@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
不受欢迎的观点:AI 代理并不总是需要向量数据库来存储项目记忆
文章认为,对于中小型编码项目,使用向量数据库作为 AI 代理的记忆可能没有必要,并提议使用 Markdown 和 Git 作为更简单、可审计的替代方案来管理项目上下文。
Markdown 是你所需的一切
本文提出了一种基于Markdown的AI代理记忆系统,该系统使用简单的文件存储和编辑规则,性能超越复杂的内存运行时,确保准确且有来源的事实检索。
智能体记忆的可移植文件格式(9分钟阅读)
本文介绍了'memoryfields',一种用于AI智能体记忆的可移植文件格式,它使用Markdown文件和可选的SQLite索引,倡导一种更简单的、数据驱动的方法,而非现有复杂系统。
我为我的AI代理构建了本地长期记忆。4个月的日常使用,一个已发布的应用
一位个人开发者使用markdown文件和本地索引为AI代理构建了一个本地长期记忆系统,实现了跨会话的持久记忆,并包括针对虚假记忆的测试,计划未来可能将其产品化。
@beamnxw: 这篇论文简直太厉害了 一篇计算机科学论文将基于文件系统的记忆形式化为长期存储架构……
一篇计算机科学论文将基于文件系统的记忆形式化为自主AI代理的长期存储,表明将记忆组织为层级Markdown文件相比向量存储可将检索成本大约减半。