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 8: 多维检索

目标：从单一向量相似度升级为多维度智能检索 现状（Phase 3）：LanceDB cosine similarity + mergeAndRank。 问题：只靠语义相似度会”上下文隧穿”——检索到表面相似但实际无关的记忆。

​
8.1 多图分解（MAGMA）

将记忆间的关系拆分为四个独立维度： Kira 实现：查询时根据意图选择维度： 
async function multiDimensionalSearch(
  entityId: string,
  entityType: string,
  query: string,
  queryEmbedding: Float32Array
): Promise<Memory[]> {
  const intent = classifyIntent(query);

  switch (intent) {
    case 'semantic':      // "什么风格"
      return semanticSearch(entityId, entityType, queryEmbedding);
    case 'temporal':      // "上周" / "最近"
      return temporalSearch(entityId, entityType, query);
    case 'causal':        // "为什么" / "因为"
      return causalChainSearch(entityId, entityType, queryEmbedding);
    case 'entity':        // 提到具体人/项目
      return entityGraphSearch(entityId, entityType, query);
    default:
      return hybridSearch(entityId, entityType, queryEmbedding);
  }
}

​
8.2 扩散激活 + 侧抑制（SYNAPSE）

解决”上下文隧穿”——检索沿记忆网络扩散，同时压制无关记忆： 侧抑制：表面相似但语义不相关的记忆被主动压制。 关键收益：23% multi-hop 推理提升（vs full-context 方法）+ 95% token 减少。

​
8.3 演化信念层（Hindsight）

在现有记忆类型之上增加”信念”层——Agent 对用户的推断，区别于原始事实： 
// Phase 8 扩展：增加 belief 类型
type MemoryType = 'preference' | 'workflow' | 'instruction' | 'episodic' | 'belief';

// 信念示例
{
  type: 'belief',
  content: '用户是专业摄影师，主要拍人像，追求高端复古感',
  evidence_count: 12,     // 支持这个推断的记忆数量
  confidence: 0.85,       // 随证据积累增加
  last_challenged_at: null // 上次被矛盾证据挑战的时间
}
关键收益：信念 ≠ 事实。信念可以随新证据演化，旧信念被修正而不是无视。

​
8.4 联合记忆检索（MEMENTO）

MEMENTO（ICLR 2026）是一个评估框架，通过单记忆和联合记忆两类任务系统性地揭示了关键问题：Agent 能回忆单条记忆，但组合多条记忆做决策时失败率极高。 
失败案例:
  记忆 1: "用户偏好复古风格"
  记忆 2: "用户要求所有图片 1:1 比例"
  记忆 3: "用户不喜欢过度饱和"

  查询: "帮我处理这张照片"

  单记忆检索 → 只命中其中一条 → 结果不完整
  联合检索 → 三条同时注入 → Agent 正确组合应用
Kira 实现：检索后增加”记忆补全”步骤： 
async function retrieveWithCompletion(
  entityId: string,
  query: string,
  queryEmbedding: Float32Array
): Promise<Memory[]> {
  // 1. 常规 top-K 检索
  const primary = await searchMemories(entityId, 'user', queryEmbedding, 5);

  // 2. 检查是否缺少相关维度
  const dimensions = ['preference', 'workflow', 'instruction'];
  const coveredDimensions = new Set(primary.map(m => m.type));
  const missing = dimensions.filter(d => !coveredDimensions.has(d));

  // 3. 补全缺失维度
  const supplements: Memory[] = [];
  for (const dim of missing) {
    const result = await searchMemories(entityId, 'user', queryEmbedding, 1, dim);
    if (result.length > 0) supplements.push(result[0]);
  }

  return [...primary, ...supplements];
}

​
Phase 9: 群体智能与安全

目标：升级群记忆从简单独立实体到精细权限 + 安全防护 现状（Phase 3）：群和用户共享同一 entity 模型，inject 时并行拉取。 问题：无权限控制，无来源追踪，群记忆可被注入恶意内容。

​
9.1 二部图访问控制（Collaborative Memory）

将群记忆的访问控制建模为二部图： 数据模型扩展： 
CREATE TABLE memory.acl (
  memory_id    TEXT NOT NULL,
  entity_id    TEXT NOT NULL,
  entity_type  TEXT NOT NULL,
  permission   TEXT NOT NULL CHECK (permission IN ('read', 'write', 'admin')),
  granted_at   TIMESTAMPTZ DEFAULT NOW(),
  PRIMARY KEY (memory_id, entity_id, entity_type)
);
关键收益：群记忆不再是”全部可见”。61% 外部资源调用减少（共享记忆避免重复检索）。

​
9.2 来源追踪

每条记忆携带不可变的来源信息： 
interface MemoryProvenance {
  created_by: string;
  source_thread_id?: string;
  source_messages?: string[];
  contributing_entities: string[];
  created_at: string;
}

​
9.3 共识验证（A-MemGuard）

新记忆写入群记忆前，与已有记忆进行一致性校验： 
async function validateGroupMemory(
  groupId: string,
  newMemory: Memory
): Promise<{ valid: boolean; conflicts: Memory[] }> {
  const existing = await searchMemories(groupId, 'group', newMemory.embedding, 5);
  const conflicts = existing.filter(m => isContradictory(m, newMemory));

  if (conflicts.length > 0) {
    return { valid: false, conflicts };
  }

  return { valid: true, conflicts: [] };
}
关键收益：防止单个用户通过恶意输入污染群记忆。

​
Phase 10: RL 记忆自治

目标：用强化学习替代所有手写的记忆管理规则 现状：提取、固化、遗忘全靠手写启发式。 愿景：Agent 自己学会”什么时候存、存什么、什么时候删”。

​
10.1 RL 训练的记忆策略（AgeMem）

将所有记忆操作暴露为 tool calls，用 RL 训练 Agent 学会最优策略： 
const memoryTools = [
  'store_memory',
  'update_memory',
  'delete_memory',
  'summarize_context',
  'filter_context',
  'noop',
];

// 奖励信号：
// - 下游任务成功 → +1
// - 用户满意度 → +0.5（导出/点赞）
// - 记忆被检索命中 → +0.1
// - 存储成本 → -0.01 per memory
AgeMem 的关键发现：
  1. 自适应不同用户——高频和低频用户需要不同策略
  2. 可迁移——在 30k tokens 上训练的策略，能泛化到 400k tokens

​
10.2 Manager/User 分离（Memory-R1）

将记忆管理拆分为两个独立的 RL Agent： 关键发现：仅需 152 个标注样本即可训练有效的记忆管理策略。3B 参数模型即可胜任。

​
10.3 前瞻信号（EverMemOS）

EverMemOS 是一个完整的记忆操作系统，包含三个阶段：Episodic Trace Formation（含前瞻信号）、Semantic Consolidation（语义固化为主题场景）、Reconstructive Recollection（重构式检索）。Kira 主要借鉴其前瞻信号机制——在记忆写入时预测”这条记忆未来会被需要的概率”： 
interface MemoryWithForesight extends Memory {
  foresight: {
    predicted_relevance: number;
    predicted_scenarios: string[];
    ttl_estimate: number;         // 预估有效期（天）
  };
}
关键收益：有前瞻信号的记忆系统可以提前为”即将需要”的记忆做预热。