先说结论

搞了两年 agent memory ，最痛的体会是：现在的记忆系统从根上就是歪的。不是缺功能，是方向错了。

痛点一：记忆脆弱 —— 存了一堆，但啥都不懂

把几十万封邮件扔进向量数据库，得到的是一个很大但完全没用的上下文堆。存和理解是两码事。

痛点二：时间推理残缺

问一句"我上周在搞啥"，大多数系统直接宕机。数据有，但时间感没有。

痛点三：遗忘困境

这条反直觉——记住一切反而更糟。上下文会腐烂。但要写一个好的遗忘算法，比堆存储难多了。

痛点四：评估缺失

你的记忆系统到底有没有在干活？大多数团队根本没法量化。benchmark 散乱且没有标准。

我们的解法：抄作业——Coding Agents 早就搞定了

看 GitHub 的工作流：

Issue → PR → Code Review → Git History → Test → Status Update

每一步都被追踪、版本化、可查询。上下文不消失，它是演进的。

我们把这个模式搬到了个人 AI：

原始消息（邮件/Slack/Notion ） → 结构化记忆洞察 Agent 执行前读记忆，执行后更新记忆

两个维度：空间维度（关联记忆）+ 时间维度（时间旅行查询）

空间维度：一起放电的神经元就连线

当你访问洞察 A ，与它关联的洞察自动加强。长期不访问的连接会衰减。

问"为什么这个客户卡住了？"，系统不只找到当前项目——还会联想到 3 个月前的类似情况。

时间维度：给你的记忆装一台时光机

时间旅行 API 支持查询任意时间点的记忆状态：

• "Q3 2024 我的优先级是啥？"
• "1 月到 3 月我们做了哪些决定？"
• "展示 2 月底那个项目的样子"

不是摘要，是那个时刻的真实快照。

遗忘引擎：学会放手

三级系统（短 → 中 → 长记忆），评分公式综合考虑：

• 最近访问时间
• 访问频率
• 重要性
• 是否被收藏

6 个月前的普通客户问候？可能就丢了。3 个月前的关键决策？保留并强化。

目标不是存更久，是存得更聪明。

跑分结果

┌──────────────────┬───────┐ │ Benchmark │ 成绩 │ ├──────────────────┼───────┤ │ LoCoMo │ 96.3% │ ├──────────────────┼───────┤ │ LongMemEval-S500 │ 97.6% │ └──────────────────┴───────┘

基本达到 SOTA 。但真正的数字是 35%——CL-bench （ Context Learning Benchmark ）。

上下文学习能力（把存储的上下文应用到新情况）才是真正难的问题。

开源

GitHub: https://github.com/melandlabs/openloomi

欢迎来踩，——我们认为这是整个系统里最有趣、也最没被解决好的问题。

有问题尽管问。