Frontier · Agent Memory 工程实战

RAD (Real-Time Agent Data) 开放标准

claude-mem 团队正在推动 RAD（Real-Time Agent Data）——一个 AI Agent 工作记忆的开放标准。

核心理念

RAD 定义了 Agent 如何捕获、存储和检索工作记忆的标准协议，不绑定特定的 IDE 或 Agent 框架。目标是让不同的 Memory 系统可以互操作。

关键设计元素

Hook-Based Architecture：基于事件的非侵入式捕获
Intelligent Compression：语义压缩而非全量存储
Temporal Awareness：时间维度是一等公民
Progressive Disclosure：分层检索而非全量注入

对生态的意义

如果 RAD 成为广泛采用的标准：

用户可以在不同 IDE/Agent 之间迁移记忆
第三方可以构建兼容的 Memory Provider
Agent Framework（LangChain、CrewAI 等）可以标准化记忆接口

Agent Memory 与 Agent-to-Agent 协作

当多个 Agent 协同工作时，Memory 需要从”个人记忆”扩展为”共享认知”。

场景


Agent A（代码审查）：发现了一个潜在的竞态条件
    ↓ 共享观察
Agent B（代码生成）：写新代码时自动避免类似问题
    ↓ 反馈
Agent C（测试生成）：针对竞态条件场景生成测试用例

共享记忆架构


interface SharedMemorySpace {
  // Agent 写入观察
  contribute(agentId: string, observation: Observation): Promise<void>;
 
  // Agent 读取相关记忆（过滤为与自己任务相关的）
  retrieve(agentId: string, context: TaskContext): Promise<Observation[]>;
 
  // 冲突检测：两个 Agent 做出矛盾的决策
  detectConflicts(obs: Observation): Promise<Conflict[]>;
}

关键挑战：

信息过载：10 个 Agent 各自产生大量 Observation，如何筛选每个 Agent 需要的子集
一致性：Agent A 修改了文件，Agent B 的缓存记忆是否还有效
优先级：多个 Agent 给出矛盾建议时，谁的记忆更权威

长期记忆的遗忘曲线

人类大脑有遗忘机制——不是设计缺陷，而是功能特性。Agent Memory 也需要”遗忘”。

为什么需要遗忘

旧决策可能已被新决策覆盖
过时的代码知识误导当前工作
存储无限增长的运维成本
索引中过多条目降低 Agent 的筛选效率

遗忘算法设计

借鉴 Ebbinghaus 遗忘曲线的思路，为每条 Observation 维护一个”存活权重”：


interface ObservationWeight {
  observationId: number;
  baseImportance: number;      // 初始重要性（由 type 决定）
  accessCount: number;         // 被检索次数
  lastAccessedAt: number;      // 最后访问时间
  createdAt: number;
}
 
function calculateRetentionScore(weight: ObservationWeight, now: number): number {
  const ageInDays = (now - weight.createdAt) / 86400;
  const recencyBonus = weight.lastAccessedAt
    ? Math.max(0, 1 - (now - weight.lastAccessedAt) / (30 * 86400)) // 30天内访问有加分
    : 0;
 
  // 基础权重 × 访问频率加成 × 时间衰减 × 近期访问加成
  const score = weight.baseImportance
    * (1 + Math.log2(1 + weight.accessCount))  // 对数增长，防止高频刷分
    * Math.exp(-ageInDays / 180)               // 180 天半衰期
    * (1 + recencyBonus);
 
  return score;
}
 
// type 对应的基础重要性
const typeImportance: Record<string, number> = {
  'decision': 10,     // 决策最重要，衰减最慢
  'gotcha': 8,        // 陷阱长期有效
  'trade-off': 7,
  'problem-solution': 5,
  'what-changed': 3,
  'how-it-works': 2,
  'discovery': 2,
};

遗忘策略

不是物理删除，而是从索引中移除：


Score > 5.0  → 始终出现在索引中
Score 2.0-5.0 → 仅在搜索时出现
Score < 2.0  → 归档（不参与搜索，可手动恢复）
Score < 0.5  → 标记为可删除

多模态记忆

代码不是 Agent 工作的全部。设计稿、架构图、会议记录、用户反馈——这些非代码信息也应该成为记忆的一部分。

扩展 Observation 类型


interface MultiModalObservation extends Observation {
  modality: 'code' | 'design' | 'diagram' | 'meeting' | 'document';
 
  // 代码模态（当前已有）
  files?: string[];
  codeSnippets?: string[];
 
  // 设计模态
  designAssets?: { url: string; description: string }[];
 
  // 图表模态
  diagrams?: { type: 'mermaid' | 'image'; content: string }[];
 
  // 会议模态
  meetingNotes?: { participants: string[]; decisions: string[]; actions: string[] };
}

跨模态关联

设计稿中的 UI 组件 → 对应的代码实现 → 相关的 Bug 记录 → 修复的 PR。这些跨模态的关联关系是知识图谱的自然应用场景。


Design("登录页") ──实现为──→ Code("src/pages/login.tsx")
                              │
                          包含Bug→ Observation("密码框自动填充冲突")
                              │
                          修复于→ Observation("使用 autocomplete=new-password")

Memory 驱动的 Agent 自我进化

以下内容属于开放研究方向，目前尚无成熟的生产级实现。代码示例为概念验证（PoC），不保证在所有场景下有效。

最前沿的方向：Agent 通过分析自己的 Memory 来改善自己的行为模式。

反思机制


// 定期分析自身记忆模式
async function selfReflect(observations: Observation[]): Promise<Insight[]> {
  // 分析过去 30 天的决策模式
  const decisions = observations.filter(o => o.type === 'decision');
  const bugfixes = observations.filter(o => o.type === 'problem-solution');
 
  // 检测：哪些决策后来导致了 Bug？
  const regretableDecisions = findDecisionsLeadingToBugs(decisions, bugfixes);
 
  // 生成洞察
  return regretableDecisions.map(d => ({
    type: 'self-improvement',
    title: `决策 "${d.title}" 后来引发了问题`,
    suggestion: `下次面临类似选择时考虑...`,
  }));
}

行为模式学习

通过统计 Observation 类型的时间分布，Agent 可以学习：

“周一上午通常在修 Bug”→ 主动检查 CI 状态
“这个模块的改动频率很高”→ 增加测试覆盖
“这类决策之后总是要返工”→ 建议多花时间调研

这不是科幻——它只需要一个定时的分析任务，基于结构化的 Observation 数据做统计和 LLM 总结。Memory 系统的数据基础已经具备，缺的只是上层的分析逻辑。

思考题

遗忘算法的”180 天半衰期”是一个经验值。如果你做的是一个 3 个月短期项目 vs 一个维护 5 年的基础设施，半衰期应该怎么调？
Agent-to-Agent 共享记忆中的”冲突检测”——两个 Agent 做了矛盾的决策，你会怎么设计仲裁机制？
“Memory 驱动的自我进化”在伦理上有什么风险？Agent 学到了错误的模式并强化了它，如何检测和纠正？

至此，全书 18 章内容完成。从 Agent Memory 的基础认知，到 claude-mem 的源码深度解析，到动手构建 mini-mem Plugin，再到企业级平台的架构设计和前沿探索——希望这本书能帮助你建立完整的 Agent Memory 工程知识体系，并在实践中创造价值。

继续交流：inferloop.dev

遗忘算法的完整可运行 Demo 见 examples/ch18-frontier/。