@alex_prompter: 真正可行的AI代理记忆系统就是四个markdown文件,零数据库。你不需要向量…
摘要
文章描述了一个简单的AI代理记忆系统,使用四个markdown文件、一个索引和带新鲜度跟踪的缓存,从而避免使用向量数据库和检索管道。
查看缓存全文
缓存时间: 2026/08/03 23:55
真正有效的 AI 智能体记忆系统,只需要四个 markdown 文件和零数据库。
对于个人 AI 智能体来说,你不需要向量数据库、嵌入或检索管道。纯文本 markdown 文件可读、可搜索、可 git 追踪。你的智能体无需任何预处理就能加载它们。
完整系统如下。
- 按领域分文件,绝不按日期分文件
为每个知识领域创建独立文件,例如 people.md、companies.md、deals.md 和 tasks.md。每个文件只负责一个主题。按时间顺序的头脑倾泻式记录一开始看着井井有条,但两周后就无法搜索了。按领域分离意味着你的智能体可以为任何问题拉取它需要的唯一文件。
- 一个 MEMORY.md 索引,映射所有内容
一个文件,列出每个记忆文件及其内部内容的一行描述。你的智能体先加载索引,然后按需拉取特定文件。这样可以让上下文窗口的使用可预测,查找速度也快。没有它,你的智能体要么加载所有文件,要么猜测该打开哪个文件。
- 缓存文件带有新鲜度标头
任何镜像外部来源(如你的 CRM 或分析仪表板)的文件都是缓存,而不是事实来源。在每个缓存文件的顶部标记一个 last_sync 时间戳。训练你的智能体在每次分析前声明数据的新鲜度。静默使用陈旧数据,正是产生“错误但自信”输出的原因。
- 扁平 markdown,而不是数据库
对于个人智能体来说,markdown 文件胜过向量数据库,因为你可以阅读它们、搜索它们,并在 git 中追踪它们。你跳过了嵌入管道、检索基础设施,以及你和智能体知识之间的抽象层。能起作用的最简单架构就是正确的架构。
用 20 分钟就能搭建好。从第一天起,你的智能体记忆就变得井井有条,并受版本控制。
相似文章
@mvanhorn: https://x.com/mvanhorn/status/2070966613994795489
作者认为,AI代理的内存膨胀会降低性能,并建议将memory和CLAUDE.md文件控制在200行以内,使用按需检索而非将所有内容加载到上下文中。
rohitg00/agentmemory
agentmemory 是一个开源的持久化记忆层,专为 AI 编程智能体(Claude Code、Cursor、Gemini CLI、Codex CLI 等)设计。它通过知识图谱、置信度评分和混合搜索技术,借助 MCP、Hooks 或 REST API,为智能体提供跨会话的长期记忆能力。该项目基于 iii 引擎构建,无需外部数据库,提供 51 个 MCP 工具。
我曾询问是否存在一种以本地优先的 Markdown 记忆服务器。你们给出了约 20 个建议。以下是我逐一调研后的发现。
全面回顾以本地优先的 AI 智能体记忆系统,对比了 mem0、Hindsight 和 mnem 等选项,最终推荐 Engram,因为它独特地结合了本地存储和人类可读的 Markdown 文件。
@tricalt: https://x.com/tricalt/status/2057173322924806651
一位创始人讨论了在生产环境中使用Markdown文件作为AI代理记忆的扩展挑战,突出了关于权限、多代理交互和时间查询的常见陷阱,并指出团队常常在不经意间修补这些问题的过程中,实际上是在重新构建一个更复杂的系统。
@0xMovez: Anthropic AI 工程师刚刚展示了如何用4个步骤给AI智能体真正的记忆——这改变了一切,在28分钟内……
Anthropic AI 工程师演示了一种免费的4步方法,赋予AI智能体跨会话的持久记忆,包括记忆存储和梦境功能,实现了95%的缓存命中率。