Aipmandy Dna Memory Dna Memory

DNA Memory - DNA 记忆系统

让 Agent 不只是记住，而是真正学会。

核心理念

人脑不是硬盘，不会无差别存储所有信息。人脑会：

• 遗忘不重要的
• 强化反复出现的
• 归纳零散信息为模式
• 反思过去的成功和失败

DNA Memory 模拟这个过程，让 Agent 真正"进化"。

三层记忆架构

┌─────────────────────────────────────────────────┐
│  工作记忆 (Working Memory)                       │
│  - 当前会话的临时信息                            │
│  - 会话结束后自动筛选                            │
│  - 文件：memory/working.json                     │
└─────────────────────────────────────────────────┘
                    ↓ 筛选
┌─────────────────────────────────────────────────┐
│  短期记忆 (Short-term Memory)                    │
│  - 近7天的重要信息                               │
│  - 带衰减权重，不访问会逐渐遗忘                  │
│  - 文件：memory/short_term.json                  │
└─────────────────────────────────────────────────┘
                    ↓ 巩固
┌─────────────────────────────────────────────────┐
│  长期记忆 (Long-term Memory)                     │
│  - 经过验证的持久知识                            │
│  - 归纳后的认知模式                              │
│  - 文件：memory/long_term.json + patterns.md     │
└─────────────────────────────────────────────────┘

记忆类型

核心操作

1. 记录 (Remember)

python3 scripts/evolve.py remember \
  --type fact \
  --content "Andy 的 GitHub 账号是 AIPMAndy" \
  --source "用户告知" \
  --importance 0.8

2. 回忆 (Recall)

python3 scripts/evolve.py recall "GitHub 账号"

返回相关记忆，按相关度和重要性排序。

3. 反思 (Reflect)

python3 scripts/evolve.py reflect

触发反思循环：

1. 回顾近期记忆
2. 识别重复模式
3. 归纳成认知模式
4. 更新长期记忆

4. 遗忘 (Forget)

python3 scripts/evolve.py decay

执行遗忘机制：

• 7天未访问的短期记忆权重衰减
• 权重低于阈值的记忆被清理
• 重要记忆不会被遗忘

5. 关联 (Link)

python3 scripts/evolve.py link <memory_id_1> <memory_id_2> --relation "因果"

建立记忆之间的关联，形成知识图谱。

6. 后台常驻 (Daemon)

启动（后台）：

python3 scripts/dna_memory_daemon.py start

查看状态：

python3 scripts/dna_memory_daemon.py status

停止：

python3 scripts/dna_memory_daemon.py stop

默认读取 assets/config.json 的节流参数：

• auto_reflect_interval_minutes（默认 30 分钟）
• auto_decay_interval_hours（默认 24 小时）

并且仅在有新的 remember 写入后才执行 reflect，避免重复归纳同一批记忆。 日志写入 /tmp/dna-memory-daemon.log。

自动触发

会话开始时

1. 加载相关长期记忆
2. 检查是否有待反思的短期记忆

会话结束时

1. 从工作记忆筛选重要信息
2. 存入短期记忆
3. 如果短期记忆积累足够，触发反思

每日自动

1. 执行遗忘机制
2. 检查是否需要归纳新模式

默认节流：

• auto_reflect_interval_minutes=30：自动反思最短间隔 30 分钟，避免高频重复归纳。
• auto_decay_interval_hours=24：自动遗忘最短间隔 24 小时。

并发安全

• evolve.py 已内置跨进程文件锁，支持前台命令与后台守护同时运行。
• JSON 写入采用原子替换，降低中断/并发导致的数据损坏风险。

记忆强化规则

记忆的重要性会动态调整：

认知模式 (Patterns)

当多个记忆呈现相似规律时，自动归纳为模式：

## Pattern: GitHub 推送策略

**触发条件**: 需要 push 到 GitHub 时

**学到的教训**:
1. 先检查网络连通性
2. 超时后等待重试，不要立即放弃
3. 如果持续失败，提供手动操作方案

**来源记忆**: [mem_001, mem_003, mem_007]

**验证次数**: 5
**最后验证**: 2026-03-01

与现有系统集成

与 MEMORY.md 的关系

• MEMORY.md 是人工维护的高层记忆
• DNA Memory 是自动化的细粒度记忆
• 重要的 Pattern 可以提升到 MEMORY.md

与 self-improving-agent 的关系

• self-improving-agent 记录错误和学习
• DNA Memory 在此基础上增加：归纳、遗忘、关联
• 可以导入 .learnings/ 中的内容

文件结构

~/.openclaw/workspace/memory/
├── working.json        # 工作记忆（当前会话）
├── short_term.json     # 短期记忆（7天内）
├── long_term.json      # 长期记忆（持久）
├── patterns.md         # 归纳的认知模式
├── graph.json          # 记忆关联图谱
└── meta.json           # 元数据（统计、配置）

使用示例

场景1：学习用户偏好

用户: "以后回复简洁点，别那么啰嗦"

Agent 内部操作:
1. remember --type preference --content "用户偏好简洁回复" --importance 0.9
2. 后续回复自动调整风格

场景2：从错误中学习

操作失败: "飞书 API 429 限流"

Agent 内部操作:
1. remember --type error --content "飞书 API 频繁调用会 429"
2. remember --type skill --content "飞书 API 要分段请求，间隔5秒"
3. link error_mem skill_mem --relation "解决方案"

场景3：自动归纳

反思发现:
- 记忆1: "GitHub push 超时"
- 记忆2: "GitHub clone 超时"  
- 记忆3: "GitHub fetch 超时"

归纳为 Pattern:
"网络访问 GitHub 不稳定，需要重试机制"

配置

{
  "decay_days": 7,
  "decay_rate": 0.1,
  "forget_threshold": 0.2,
  "reflect_trigger": 20,
  "max_short_term": 100,
  "max_long_term": 500
}

与其他记忆系统的对比

Created by AI酋长Andy | 让 Agent 真正学会成长

Source: AIPMAndy/dna-memory — distributed by TomeVault.