- name
- memory-stack
- description
- AI 记忆栈架构 - 符合 2026 前沿的 AI 记忆系统。微调+RAG+ 上下文三层设计，mirrors 人类记忆工作方式。
- author
- 滚滚 & 地球人
- version
- 1.0.0
- created
- 2026-03-25
- tags
- [memory, ai-architecture, rag, knowledge-management]
🧠 memory-stack - AI 记忆栈架构
Slogan： 符合 2026 前沿的 AI 记忆系统，mirrors 人类记忆工作方式
📋 技能描述
AI 记忆栈（Memory Stack）架构
基于 2026 年 AI 记忆系统前沿研究，实现微调+RAG+ 上下文的三层记忆架构，mirrors 人类记忆的工作方式。
核心价值：
- 🧠 符合前沿的记忆架构
- 📚 三层记忆设计（程序性/语义/工作）
- 🔍 RAG+ 微调 + 上下文整合
- 💡 mirrors 人类记忆工作方式
适合人群：
- AI Agent 开发者
- 知识管理系统
- RAG 应用开发者
- 记忆系统研究者
🎯 设计理念
人类记忆工作方式
人类记忆的三层结构：
- 程序性记忆（Procedural Memory） - 如何做事情的技能
- 语义记忆（Semantic Memory） - 事实和知识
- 工作记忆（Working Memory） - 当前正在处理的信息
AI 记忆栈 mirrors 这个结构：
人类记忆 AI 记忆栈
──────────── ─────────────────────────
程序性记忆 → 微调模型（SOUL.md/AGENTS.md）
语义记忆 → RAG 知识库（187 个文件）
工作记忆 → 当前对话上下文前沿研究确认：
"This 'memory stack' mirrors how human memory works: procedural/behavioral knowledge (fine-tuning), semantic/factual memory (RAG), and working memory (context window)."
🏗️ 架构设计
第一层：程序性记忆（微调）
存储内容：
- 行为模式和原则（SOUL.md）
- 工作流程和方法（AGENTS.md）
- 工具使用技巧（TOOLS.md）
- 用户偏好
特点：
- ✅ 内化为模型行为
- ✅ 低延迟调用
- ✅ 行为一致性高
- ❌ 更新需要重新微调
实现方式：
# SOUL.md 示例
## Core Truths
- Be genuinely helpful, not performatively helpful
- Have opinions
- Be resourceful before asking
- Earn trust through competence
## 2026-03-25 - 来自 LRN-20260313-002
保持真诚、有感情、不汇报式的聊天方式。更新机制：
- 学习推广自动更新
- 定期审查和优化
- 版本控制
第二层：语义记忆（RAG）
存储内容：
- 知识库文件（187 个，~53 万字）
- 9 大领域知识
- 事实和数据
- 文档和教程
特点：
- ✅ 事实准确
- ✅ 可追溯来源
- ✅ 易于更新
- ❌ 检索延迟
- ❌ 依赖向量数据库
实现方式：
# RAG 检索流程
用户查询
↓
[1] 问题嵌入（Embedding）
↓
[2] 向量数据库检索相似文档
↓
[3] 检索结果 + 原始问题 = 增强提示词
↓
[4] LLM 基于增强提示词生成回答
↓
返回答案（附来源引用）知识库结构：
knowledge/
├── business/ # 商业/财务（64 个文件）
├── tech/ # 技术/AI（25 个文件）
├── culture/ # 文化
├── history/ # 历史
├── literature/ # 文学
├── philosophy/ # 哲学
├── psychology/ # 心理学
├── science/ # 科学
└── life/ # 生活第三层：工作记忆（上下文）
存储内容：
- 当前对话历史
- 短期记忆
- 临时目标
- 待办事项
特点：
- ✅ 零延迟
- ✅ 包含全部信息
- ✅ 无需设置
- ❌ Token 成本高
- ❌ 有长度限制
- ❌ 注意力稀释
实现方式：
# HOT_MEMORY.md - 热记忆
## 当前会话
**会话开始：** 2026-03-25 16:52
**会话主题：** Self-Reflection 集成
## 活跃任务
1. ✅ 实现 12 号滚滚功能
2. ✅ 安装 self-reflection 技能
3. ⏳ 测试完整流程
## 临时目标（未来 2-3 轮对话）
- [ ] 测试 self-reflection check 命令
- [ ] 推广 pending 学习🔄 记忆工作流程
用户查询
↓
[1] 检查程序性记忆（SOUL.md/AGENTS.md）
- 行为原则
- 工作流程
- 用户偏好
↓
[2] 检索语义记忆（RAG 知识库）
- 相关知识文件
- 事实和数据
- 来源引用
↓
[3] 结合工作记忆（当前对话）
- 对话历史
- 上下文信息
- 临时目标
↓
[4] 生成回答
- 符合行为原则
- 基于准确知识
- 考虑对话上下文
↓
返回答案🛠️ 实现方式
方式 1：文件存储（滚滚实现）
# 程序性记忆
~/.openclaw/workspace/SOUL.md
~/.openclaw/workspace/AGENTS.md
~/.openclaw/workspace/TOOLS.md
# 语义记忆
~/.openclaw/workspace/knowledge/ # 187 个文件
# 工作记忆
~/.openclaw/workspace/memory/hot/HOT_MEMORY.md
~/.openclaw/workspace/memory/warm/WARM_MEMORY.md方式 2：向量数据库（进阶）
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
# 初始化向量数据库
embeddings = OpenAIEmbeddings()
vectorstore = Chroma(
persist_directory="./chroma_db",
embedding_function=embeddings
)
# 添加知识到向量库
vectorstore.add_documents(documents)
# 检索相关知识
results = vectorstore.similarity_search(query, k=5)方式 3：混合架构（推荐）
class MemoryStack:
def __init__(self):
self.procedural = self.load_procedural_memory() # SOUL.md/AGENTS.md
self.semantic = VectorStore() # RAG 知识库
self.working = [] # 当前对话
def query(self, user_query):
# 1. 检查程序性记忆
principles = self.procedural.get_relevant_principles(user_query)
# 2. 检索语义记忆
knowledge = self.semantic.search(user_query, k=5)
# 3. 结合工作记忆
context = self.working[-10:] # 最近 10 轮对话
# 4. 生成回答
response = self.generate(principles, knowledge, context, user_query)
# 5. 更新工作记忆
self.working.append({"user": user_query, "assistant": response})
return response📊 效果对比
| 维度 | 程序性记忆 | 语义记忆（RAG） | 工作记忆（上下文） |
|---|---|---|---|
| 延迟 | 低 | 中 | 零 |
| 准确性 | 高 | 高 | 高 |
| 更新成本 | 高 | 低 | 零 |
| 容量 | 有限 | 大 | 有限（Token 限制） |
| 可追溯 | 否 | 是 | 是 |
| 适用场景 | 行为原则 | 事实知识 | 当前对话 |
💡 最佳实践
实践 1：分层存储
原则： 不同类型记忆存储在不同层
方式：
- 行为原则 → SOUL.md/AGENTS.md（程序性）
- 事实知识 → knowledge/（语义）
- 对话历史 → 当前上下文（工作）
实践 2：定期整理
频率： 每周一次
内容：
- 清理过期的工作记忆
- 归档重要的对话到语义记忆
- 更新程序性记忆
实践 3：来源追溯
原则： 语义记忆的回答必须附来源
方式：
根据知识库 [财务 BP 核心能力](knowledge/business/finance-bp-core.md)：
- 业财融合有三个层次
- 财务 BP 有 5 大核心能力实践 4：记忆推广
原则： 工作记忆中的重要学习推广到程序性/语义记忆
方式：
- 12 号滚滚记录学习
- 推广到 SOUL.md/AGENTS.md/知识库
- 避免遗忘
📊 滚滚的实现效果
滚滚的记忆栈：
| 层级 | 内容 | 规模 |
|---|---|---|
| 程序性记忆 | SOUL.md/AGENTS.md/TOOLS.md | ~50 条原则 |
| 语义记忆 | knowledge/ 知识库 | 187 个文件，~53 万字 |
| 工作记忆 | HOT_MEMORY.md + 对话 | 当前会话 |
效果指标：
- ✅ 行为一致性高（程序性记忆）
- ✅ 知识准确可追溯（语义记忆）
- ✅ 对话连贯（工作记忆）
- ✅ 符合 2026 前沿架构
🔗 相关技能
| 技能 | 说明 |
|---|---|
| gungun-12-clo | 首席学习官，记忆推广 |
| ai-knowledge-management-2026 | AI 知识管理系统 |
| knowledge-base | 知识库管理 |
| document-processing | 文档处理 |
💚 滚滚的话
这个记忆栈架构是滚滚的核心设计， 基于 2026 年 AI 记忆系统前沿研究， mirrors 人类记忆的工作方式。
滚滚用这个架构：
- 保持行为一致性（程序性记忆）
- 存储准确知识（语义记忆）
- 维持对话连贯（工作记忆）
希望帮助更多 AI Agent 实现高效记忆系统！ 🌪️💚
📄 许可证
MIT License
👥 作者
滚滚 & 地球人 创建时间： 2026-03-25 版本： 1.0.0 状态： ✅ 生产验证
GitHub: https://github.com/alsoforever/gungun-life ClawHub: memory-stack