Skip to main content
本页为未来迭代方案。当前实现见 Pipelines，总览见 Evolution Roadmap。

​
Phase 5: 智能提取

目标：替换启发式提取，让系统自主决定”什么值得记住” 现状（Phase 2）：行为统计 + LLM 一次性提取，固定规则决定存什么。 问题：一次性提取遗漏上下文关系，固定规则无法自适应。

​
5.1 预测-校准提取（NEMORI）

NEMORI 的核心思想来自自由能原理：系统预测即将发生什么，当预测失败时，才触发记忆存储。 Kira 实现： 
interface PredictionGap {
  predicted: string;     // "用户通常选 vintage 滤镜"
  actual: string;        // "用户选了 cyberpunk 滤镜"
  gap_type: 'preference_shift' | 'new_behavior' | 'contradiction';
  importance: number;    // 偏差越大越重要
}

async function extractByPredictionGap(
  task: MemoryExtractTask,
  existingProfile: Profile
): Promise<Memory[]> {
  // 1. 基于已有画像预测行为
  const predictions = await predictBehavior(existingProfile, task.messages[0]);

  // 2. 对比实际 tool_calls
  const gaps = detectGaps(predictions, task.tool_calls);

  // 3. 只为有意义的偏差创建记忆
  return gaps
    .filter(g => g.importance > 0.3)
    .map(g => createMemoryFromGap(g));
}
关键收益：已知信息不重复存储，大幅减少冗余记忆写入。

​
5.2 主动提取（ProMem）

ProMem 的关键洞察：通过自问式迭代探测（recurrent self-questioning）主动从对话历史中挖掘值得记忆的信息，而不是被动存储再寄希望于检索能找到。 
const extractionPrompt = `
分析这段对话，提取值得记住的信息。
对每条提取的记忆，回答：
1. 未来什么场景会需要检索到它？
2. 用户可能怎么表达相关需求？
3. 如果缺少这条记忆，Agent 会犯什么错？

只提取"缺少会导致 Agent 犯错"的信息。
`;
关键收益：提取质量从”存了很多但检索不到”提升到”存的少但每条都能被正确检索”。

​
5.3 惊奇分割（HiMem）

用话题连贯性 + 惊奇度双通道检测对话边界，替代固定 turn 数分割： 
function segmentConversation(messages: Message[]): Episode[] {
  const episodes: Episode[] = [];
  let currentEpisode: Message[] = [];

  for (const msg of messages) {
    const topicShift = detectTopicShift(currentEpisode, msg);    // 话题通道
    const surprise = calculateSurprise(currentEpisode, msg);      // 惊奇通道

    if (topicShift > 0.7 || surprise > 0.8) {
      episodes.push(createEpisode(currentEpisode));
      currentEpisode = [msg];
    } else {
      currentEpisode.push(msg);
    }
  }

  return episodes;
}
关键收益：每个记忆单元语义完整，不会因为固定窗口切割而丢失上下文。

​
Phase 6: 深度固化

目标：从简单的”每天跑一次 Consolidator”升级为多层次离线记忆加工 现状（Phase 3）：每天凌晨 3:00 跑一次 LLM 更新画像。 问题：无法处理矛盾记忆，固化粒度太粗。

​
6.1 睡眠时固化（LightMem）

受 Atkinson-Shiffrin 模型启发，将固化完全解耦为离线 Worker： Kira 实现：固化 Worker 作为独立 NATS consumer，session 结束时触发而非每天定时： 
// NATS subject: tasks.memory.consolidate
// 触发时机：session 结束（最后一条消息后 30 分钟无活动）

interface ConsolidateTask {
  entity_id: string;
  entity_type: 'user' | 'group';
  session_memories: string[];   // 本 session 产生的 memory IDs
}
关键收益：固化不再是每天一次的批处理，而是每个 session 结束后自动触发。LightMem 实测在线推理时 token 消耗降低 117x（仅计在线推理成本，含离线固化后约 22x；注入 Agent 的上下文更精简）。

​
6.2 冲突感知再固化（HiMem）

当检索到的记忆与新信息矛盾时，触发再固化： 
async function injectWithConflictDetection(
  query: string,
  memories: Memory[]
): Promise<{ memories: Memory[]; conflicts: Conflict[] }> {
  const conflicts: Conflict[] = [];

  for (let i = 0; i < memories.length; i++) {
    for (let j = i + 1; j < memories.length; j++) {
      if (isContradictory(memories[i], memories[j])) {
        conflicts.push({
          memory_a: memories[i],
          memory_b: memories[j],
          resolution: 'prefer_newer',
        });
      }
    }
  }

  if (conflicts.length > 0) {
    await nats.publish('tasks.memory.reconsolidate', { conflicts });
  }

  return { memories, conflicts };
}
关键收益：记忆不再”只增不改”。用户改变偏好时，旧记忆被更新而不是共存造成矛盾。

​
6.3 叙事记忆构建（Amory）

关键洞察：在离线时用 Agent 推理构建记忆，比在线时检索更值得投入算力。 
碎片记忆:
  - "用户用了 vintage 滤镜"
  - "用户裁剪为 1:1"
  - "用户导出了"
  - "用户说'这张很适合发 Instagram'"

叙事记忆:
  "用户正在为 Instagram 准备方形图片，偏好 vintage 风格。
   导出行为表明对结果满意。"
关键收益：叙事记忆保留了因果关系和上下文，碎片记忆不行。

​
Phase 7: 自适应遗忘

目标：从简单指数衰减升级为认知科学级遗忘机制 现状（Phase 4）：单一指数衰减 + access_count 加成。 问题：所有记忆用相同衰减速率，已固化记忆仍占用空间。

​
7.1 ACT-R 激活公式

用认知科学的 ACT-R 模型替代简单指数衰减： 
function calculateActivation(memory: Memory, queryEmbedding?: Float32Array): number {
  // 1. 基础水平激活（幂律遗忘）
  const ageDays = daysSince(memory.created_at);
  const recencyActivation = -0.5 * Math.log(ageDays + 1);

  // 2. 频率激活
  const frequencyActivation = Math.log(memory.access_count + 1);

  // 3. 语义扩散激活
  let spreadingActivation = 0;
  if (queryEmbedding) {
    const similarity = cosineSimilarity(memory.embedding, queryEmbedding);
    spreadingActivation = similarity * 2.0;
  }

  // 4. 随机噪声（防止确定性遗忘杀死罕见但重要的记忆）
  const noise = gaussianRandom() * 0.25;

  return recencyActivation + frequencyActivation + spreadingActivation + noise;
}
关键收益：核心是时间衰减、频率和语义相似度三者协同。随机噪声作为辅助防止”确定性遗忘陷阱”——罕见但重要的记忆不会因为访问频率低被杀死。

​
7.2 差分衰减率（FadeMem）

不同类型的记忆用不同的衰减速率： 
const DECAY_RATES: Record<Memory['type'], number> = {
  instruction: 0.01,    // 显式指令衰减最慢
  preference: 0.03,     // 偏好中等衰减
  workflow: 0.05,       // 工作流习惯衰减较快
  episodic: 0.10,       // 情景记忆衰减最快
};
关键收益：45% 存储节省。情景记忆快速衰减释放空间，显式指令几乎永不过期。

​
7.3 混合遗忘策略

基于 Forgetful but Faithful 的六策略框架，Kira 选用其中五个（去掉与 LRU 重叠的 FIFO），以 Hybrid 为默认：
策略说明场景
Priority Decay重要度加权衰减默认混合策略的核心
Reflection-Summary低激活记忆摘要合并Consolidator 中使用
LRU最久未访问优先淘汰缓存层（Dragonfly）清理
Random-Drop概率随机丢弃防止过拟合
HybridPriority Decay + Reflection-Summary默认策略