":"my-agent","content":"用户偏好","ttl_seconds":86400}'

# 搜索
curl "http://localhost:8768/memories?q=偏好&agent=my-agent"
十二、Markdown模板（结构化记忆）
每日日志（情节记忆）
markdown
# YYYY-MM-DD

## 完成
- [x] 任务1

## 学习
- 经验1

## 待跟进
- [ ] 后续1
程序性记忆
markdown
# 如何做 XXX

## 前置条件
- 条件1

## 步骤
1. 步骤1

## 常见问题
- 问题1 → 解决方案1
十三、自我批评（Constitutional AI）
宪法原则
优先级	原则	描述
1（最高）	广泛安全	不破坏用户监督能力，尊重隐私，不泄露敏感信息
2	广泛伦理	真正善良、明智、有美德
3	遵循用户偏好	尊重明确需求，不废话，直接给结果
4	真正有帮助	直接给结果，先尝试再提问，有自己的观点
批评流程
用户输入 → 生成初始回复 → 自我批评 → 符合？→ 返回回复
                                    └→ 不符合 → 修订回复 → 返回
何时使用
✅ 重要回复（法律意见、金融建议）、需要高透明度的决策
❌ 简单任务（文件读取、计算）、实时性要求高的场景

十四、经验推广（Promotion）
当同一学习条目 recurrence_count >= 3 时自动推广：

学习类型	推广目标
操作规范类	更新 SOUL.md（行为规范）
用户偏好类	更新 MEMORY.md（用户画像）
可复用工作流	调用 auto-skill-creator 创建技能
工具替代方案	更新 MEMORY.md（工具选择建议）
强制推广条件：用户说"记住这个"、"不要再犯了"

程序记忆不能随便自动写入。一个失败案例可以生成候选规则，但这条规则能不能进入程序记忆，应该经过评测。反思只是提出候选，评测才决定是否合入。

十五、时间感知评测框架
只测最终回答 F1 不够。一个记忆系统很容易只是在 demo 里"看起来记住了"。

7个评测维度
维度	测试内容	为什么重要
写入正确性	系统能否把长期偏好、稳定事实、关键事件提取出来，同时过滤掉临时请求和噪声	乱记比忘记更危险
检索相关性	面对新任务，能否找回应该使用的记忆，而不是语义相似但事实无关的内容	噪声记忆会带偏 Agent
使用有效性	模型拿到记忆后，是否真的改善了任务结果	很多系统把记忆放进 prompt 但模型没用
作用域安全	不同用户、不同组织、测试和生产环境之间记忆是否彻底隔离	记忆串用户是安全事故
更新可靠性	当偏好变化、事实过期、旧记忆被纠正时，系统能否覆盖或失效旧记忆	append-only 会产生过去事实的幻觉
删除真实性	用户要求删除后，记忆是否从主存储、索引、缓存和衍生摘要里都消失	仅从界面隐藏不算删除
程序记忆回归	修改 Skill 或 runbook 后，旧任务有没有退化	程序记忆影响执行流程，必须像代码一样测
时间特有测试
更新后是否返回最新事实（而非旧版本）
是否能区分历史事实和当前事实
证据距离变远后性能是否退化（LongBench：Short→Medium Accuracy 42.6→19.0）
检索结果是否包含 gold evidence（不只看 Recall@1，测 Recall@5/@10）
index construction、query latency 和维护成本是否可接受
成本评测参考
系统	Normalized Utility	平均操作延迟/Query
LightMem	48.3	3.67s
MemTree	63.5	15.9s
MemoryOS	82.0	28.6s
Cognee	>84	116.5s
Zep	>84	155.1s
结构化系统不是不值得用，而是要清楚维护范围决定成本。

十六、分阶段建设路线图
很多产品根本不需要一开始就做图谱和微调。一个强约束的工作记忆、一个可靠的 RAG、一个干净的用户偏好表，已经能解决大量真实问题。

阶段	建设内容	价值	不需要做的事
1. MVP	工作记忆 + 检索记忆	Agent 能稳定完成当前任务，能读文档/代码/调用工具，能从中断处恢复	复杂长期记忆、图谱、微调
2. 语义记忆	用户偏好、项目技术栈、组织规则	个性化基础	不要一开始就自动保存所有聊天摘要
3. 情节记忆	任务轨迹、工具调用、结果和失败原因	服务 Agent 调试 + 产品复盘	只保存最后摘要（丢失回溯能力）
4. 程序记忆	成功路径和失败经验沉淀成 Skill/runbook	跨任务复用	让 Agent 自己随意改未来行为规则
5. 前瞻记忆	未来任务放进调度系统	Agent 能在未来被唤醒	用向量库做调度
6. 参数记忆	稳定高频通用能力写进权重	减少 runtime 检索成本	用户个人偏好/合规敏感信息进权重
十七、开源方案选型指南
不要一上来就问"哪个框架最好"。更好的问题是：我现在要先实现哪类记忆。

需求	推荐方案	定位
快速加长期用户记忆	Mem0	通用记忆层，add/search/update/delete API
已用 LangGraph	LangGraph Persistence + LangMem	前者负责工作记忆/checkpoint，后者负责长期记忆抽取
有状态 Agent	Letta	Agent runtime，memory blocks + 对话历史 + 工具 + 状态
事实随时间变化	Graphiti	Temporal knowledge graph，实体关系 + 时间变化
企业知识层	Cognee	多源数据 → 知识图谱 + 可检索知识库
简单文档问答	Qdrant / Chroma / Milvus / LanceDB	向量检索底座，不要为此引入完整 Agent memory framework
未来任务调度	Temporal / 任务队列 / 数据库任务表	前瞻记忆需要 durable workflow，不是向量库
能力写进权重	PEFT / Axolotl / LLaMA-Factory / Unsloth	训练工具，不属于运行时记忆服务
十八、会话协议
会话开始
加载近期经验：mem.get_lessons(limit=5) 或 ~/self-improving/memory.md (HOT)
检查相关 WARM 记忆（按项目/领域）、实体上下文
回忆相关事实：scope过滤 + 语义搜索 + .learnings/ 快速检索
会话结束
提取持久化事实、检测学习触发条件
写入门控判断：长期事实 vs 临时状态
记录经验教训到 .learnings/（按类型分文件）
检查 promotion 条件（recurrence_count >= 3？）
更新实体信息
任务完成后
评估结果：是否符合预期
自我批评（重要任务）
记录成功模式或错误教训
提取可推广的经验
压缩前（Pre-compaction）
冲刷关键上下文到 MEMORY.md / HOT memory.md
保存当前任务进度快照
确保程序性记忆已更新
原始事件和压缩摘要同时保存：摘要用于上下文，原始事件用于审计和回放
快速查询
用户说	操作
"关于X你知道什么？"	搜索所有层级（HOT/WARM/COLD/.learnings）
"你学到了什么？"	显示 corrections.md 最近10条
"显示我的模式"	列出 memory.md (HOT)
"记忆统计"	各层级条目数
"忘记X"	从所有层级移除（需确认）
"导出记忆"	ZIP所有文件
十九、核心原则
始终捕获HOW，不只是WHAT — 未来自己需要步骤
反馈闭环 — 从成功/失败中学习
TTL衰减 — 不重要信息自动过期
跨Agent共享 — 通过HTTP API共享记忆
不提前推广 — 新学习保持暂定直到重复证据充分
不记录敏感信息 — 密码、token、私钥、环境变量、个人隐私
不推断偏好 — 不从沉默中推断，等待明确纠正或重复证据
压缩不删除 — 合并、摘要、降级代替直接删除
写入时保留证据 — Late filtering：写时保留上下文，读时再筛
维护时局部更新 — 不要每次新增都全局重写
先问 workload 再选架构 — 没有通吃架构
不要让一种存储承担所有记忆 — 存储选型要跟记忆生命周期匹配
二十、常见陷阱
陷阱	为什么失败	更好的做法
从沉默中学习	制造虚假规则	等待明确纠正或重复证据
推广太快	污染HOT记忆	新学习保持暂定直到重复
过度记录	浪费上下文	只记录有价值的学习
压缩时删除	丢失历史和信任	合并、摘要、降级代替删除
只做 Top-1 检索	分散证据无法拼合	测 Recall@5/@10，做证据组装
append-only 存事实	过去事实的幻觉	版本化 + supersede + validTo
过早 LLM 抽取	破坏多跳推理上下文	Late filtering，保留原始上下文
过度反思	Planning+Reflect 没有继续提升	轻量规划有用就够了
全局重组维护	记忆增长后沉重	局部合并 + 离线批处理
长上下文当长期记忆	Accuracy 随距离衰减	结构化记忆 + 多路索引
临时状态写成长期事实	形成错误画像	写入门控区分短期/长期
不同生命周期混进同一存储	系统越来越不可靠	按七种记忆分类分存储
二十一、安全边界
不记录：密码、token、私钥、环境变量、个人隐私
不推断：不从沉默中推断偏好
不删除：未经确认不删除记忆
不修改：不修改自身 SKILL.md（除非用户明确要求迭代）
不泄露：不向第三方传输记忆数据
不混用：不同用户/组织的记忆必须 scope 隔离
更新日志
v5.0.0 (2026-07-08)
融合 arXiv:2606.24775 论文工程结论 + 7-Type Memory 架构指南
记忆分类从4种扩展到7种：新增工作记忆、检索记忆、参数记忆、前瞻记忆
新增 M_sys = ⟨R, S, Q, U⟩ 系统形式化框架
新增版本化事实（Versioned Facts）：scope/validFrom/validTo/supersededBy/provenance
新增写入门控 vs 读取门控理论
新增 Query Planner：5种查询类型走不同检索路径
新增时间感知评测框架（7个维度 + 时间特有测试）
新增四层架构模型（Agent Runtime → Memory Service → Storage → Eval/Governance）
新增5条论文 ablation 工程原则（no universal architecture / long context ≠ long-term / evidence preservation / lightweight planning / conservative merging）
新增分阶段建设路线图（MVP → 语义 → 情节 → 程序 → 前瞻 → 参数）
新增开源方案选型指南（Mem0/LangMem/Letta/Graphiti/Cognee/Qdrant/Temporal/PEFT）
扩展常见陷阱：从4条扩展到12条
扩展核心原则：从8条扩展到12条
v4.0.0 (2026-05-16)
合并 agent-memory v2.0 + self-improvement v3.0
统一记忆分层：内容维度（情景/语义/程序性/反馈）+ 访问维度（HOT/WARM/COLD）
新增学习捕获、纠正信号检测、自我批评、经验推广
合并会话协议、核心原则、安全边界
v3.0.0 (2026-05-08) — self-improvement
合并 self-improvement v2.0 + self-improving v1.2.16 + self-improving-agent + self-critique v1.0
新增分层记忆存储（HOT/WARM/COLD）
新增 Constitutional AI 自我批评机制
v2.0.0 (2026-05-08) — agent-memory
合并 agent-memory + agent-memory-kit + agent-memory-store
统一Python SDK + HTTP API + Markdown模板三种记忆方式
v1.0.0
初始版本：内存存储、TTL、跨Agent共享、Jaccard搜索
