记忆的写入与召回
记忆不是「聊天记录摘要」，而是一张独立的表：有作用域、有重要度、有访问计数，召回时用相似度 + 重要度 + 时间衰减 + 访问频率 + 作用域加成五个分量打分。理解这个公式，就理解了为什么有些记忆反复出现、有些从不再出现。
记忆模型
| 字段 | 说明 |
|---|---|
Scope | Global / Session / Project，默认 Global |
ProjectId / TopicId | 作用域载体：Project 必须带 ProjectId，Session 必须已有 TopicId |
Source | manual（手填）/ conversation（对话提取）/ work（工作会话提取） |
Category | 分类标签，随内容一起给模型看 |
Importance | 默认 0.5，创建与更新都会 Clamp(0, 1) |
AccessCount / LastAccessedAt | 召回副作用：命中即 +1 并刷新时间，两者参与打分 |
Score | 只在检索结果里返回，不落库 |
三条写入路径
| 路径 | 行为 |
|---|---|
POST /api/memories | 手动新增；不允许手动建 Session 作用域（会话记忆由提取产生），Project 作用域必须给 ProjectId |
POST /api/memories/extract/{topicId} | 从对话提取（conversation）；自动入口按「用户消息数 / 时间 / 密度」三个信号判断是否值得提取 |
POST /api/memories/extract-work/{sessionId} | 从工作会话提取（work）；每累计 10 条用户消息触发一次，且仅当会话关联受管项目时才提取 |
「每 10 条用户消息」与「仅受管项目」这两条约束是有意的：工作会话噪音大、token 贵，宁可不提取也不要写一堆无意义记忆进来。
召回与打分
| 分量 | 权重 / 公式 |
|---|---|
| 相似度 | 0.4 × similarity（向量检索） |
| 重要度 | 0.3 × importance |
| 时间衰减 | 0.2 × exp(-0.05 × 距上次访问天数) |
| 访问频率 | 0.1 × log(1 + AccessCount) / log(51)，50 次封顶 |
| 作用域加成 | 按作用域额外加权，Global 恒命中，Session 只匹配同 TopicId，Project 只匹配同 ProjectId |
结果按总分降序取前 K 条：注入上下文时默认 topK = 5，检索页默认 topK = 10。被命中的记忆会立刻写回 LastAccessedAt 与 AccessCount——这意味着用过的记忆下次更容易被用到，是一个正反馈回路，排查「某条无关记忆总出现」时要看它的访问计数。
工作会话注入时用的是「全局 ∪ 当前项目」两段并集（带入项目的 ManagedProjectId），这样项目规则类记忆只在对应项目内生效。
存储与检索介质
- SQLite 走
sqlite-vec虚表vec_memory_embeddings；PostgreSQL 走MemoryEmbeddings的vector列。 - 目前没有记忆的全文（FTS）检索路径：召回完全是向量 + 打分。
- 编辑记忆会重算 embedding；删除是软删并同时移除 embedding 与 vec 行。
- 没有记忆的版本历史表：编辑即覆盖。
观测与常量
| 常量 | 值 |
|---|---|
| 打分权重 | Alpha = 0.4 · Beta = 0.3 · Gamma = 0.2 · Delta = 0.1 |
| 衰减系数 | DecayLambda = 0.05 |
| 工作会话自动提取间隔 | AutoExtractInterval = 10 条用户消息 |
| 对话自动提取时间信号 | TimeTriggerMinutes = 30 |
实作要点
- 作用域选错是记忆问题的主因：项目专属的约定不要写成
Global，否则会污染其他项目的对话。 - 重要度是唯一可以人工干预的长期杠杆：把噪音记忆降到
0.1附近，它自然会被衰减掉。 - embedding 模型换了要重新索引记忆，否则相似度分量失真；这一点与笔记索引同源。
- 记忆的自动提取与 Dream 巩固是两件事：前者写、后者合；整理质量看 Dream 记忆巩固。