kimi-code-memory-mcp-server 0.1.1 → 0.1.2

package/dist/vis-cli.js

@@ -0,0 +1,140 @@
+#!/usr/bin/env node
+/**
+ * CLI entry point for `npx kimi-memory-vis`.
+ *
+ * Launches a local web dashboard that visualizes the workspace memory.
+ */
+import fs from 'fs';
+import path from 'path';
+import open from 'open';
+import { getStoreRoot } from './config.js';
+import { computeWorkspaceId } from './utils/paths.js';
+import { IndexDao } from './dao/index.js';
+import { MemoryStore } from './dao/memory-store.js';
+import { ThemeManager } from './theme-manager.js';
+import { RefinedManager } from './refined-manager.js';
+import { startVisServer } from './vis/server.js';
+const MCP_SERVER_PORT = 58627;
+const DEFAULT_VIS_PORT = 58628;
+function parseArgs(argv) {
+    let port = DEFAULT_VIS_PORT;
+    let openBrowser = true;
+    let workspaceOverride;
+    for (let i = 0; i < argv.length; i++) {
+        const arg = argv[i];
+        if (arg === '--port' || arg === '-p') {
+            const next = argv[++i];
+            if (next) {
+                const parsed = parseInt(next, 10);
+                if (!isNaN(parsed))
+                    port = parsed;
+            }
+        }
+        else if (arg === '--no-open') {
+            openBrowser = false;
+        }
+        else if (arg === '--workspace' || arg === '-w') {
+            const next = argv[++i];
+            if (next)
+                workspaceOverride = next;
+        }
+        else if (arg === '--help' || arg === '-h') {
+            printHelp();
+            process.exit(0);
+        }
+    }
+    return { port, openBrowser, workspaceOverride };
+}
+function printHelp() {
+    console.log(`kimi-memory-vis — Visualize your workspace memory.
+
+Usage:
+  npx kimi-memory-vis [options]
+
+Options:
+  --port <number>     Port to run the dashboard on (default: ${DEFAULT_VIS_PORT})
+  --no-open           Do not open the browser automatically
+  --workspace <path>  Use a different workspace directory instead of the current one
+  -h, --help          Show this help message
+`);
+}
+function resolveWorkspace(args) {
+    const cwd = args.workspaceOverride
+        ? path.resolve(args.workspaceOverride).replace(/\\/g, '/')
+        : process.cwd().replace(/\\/g, '/');
+    const workspaceId = computeWorkspaceId(cwd);
+    const storeRoot = path.join(getStoreRoot(), workspaceId);
+    return { cwd, workspaceId, storeRoot };
+}
+async function detectMcpServer(port) {
+    try {
+        const controller = new AbortController();
+        const timeout = setTimeout(() => controller.abort(), 500);
+        const res = await fetch(`http://127.0.0.1:${port}`, { signal: controller.signal });
+        clearTimeout(timeout);
+        return res.ok;
+    }
+    catch {
+        return false;
+    }
+}
+function createContext(cwd, workspaceId, storeRoot) {
+    for (const dir of ['memory', 'notes', 'essence', 'themes', 'refined']) {
+        fs.mkdirSync(path.join(storeRoot, dir), { recursive: true });
+    }
+    const indexDao = new IndexDao(storeRoot);
+    const memoryStore = new MemoryStore(storeRoot);
+    const themeManager = new ThemeManager(path.join(storeRoot, 'themes'));
+    const refinedManager = new RefinedManager(path.join(storeRoot, 'refined'));
+    return {
+        cwd,
+        workspaceId,
+        storeRoot,
+        indexDao,
+        memoryStore,
+        themeManager,
+        refinedManager,
+    };
+}
+async function main() {
+    const args = parseArgs(process.argv.slice(2));
+    const { cwd, workspaceId, storeRoot } = resolveWorkspace(args);
+    if (!fs.existsSync(storeRoot)) {
+        fs.mkdirSync(storeRoot, { recursive: true });
+    }
+    const ctx = createContext(cwd, workspaceId, storeRoot);
+    await ctx.indexDao.reconcileIndex();
+    const mcpRunning = await detectMcpServer(MCP_SERVER_PORT);
+    const server = startVisServer({
+        ctx,
+        port: args.port,
+        hostname: '127.0.0.1',
+        onReady: (url) => {
+            console.log(`\n  kimi-memory-vis running at ${url}`);
+            console.log(`  Workspace: ${cwd}`);
+            console.log(`  Store:     ${storeRoot}`);
+            if (mcpRunning) {
+                console.log(`  MCP server detected at http://127.0.0.1:${MCP_SERVER_PORT}`);
+            }
+            if (args.openBrowser) {
+                open(url).catch((err) => {
+                    console.error(`  Could not open browser: ${err.message}`);
+                });
+            }
+        },
+    });
+    process.on('SIGINT', () => {
+        console.log('\n  Shutting down...');
+        ctx.refinedManager.close();
+        server.close(() => process.exit(0));
+    });
+    process.on('SIGTERM', () => {
+        ctx.refinedManager.close();
+        server.close(() => process.exit(0));
+    });
+}
+main().catch((err) => {
+    console.error(`Fatal error: ${err instanceof Error ? err.message : String(err)}`);
+    process.exit(1);
+});
+//# sourceMappingURL=vis-cli.js.map

package/dist/vis-cli.js.map

@@ -0,0 +1 @@
+{"version":3,"file":"vis-cli.js","sourceRoot":"","sources":["../src/vis-cli.ts"],"names":[],"mappings":";AACA;;;;GAIG;AAEH,OAAO,EAAE,MAAM,IAAI,CAAC;AACpB,OAAO,IAAI,MAAM,MAAM,CAAC;AACxB,OAAO,IAAI,MAAM,MAAM,CAAC;AACxB,OAAO,EAAE,YAAY,EAAE,MAAM,aAAa,CAAC;AAC3C,OAAO,EAAE,kBAAkB,EAAE,MAAM,kBAAkB,CAAC;AACtD,OAAO,EAAE,QAAQ,EAAE,MAAM,gBAAgB,CAAC;AAC1C,OAAO,EAAE,WAAW,EAAE,MAAM,uBAAuB,CAAC;AACpD,OAAO,EAAE,YAAY,EAAE,MAAM,oBAAoB,CAAC;AAClD,OAAO,EAAE,cAAc,EAAE,MAAM,sBAAsB,CAAC;AACtD,OAAO,EAAE,cAAc,EAAE,MAAM,iBAAiB,CAAC;AAGjD,MAAM,eAAe,GAAG,KAAK,CAAC;AAC9B,MAAM,gBAAgB,GAAG,KAAK,CAAC;AAE/B,SAAS,SAAS,CAAC,IAAc;IAC/B,IAAI,IAAI,GAAG,gBAAgB,CAAC;IAC5B,IAAI,WAAW,GAAG,IAAI,CAAC;IACvB,IAAI,iBAAqC,CAAC;IAE1C,KAAK,IAAI,CAAC,GAAG,CAAC,EAAE,CAAC,GAAG,IAAI,CAAC,MAAM,EAAE,CAAC,EAAE,EAAE,CAAC;QACrC,MAAM,GAAG,GAAG,IAAI,CAAC,CAAC,CAAC,CAAC;QACpB,IAAI,GAAG,KAAK,QAAQ,IAAI,GAAG,KAAK,IAAI,EAAE,CAAC;YACrC,MAAM,IAAI,GAAG,IAAI,CAAC,EAAE,CAAC,CAAC,CAAC;YACvB,IAAI,IAAI,EAAE,CAAC;gBACT,MAAM,MAAM,GAAG,QAAQ,CAAC,IAAI,EAAE,EAAE,CAAC,CAAC;gBAClC,IAAI,CAAC,KAAK,CAAC,MAAM,CAAC;oBAAE,IAAI,GAAG,MAAM,CAAC;YACpC,CAAC;QACH,CAAC;aAAM,IAAI,GAAG,KAAK,WAAW,EAAE,CAAC;YAC/B,WAAW,GAAG,KAAK,CAAC;QACtB,CAAC;aAAM,IAAI,GAAG,KAAK,aAAa,IAAI,GAAG,KAAK,IAAI,EAAE,CAAC;YACjD,MAAM,IAAI,GAAG,IAAI,CAAC,EAAE,CAAC,CAAC,CAAC;YACvB,IAAI,IAAI;gBAAE,iBAAiB,GAAG,IAAI,CAAC;QACrC,CAAC;aAAM,IAAI,GAAG,KAAK,QAAQ,IAAI,GAAG,KAAK,IAAI,EAAE,CAAC;YAC5C,SAAS,EAAE,CAAC;YACZ,OAAO,CAAC,IAAI,CAAC,CAAC,CAAC,CAAC;QAClB,CAAC;IACH,CAAC;IAED,OAAO,EAAE,IAAI,EAAE,WAAW,EAAE,iBAAiB,EAAE,CAAC;AAClD,CAAC;AAED,SAAS,SAAS;IAChB,OAAO,CAAC,GAAG,CAAC;;;;;;+DAMiD,gBAAgB;;;;CAI9E,CAAC,CAAC;AACH,CAAC;AAED,SAAS,gBAAgB,CAAC,IAAoC;IAK5D,MAAM,GAAG,GAAG,IAAI,CAAC,iBAAiB;QAChC,CAAC,CAAC,IAAI,CAAC,OAAO,CAAC,IAAI,CAAC,iBAAiB,CAAC,CAAC,OAAO,CAAC,KAAK,EAAE,GAAG,CAAC;QAC1D,CAAC,CAAC,OAAO,CAAC,GAAG,EAAE,CAAC,OAAO,CAAC,KAAK,EAAE,GAAG,CAAC,CAAC;IACtC,MAAM,WAAW,GAAG,kBAAkB,CAAC,GAAG,CAAC,CAAC;IAC5C,MAAM,SAAS,GAAG,IAAI,CAAC,IAAI,CAAC,YAAY,EAAE,EAAE,WAAW,CAAC,CAAC;IACzD,OAAO,EAAE,GAAG,EAAE,WAAW,EAAE,SAAS,EAAE,CAAC;AACzC,CAAC;AAED,KAAK,UAAU,eAAe,CAAC,IAAY;IACzC,IAAI,CAAC;QACH,MAAM,UAAU,GAAG,IAAI,eAAe,EAAE,CAAC;QACzC,MAAM,OAAO,GAAG,UAAU,CAAC,GAAG,EAAE,CAAC,UAAU,CAAC,KAAK,EAAE,EAAE,GAAG,CAAC,CAAC;QAC1D,MAAM,GAAG,GAAG,MAAM,KAAK,CAAC,oBAAoB,IAAI,EAAE,EAAE,EAAE,MAAM,EAAE,UAAU,CAAC,MAAM,EAAE,CAAC,CAAC;QACnF,YAAY,CAAC,OAAO,CAAC,CAAC;QACtB,OAAO,GAAG,CAAC,EAAE,CAAC;IAChB,CAAC;IAAC,MAAM,CAAC;QACP,OAAO,KAAK,CAAC;IACf,CAAC;AACH,CAAC;AAED,SAAS,aAAa,CAAC,GAAW,EAAE,WAAmB,EAAE,SAAiB;IACxE,KAAK,MAAM,GAAG,IAAI,CAAC,QAAQ,EAAE,OAAO,EAAE,SAAS,EAAE,QAAQ,EAAE,SAAS,CAAC,EAAE,CAAC;QACtE,EAAE,CAAC,SAAS,CAAC,IAAI,CAAC,IAAI,CAAC,SAAS,EAAE,GAAG,CAAC,EAAE,EAAE,SAAS,EAAE,IAAI,EAAE,CAAC,CAAC;IAC/D,CAAC;IAED,MAAM,QAAQ,GAAG,IAAI,QAAQ,CAAC,SAAS,CAAC,CAAC;IACzC,MAAM,WAAW,GAAG,IAAI,WAAW,CAAC,SAAS,CAAC,CAAC;IAC/C,MAAM,YAAY,GAAG,IAAI,YAAY,CAAC,IAAI,CAAC,IAAI,CAAC,SAAS,EAAE,QAAQ,CAAC,CAAC,CAAC;IACtE,MAAM,cAAc,GAAG,IAAI,cAAc,CAAC,IAAI,CAAC,IAAI,CAAC,SAAS,EAAE,SAAS,CAAC,CAAC,CAAC;IAE3E,OAAO;QACL,GAAG;QACH,WAAW;QACX,SAAS;QACT,QAAQ;QACR,WAAW;QACX,YAAY;QACZ,cAAc;KACf,CAAC;AACJ,CAAC;AAED,KAAK,UAAU,IAAI;IACjB,MAAM,IAAI,GAAG,SAAS,CAAC,OAAO,CAAC,IAAI,CAAC,KAAK,CAAC,CAAC,CAAC,CAAC,CAAC;IAC9C,MAAM,EAAE,GAAG,EAAE,WAAW,EAAE,SAAS,EAAE,GAAG,gBAAgB,CAAC,IAAI,CAAC,CAAC;IAE/D,IAAI,CAAC,EAAE,CAAC,UAAU,CAAC,SAAS,CAAC,EAAE,CAAC;QAC9B,EAAE,CAAC,SAAS,CAAC,SAAS,EAAE,EAAE,SAAS,EAAE,IAAI,EAAE,CAAC,CAAC;IAC/C,CAAC;IAED,MAAM,GAAG,GAAG,aAAa,CAAC,GAAG,EAAE,WAAW,EAAE,SAAS,CAAC,CAAC;IACvD,MAAM,GAAG,CAAC,QAAQ,CAAC,cAAc,EAAE,CAAC;IAEpC,MAAM,UAAU,GAAG,MAAM,eAAe,CAAC,eAAe,CAAC,CAAC;IAE1D,MAAM,MAAM,GAAG,cAAc,CAAC;QAC5B,GAAG;QACH,IAAI,EAAE,IAAI,CAAC,IAAI;QACf,QAAQ,EAAE,WAAW;QACrB,OAAO,EAAE,CAAC,GAAG,EAAE,EAAE;YACf,OAAO,CAAC,GAAG,CAAC,kCAAkC,GAAG,EAAE,CAAC,CAAC;YACrD,OAAO,CAAC,GAAG,CAAC,gBAAgB,GAAG,EAAE,CAAC,CAAC;YACnC,OAAO,CAAC,GAAG,CAAC,gBAAgB,SAAS,EAAE,CAAC,CAAC;YACzC,IAAI,UAAU,EAAE,CAAC;gBACf,OAAO,CAAC,GAAG,CAAC,6CAA6C,eAAe,EAAE,CAAC,CAAC;YAC9E,CAAC;YACD,IAAI,IAAI,CAAC,WAAW,EAAE,CAAC;gBACrB,IAAI,CAAC,GAAG,CAAC,CAAC,KAAK,CAAC,CAAC,GAAG,EAAE,EAAE;oBACtB,OAAO,CAAC,KAAK,CAAC,6BAA6B,GAAG,CAAC,OAAO,EAAE,CAAC,CAAC;gBAC5D,CAAC,CAAC,CAAC;YACL,CAAC;QACH,CAAC;KACF,CAAC,CAAC;IAEH,OAAO,CAAC,EAAE,CAAC,QAAQ,EAAE,GAAG,EAAE;QACxB,OAAO,CAAC,GAAG,CAAC,sBAAsB,CAAC,CAAC;QACpC,GAAG,CAAC,cAAc,CAAC,KAAK,EAAE,CAAC;QAC3B,MAAM,CAAC,KAAK,CAAC,GAAG,EAAE,CAAC,OAAO,CAAC,IAAI,CAAC,CAAC,CAAC,CAAC,CAAC;IACtC,CAAC,CAAC,CAAC;IAEH,OAAO,CAAC,EAAE,CAAC,SAAS,EAAE,GAAG,EAAE;QACzB,GAAG,CAAC,cAAc,CAAC,KAAK,EAAE,CAAC;QAC3B,MAAM,CAAC,KAAK,CAAC,GAAG,EAAE,CAAC,OAAO,CAAC,IAAI,CAAC,CAAC,CAAC,CAAC,CAAC;IACtC,CAAC,CAAC,CAAC;AACL,CAAC;AAED,IAAI,EAAE,CAAC,KAAK,CAAC,CAAC,GAAG,EAAE,EAAE;IACnB,OAAO,CAAC,KAAK,CAAC,gBAAgB,GAAG,YAAY,KAAK,CAAC,CAAC,CAAC,GAAG,CAAC,OAAO,CAAC,CAAC,CAAC,MAAM,CAAC,GAAG,CAAC,EAAE,CAAC,CAAC;IAClF,OAAO,CAAC,IAAI,CAAC,CAAC,CAAC,CAAC;AAClB,CAAC,CAAC,CAAC"}

package/docs/0.agent-memory-market-research.md

@@ -0,0 +1,354 @@
+# Agent 记忆系统：主流实现与理论调研
+
+> 版本：v1.0  
+> 作者：Zehee & Kimi  
+> 日期：2026-06-23  
+> 范围：学术理论、开源框架、商业产品  
+
+---
+
+## 一、调研动机
+
+我们在设计自己的 Agent 记忆系统（三层模型 + 主题追溯）时，需要回答一个问题：
+
+> **我们是在闭门造车，还是这些想法与业界主流方向一致？市场上有哪些值得借鉴的实现？**
+
+本报告汇总了当前主流的理论框架、开源/商业记忆系统，并与我们的设计进行对比，找出共识、差异和潜在的创新空间。
+
+---
+
+## 二、学术理论框架
+
+### 2.1 CoALA 框架：认知科学四分类
+
+Princeton 2023 年提出的 CoALA 框架（arXiv:2309.02427）是当前最权威的理论基础，将 Agent 记忆分为四类：
+
+| 记忆类型 | 人类类比 | 存储内容 | Agent 实现 |
+|---|---|---|---|
+| **Working（工作记忆）** | 前额叶皮层 | 当前任务上下文 | Context window / prompt |
+| **Episodic（情景记忆）** | 海马体 | 具体事件、交互记录 | Event log + vector index |
+| **Semantic（语义记忆）** | 大脑皮层 | 事实、知识、关系 | Knowledge graph / vector DB |
+| **Procedural（程序记忆）** | 小脑 | 技能、流程、行为规则 | System prompt / tool definitions |
+
+**关键洞察**：
+- 不同类型的信息有不同的访问模式、相关性衰减曲线和存储成本
+- 不能用单一机制（如向量库）同时服务所有记忆类型
+- Procedural memory 在现阶段生产工具中覆盖最差，是"关键缺口"
+
+### 2.2 "Memory in the Age of AI Agents" 三维分类
+
+2025 年 12 月，47 位研究者发表的大型综述（arXiv:2512.13564）提出了更工程化的三维分类：
+
+- **Forms（形式）**：token-level、parametric、latent（embeddings / hidden states）
+- **Functions（功能）**：factual、experiential、working、procedural
+- **Dynamics（动态）**：formation、evolution、retrieval
+
+该综述指出的生产工具覆盖情况：
+
+| 功能 | 代表系统 | 成熟度 |
+|---|---|---|
+| Factual | Mem0, Memori, pgvector | 高 |
+| Experiential | MemPalace, Zep, LangMem | 中-高 |
+| Working | PRIME, MemGPT paging | 中 |
+| **Procedural** | **几乎无生产工具** | **关键缺口** |
+
+### 2.3 对我们的映射
+
+我们的三层模型与 CoALA + 三维分类的对应关系：
+
+| 我们的层 | 对应学术分类 | 说明 |
+|---|---|---|
+| 持续认知层 | Procedural memory + 高优先级 Semantic | 身份、规则、行为框架，始终注入 |
+| 持久化知识库 | Semantic memory + Factual memory | 事实、决策、项目知识，随用随查 |
+| 上下文保持与回忆 | Working memory + Episodic memory | 当前对话 + 历史交互记录 |
+| 主题追溯（横向能力） | **跨 Episodic/Semantic 的关联图** | 学术界尚未充分强调的维度 |
+
+**结论**：我们的三层模型与主流理论高度一致，但**主题追溯**是一个尚未被充分理论化的创新点。
+
+---
+
+## 三、开源框架实现
+
+### 3.1 LangChain / LangGraph Memory
+
+**历史演进**：
+- LangChain 0.3.1（2024 年 9 月）弃用了经典 memory class
+- 新范式：`RunnableWithMessageHistory` + LangGraph checkpointing + LangGraph stores
+
+**经典 memory 类型（仍有参考价值）**：
+
+| 类型 | 机制 | 适用场景 |
+|---|---|---|
+| ConversationBufferMemory | 完整保存近期消息 | 短对话 |
+| ConversationSummaryMemory | LLM 总结长对话 | 长会话 |
+| ConversationBufferWindowMemory | 滑动窗口保留最近 k 轮 | 固定预算 |
+| ConversationEntityMemory | 提取实体关系 | CRM、关系跟踪 |
+| VectorStoreRetrieverMemory | 向量库存储 + 语义检索 | 大规模知识库 |
+
+**最佳实践**：组合使用 buffer + vector（hybrid memory）。
+
+**对我们的启示**：
+- 短期 buffer + 长期向量检索是行业共识
+- 但我们还需要**主题图**来超越单纯的时间/语义检索
+
+---
+
+### 3.2 Letta（原 MemGPT）
+
+**核心思想**：LLM-as-OS，把 context window 当作 RAM，外部存储当作磁盘。
+
+**三层记忆**：
+
+| 层级 | 类比 | 内容 |
+|---|---|---|
+| Core Memory | RAM | 始终在上下文中的小块（persona、关键用户事实） |
+| Recall Memory | 磁盘缓存 | 可搜索的近期对话历史 |
+| Archival Memory | 冷存储 | 长期存储，按需检索 |
+
+**关键设计**：
+- Agent **自己决定**什么该记住、什么该归档、什么该删除
+- 通过 tool calls 管理记忆（`memory_insert/replace/rethink`）
+- 上下文快满时，系统提示 agent 进行"换页"决策
+
+**对我们的启示**：
+- 我们的"持续认知层" ≈ Letta 的 Core Memory
+- 我们的"持久化知识库" ≈ Letta 的 Archival Memory
+- 但 Letta 的问题是**锁入成本高**，它拥有整个 agent loop
+
+---
+
+### 3.3 Mem0
+
+**定位**：最广泛部署的 Agent 记忆层（40K+ GitHub stars）。
+
+**架构**：
+- **提取阶段**：LLM 从对话中提取原子化事实
+- **管理阶段**：新事实与已有记忆对比，决定 add/update/delete/none
+- **检索阶段**：基于 embedding 的语义搜索，返回 top-k 记忆
+
+**特点**：
+- 写入时较重（需要 LLM 提取和冲突消解）
+- 读取时轻量（向量搜索）
+- 2026 年 4 月发布"token-efficient memory algorithm"，LongMemEval 达到 93.4%
+
+**对我们的启示**：
+- Mem0 证明了**提取 + 向量检索**在大规模用户记忆中的有效性
+- 但它的存储是 flat facts，缺乏主题关联和演变追溯
+- 我们的记忆 MCP 可以借鉴其提取/冲突消解机制
+
+---
+
+### 3.4 Zep / Graphiti
+
+**核心**：时序知识图（temporal knowledge graph）。
+
+**设计**：
+- 每个 episode 被分解为 entities、edges、temporal attributes
+- 每个事实有 validity window（何时为真、何时失效）
+- 支持多跳遍历和时序过滤
+
+**优势**：
+- 擅长回答"Q3 时客户对产品的情感如何"
+- 实体关系和时序推理强
+
+**劣势**：
+- 需要图数据库（Neo4j/FalkorDB/Kuzu）
+- 检索策略相对单一
+
+**对我们的启示**：
+- 我们的"主题追溯"可以借鉴时序知识图的思想
+- 但不需要一开始就上 Neo4j，可以先用 JSONL + 轻量图索引
+
+---
+
+### 3.5 Hindsight
+
+**核心**：Retain → Recall → Reflect 三操作。
+
+**存储层**：四个逻辑网络
+- **World**：外部世界客观事实
+- **Experience**：Agent 自身经历
+- **Observation**：实体中性摘要
+- **Opinion**：带置信度的主观信念
+
+**检索**：四策略并行
+1. Semantic search
+2. BM25 keyword
+3. Entity graph traversal
+4. Temporal filtering
+
+然后 RRF 融合 + cross-encoder rerank。
+
+**优势**：
+- LongMemEval 94.6%（当前 SOTA 级别）
+- 区分事实、信念、观点，支持信念演化
+
+**对我们的启示**：
+- 多策略检索是高级记忆系统的标配
+- 区分"事实"和"观点/信念"值得借鉴
+- 我们的记忆 MCP 未来可引入 confidence / contradiction 机制
+
+---
+
+## 四、商业产品实现
+
+### 4.1 OpenAI ChatGPT Memory
+
+**架构（2025 年逆向工程结果）**：
+
+ChatGPT 上下文窗口实际上有四层：
+1. **Session Metadata**：设备、位置、订阅等级等临时信息
+2. **User Memory**：永久保存的用户事实（显式保存或确认）
+3. **Recent Conversations Summary**：近期对话的简要总结（非 RAG）
+4. **Current Session Messages**：当前对话完整记录
+
+**关键发现**：
+- **没有使用向量数据库或 RAG**
+- 使用预计算的对话摘要 + 显式保存的事实
+- 记忆存储是**显式的**，不是暗中学习用户画像
+- 当 token 不足时，先裁剪当前会话消息，永久事实和近期摘要保留
+
+**对我们的启示**：
+- 简单有时打败复杂：摘要 + 显式记忆可以创造很好的个性化体验
+- 我们的"持续认知层"应该借鉴这种"小而确定"的设计
+- 不要过度工程化，先保证核心体验
+
+---
+
+### 4.2 Anthropic Claude Memory / Claude Code Auto-Memory
+
+**Claude 消费级 Memory**：
+- 单一文档累积用户相关笔记
+- 用户可查看、编辑、删除单条记忆
+- 2026 年 5 月测试 **Memory Files**：按主题/项目/上下文分多个结构化文档
+
+**Claude Code Auto-Memory**：
+- 本地项目目录下生成 `MEMORY.md`
+- 前 200 行自动加载到新 session
+- 可生成主题特定的记忆文件
+-  proactively 捕捉重复命令、解决方案、设计决策
+- `CLAUDE.md` 是人类撰写的持久指令层，与 `MEMORY.md` 互补
+
+**对我们的启示**：
+- Anthropic 的设计验证了我们的三层模型：
+  - `CLAUDE.md` ≈ 持续认知层
+  - `MEMORY.md` + topic files ≈ 持久化知识库
+  - 当前会话上下文 ≈ 上下文保持与回忆
+- **Memory Files 按主题分文档**，与我们的"主题追溯"方向一致
+- 但 Claude Code 仍按 session 加载，没有显式的跨 session 主题图
+
+---
+
+## 五、市场空白与创新机会
+
+### 5.1 已充分覆盖的领域
+
+- **Factual / Semantic memory**：Mem0、pgvector、知识图等成熟方案
+- **Conversation buffer / working memory**：LangChain、LlamaIndex 等框架内置
+- **Episodic storage**：MemPalace、Zep 等专注此领域
+
+### 5.2 尚未充分覆盖的领域
+
+| 空白领域 | 说明 | 我们的机会 |
+|---|---|---|
+| **Procedural memory 生产工具** | 目前多靠手写 prompt / 工具定义 | 我们的"持续认知层"可以发展成版本化的 procedural memory |
+| **跨 session 主题追溯** | 主流系统按 session 或按事实组织，缺乏主题演进视图 | 这是我们的核心创新点 |
+| **记忆来源审计** | 大多数系统不强调记忆来自哪轮对话、哪个 tool | 我们可以在 memory MCP 中强制记录 provenance |
+| **人机共治的记忆管理** | 自动提取 + 人工确认/修正的混合模式 | 我们的人工+AI 协作经验可以复用 |
+| **记忆置信度与矛盾消解** | 只有少数系统（Hindsight）支持 | 未来可扩展 |
+
+### 5.3 我们的差异化定位
+
+> **一个同时支持认知层、知识库、上下文回忆，并以"主题追溯"作为核心横向能力的记忆系统。**
+
+这与市场上的主要玩家形成差异：
+- 比 Mem0 多了主题图和来源审计
+- 比 Zep 更轻量，不依赖图数据库
+- 比 Letta 更少侵入，不拥有 agent loop
+- 比 ChatGPT Memory 更结构化，支持项目/工作区作用域
+- 比 Claude Code Memory 多了跨 session 主题关联
+
+---
+
+## 六、设计建议调整
+
+基于调研，对我们的三层模型提出以下调整建议：
+
+### 6.1 持续认知层
+
+- 借鉴 ChatGPT 的"显式事实"和 Claude 的 `CLAUDE.md`
+- 保持小而确定，设置硬性上限
+- 支持热加载和版本控制
+- 可细分为：global / user / workspace / project 四级覆盖
+
+### 6.2 持久化知识库
+
+- 借鉴 Mem0 的提取-管理-检索流程
+- 借鉴 Hindsight 的多策略检索（BM25 + semantic + graph + temporal）
+- 借鉴 Zep 的时序知识图思想，但用轻量实现
+- 强制记录 provenance：来源 session / turn / tool
+
+### 6.3 上下文保持与回忆
+
+- 借鉴 LangChain 的 buffer + summary 组合
+- 主题追溯作为核心能力：
+  - 自动识别主题
+  - 建立 turn → theme → session 的图
+  - 支持 `trace_theme` 和 `summarize_theme_evolution`
+
+### 6.4 新增：记忆生命周期管理
+
+- 萌芽 → 活跃 → 沉淀 → 归档 → 再激活
+- 借鉴 MemGPT 的"换页"思想：当某层记忆过大时，主动进行压缩/迁移
+- 借鉴 Claude Dreaming：后台"睡眠"阶段整理、合并、反思记忆
+
+---
+
+## 七、关键共识与我们的验证
+
+通过这次调研，我们发现我们的很多直觉与业界共识一致：
+
+| 我们的想法 | 市场验证 |
+|---|---|
+| 记忆应分层 | ✅ CoALA、三维分类、Letta、ChatGPT 都分层 |
+| 持续认知层应始终注入 | ✅ Letta Core Memory、ChatGPT User Memory |
+| 持久化知识库应随用随查 | ✅ Mem0、Zep、Hindsight |
+| 上下文不应只是线性衰减 | ✅ 学界/工业界都在探索超越线性的方法 |
+| 主题/项目组织优于纯 session 组织 | ✅ Claude Memory Files 正在做这个方向 |
+| 人机共治的记忆管理 | ✅ ChatGPT 显式确认记忆、Claude 可编辑记忆 |
+| 记忆应有来源可追溯 | ⚠️ 只有部分系统（Hindsight、Eywa）强调，是差异化点 |
+
+---
+
+## 八、结论
+
+**我们不是闭门造车。**
+
+我们的三层模型与学术界（CoALA、三维分类）和工业界（Letta、ChatGPT、Claude Code）的主流方向高度一致。但我们在两个方向上有明显的创新空间：
+
+1. **主题追溯**：把跨 session 的主题关联作为上下文回忆的核心能力，这是当前主流系统尚未充分探索的。
+2. **来源审计 + 人机共治**：结合我们的协作流程经验，让记忆系统不仅自动提取，还能被人类审查、修正、追溯。
+
+如果我们要把 memory MCP 做成有竞争力的产品，建议路线：
+
+1. **第一阶段**：实现稳定的三层记忆 + 基础主题识别
+2. **第二阶段**：加入 Mem0 式的自动提取和冲突消解
+3. **第三阶段**：加入 Hindsight 式的多策略检索和信念网络
+4. **第四阶段**：加入主题图的可视化和人机审查界面
+
+---
+
+## 参考来源
+
+- CoALA: A Cognitive Architecture for Language Agents (Princeton, 2023)
+- Memory in the Age of AI Agents (arXiv:2512.13564, Dec 2025)
+- Anatomy of Agentic Memory: Taxonomy and Empirical Analysis (arXiv:2602.19320, Feb 2026)
+- MemGPT / Letta: Packer et al., 2023; letta.com blog, 2025
+- Mem0: Chhikara et al., 2025; arXiv:2504.19413
+- Zep / Graphiti: Rasmussen et al., 2025; arXiv:2501.13956
+- Hindsight: Latimer et al., 2025; arXiv:2512.12818
+- ChatGPT Memory reverse engineering: llmrefs.com, 2025; shloked.com, 2025
+- Claude Memory Files: claudeainews.com, 2026
+- Claude Code Auto-Memory / CLAUDE.md: datastudios.org, 2026
+- LangChain Memory: langchain docs; jetthoughts.com, 2025
+- LlamaIndex Memory: llamaindex.ai blog, 2025