Sharpagent Memory System — Sharpagent 内存系统

SharpAgent 分层记忆系统 v1.0.0 像人类一样的记忆 —— 记住重要的东西，忘掉其余的，并且能够准确搜索。 基于分层记忆系统（ClawHub，24 天内 +324%）6 层架构 + 梦处理 + Mem0 持久化。

核心问题 当前代理记忆问题： 问题 症状 后果 忘记 每次会话都从头开始 重复错误，没有积累 从不忘记 所有历史都平坦 高检索噪音，关键信息被淹没 差的搜索 只有关键词，没有语义 "五元组" 不会找到 "信任验证"

SharpAgent 记忆解决了这三个问题，使用 6 层 + 梦处理。

记忆层 [用户交互] │ ┌────────┴────────┐ │ L1：短暂 │ ← 当前会话上下文 └────────┬────────┐ │ 会话结束 ┌────────┴────────┐ │ L2：短期 │ ← 近期会话（滚动窗口） └────────┬────────┐ │ 定期迁移 ┌────────┴────────┐ │ L3：工作 │ ← 活动任务状态 └────────┬────────┐ │ 任务完成 ┌────────┴────────┐ │ L4：上下文 │ ← 任务级上下文 └────────┬────────┐ │ 梦处理 ┌────────┴────────┐ │ L5：长期 │ ← 偏好和经验 └────────┬────────┐ │ 归档过期 ┌────────┴────────┐ │ L6：归档 │ ← 历史归档 └─────────────────┘

L1：短暂存储： 当前会话所有消息 容量：模型上下文窗口 生命周期：会话结束 = 消失 索引：无，线性 用途：上下文理解

L2：短期存储： 最近 N 个会话（默认 N=5） 介质：内存（Redis 可选） 容量：5 个会话摘要，每个 ≤2KB 生命周期：7 天 → 自动迁移到 L4 索引：会话 ID + 时间戳 + 标签 用途：快速跨会话参考

L3：工作存储： 活动任务状态 介质：JSON 文件（memory/working/） 容量：每个任务 ≤10KB 生命周期：任务完成 → L4；任务中断 → 保留 索引：任务 ID + 状态 + 最后更新 用途：恢复中断任务，多任务

L4：上下文存储： 完成任务的全部上下文 介质：JSON 文件（memory/contextual/）+ 可选 SQLite 容量：无限，但检索 Top 5 生命周期：直到梦处理（30 天无引用 → L5） 索引：TF-IDF 全文 用途：回顾过去任务，重用解决方案

L5：长期存储： 持久化跨会话知识 介质：SQLite（memory/long_term.db）+ 中文分词索引 容量：无限 生命周期：永久除非显式忘记 索引：TF-IDF + jieba 中文分词 用途：用户偏好，经验，最佳实践，关键决策

L6：归档存储： 过期或低引用 L4/L5 条目 介质：SQLite（memory/archive.db），只读 容量：理论上无限 生命周期：永久只读 索引：无（时间 + 类别） 用途：法律合规保留，审计跟踪

梦处理 梦不仅仅是人类的需求，代理也需要低负载的记忆维护。 触发器：心跳（低负载，每 30 分钟），用户说 "clean up"，或安排每日 04:00。

四个梦操作：

• 整合

将分散的记忆碎片整合成连贯的知识。 输入：多个碎片 → "使用 150 个字符的摘要"（多次验证）→ "用户更喜欢较短的版本" → "简报阅读率提高 30%" → 整合到： "最佳实践：简报中使用 150 个字符的摘要（3 次验证，+30% 阅读率）" 触发器：同样的模式出现 ≥3 次

• 归档

将低引用项从工作缓存中移出。 → L4 条目在 30 天内无引用 → 移到 L6 归档 → 从 L4 标签索引中删除 触发器：30 天引用计数 = 0

• 忘记

主动删除低价值、重复或过时的内容。 → "用户曾经更喜欢 Python 3.9"（3 个月前，现在 3.13）→ 过时，删除 → 保留空间用于有价值的信息 触发器：新版本可用 显式矛盾 90 天内 <2 次引用 用户说 "忘记这个"

• 合并

将多个相关的 L5 条目合并成更高层次的模式。 → "更喜欢 150 个字符的摘要"（置信度 = 8）→ "更喜欢项目符号"（置信度 = 7）→ "不喜欢表格"（置信度 = 6）→ 合并： "用户更喜欢使用项目符号 + 150 个字符的摘要，避免表格" 触发器：高置信度（≥7）+ 同一类别

标准搜索 def search(query, layers=["L4", "L5"]): tokens = jieba.cut(query) # 中文分词 vec = tfidf_vectorizer.transform(tokens) scores = cosine_similarity(vec, layer_index) return top_k(scores, k=5)

中文分词 jieba.load_userdict("memory/custom_dict.txt") # "五元组审查" → ["五元组", "审查"]