Wangdefa.Memory

中文 | English

Wangdefa.Memory

本地优先的 Agent 五层记忆体组件

---

📄 更新说明

详见 CHANGELOG.md

---

📖 项目简介

Wangdefa.Memory 是一个为本地数字分身 Agent 设计的“理解型”五层记忆体组件，数据完全保留在本地，不依赖云端，目标达到轻量部署、白盒可控、可解释、置信可管，未来将进一步往企业级原生记忆体方向拓展。

Wangdefa.Memory 选择了无向量记忆体方向（不排除未来有弱向量辅助），将记忆模拟人类思考结构，分为认知、特征推演、思考、阅历、传递五层。

我们认为记忆来源于对事件特征的识别与记录，特征记忆是人类与机器之间能找到的记忆共性，而机器的优势在于能记住大量特征标签，所以这个项目希望以特征记忆能力为主要核心，让 Agent 趋向「像人一样理解用户，记住用户」的能力。

记忆体负责存储、检索和演化长期记忆及自我沉淀，并实现自我清理迭代，通过长期累计配合，让你的 Agent 用得越久越理解你，可以更好的理解你的潜在需求，逐渐成为你的本地“数字分身”。

状态：早期阶段（Early Stage） - 核心功能已完成，正在优化推演逻辑。欢迎试用和反馈。

---

Wangdefa.Memory 设计思路

大家都在卷什么

现在的记忆体越来越多，不管插件还是框架，卷的方向算高度一致：召回精确，精准识别。

怎么召得更准，怎么认得更精？毫无疑问这方面技术未来会越来越完善。

然而，召回的准确，是否等同于召回的"有用"？

精确召回的本质是搜索。搜得再准，它也是搜索。你问一句话，系统把"相关"的内容全塞进来，这错了吗？并没有。但需要吗？不好说。

什么是人真正想要的？

我个人认为，是LLM会像人类一样，不是召回就塞入大量的信息，这不仅显得信息过量，同时也消耗了大量的无效token，而根据聊天的需要召回“有效、有关联”的东西，个人认为才是真正的记忆体。

人的记忆怎么进行的？

人的记忆核心是感知驱动。

永远是先感知对方的需求和意图，再决定调用什么层次的记忆来回应。

如果你在与闲聊的时候，对方问了你大概，这时候应该是用认知进行第一反应回复；而如果你塞了一堆起因经过结果，的事件背景给对方，这听起来就很扯淡了。

所以人在回忆某件事的时候，脑子里先出来的是个大概轮廓，不是全文。

只有深入讨论的时候，才需要把完整细节调出来。

按**浅、中、深，三层记忆深度提取记忆。**这才应该是人类记忆的响应：

• 浅：只要给到意图，通过一个认知摘要回复即可。
• 中：需要事件的概要和内容的概览
• 深：代表需要提取整体事件的完整内容

人从来不是先"检索"再"回答"的。人是先"感知"再"驱动"。

记忆是什么

我认为是记忆特征。

人类对记忆的检索都是基于特征获取的。

你记住的一个画面的细节，或者记住一个对话的关键词，乃至于你记住的一串独特数字，都是这个记忆的特征，不同维度的特征组成了一张记忆画面。

比如某个下午的会议，时间、空间、参与人、主题、起因、经过、结果，乃至于天气如何、桌上摆着一瓶花，会议屏幕长什么样？遥控是否坏了？都是这个时空下的记忆特征。

由这些记忆特征共同构建了一个事件画面，人从这个画面中提取了大概的过程，又接着在脑子里提取了一份会议事件的摘要。

这就是整个记忆的组成结构。

恰巧，记忆对于特征标签的记忆与人类的记忆特性是一致的，

而机器的优势在于，他能记住人类所无法记住的大量各异标签。

为什么不用向量

因为人脑子里没有余弦相似度。

人想起一件事，永远是特征触发的。一个声音、一张脸、一个味道，"想起来了"。跟向量没有半毛钱关系。

向量是把高维特征压缩成低维向量。但你已经用特征了，就不需要向量了。

另外在事件的关联性上，人类的脑子是更微妙的直观感知记忆，通过认知直接焊死了两者的关联性。

我认为就是人脑子里的特征标签在自动处理推演。

所以特征标签，可解释、可编辑、轻量。

你知道为什么召回，人可以改，不需要 Embedding 模型和向量库。

LLM 该干什么

LLM 的语言理解能力已经到一定水平了。准确理解人类语言，即便现在还有瑕疵，未来也会越来越好。

那么LLM需要的就不会再是一个精准的记忆搜索工具，而是用户的意图推演修正辅助；

而记忆体真正该做的，就是作为意图推演+记忆思路+用户偏好的修正辅助而存在。

读懂用户——什么状态、什么情绪、什么意图、需要哪个层次的信息。然后把感知结果交给引擎去匹配特征、召回记忆。

语义理解交给 LLM，特征匹配交给引擎。

各司其职。

我要做什么

基于对 LLM 未来能力的预期，设计了 Wangdefa.Memory。

两个核心理念：

感知驱动理解 —— 先感知意图，再决定调哪个层次的记忆。不盲目塞信息，尽量不浪费 token。

记忆资产沉淀 —— 每一次对话都是一次积累。记忆越用越多，系统越来越懂你。最终是一个本地数字分身，同时沉淀属于你自己的个人记忆资产。

关于WangdeMemory如何运作

目前以ABC三条线路进行运行；

A线：意图感知 + 语义解析（只读）

1. 先判断输入文体。（人类语言离不开记叙、议论、说明、意识流、散文等主要文体），文体判断不是装饰，它决定意图推测的方向。
2. LLM 做意图分析，输出感知信息（场景/场景细分/情绪/状态/语境）、路由决策（浅/中/深）、记忆特征推测标签。
3. A线推测的标签用于检索线索，命中已有标签则取用，未命中则留给 C线统一处理（A线不写标签池）。
4. 引擎做多轮拓展匹配（含三级关联扩展），找出潜在关联的认知卡片，按置信度推给 B 线。
5. B 线开始前，A 线先建一张认知卡片框架占位。B 线完成后，C 线补全。

B线：内容生成

接收 A 线的感知结果、路由层级、关联记忆、用户偏好，LLM 生成回复，流式输出。

C线：学习与沉淀（异步，不阻塞用户）

1. 记录完整事件
2. 写概览与概要
3. 补全卡片标签、摘要、指针、场景定稿
4. 标签治理：同义标签建立三级关联（同义/相关/弱相关）并存，不退场
5. 泛用词拦截：无区分度的词转为弃用状态，退出召回
6. 版本对齐：对使用到的残缺标签补全定义与维度
7. 修正偏好与反馈

---

✨ 核心特性

---

📦 NuGet 安装

dotnet add package Wangdefa.Memory

---

🔌 DSH 一键安装

在 DSH 环境中执行以下命令即可完成安装：

dsh plugin add github:VinsonWild/Wangdefa.Memory

安装后启动 DSH，记忆体将自动工作：

• 对话时自动检索历史记忆并注入上下文
• 对话结束后自动保存记忆

首次启动会自动下载引擎，无需额外配置。

前置条件

• .NET 10.0+
• DSH 已配置 DEEPSEEK_API_KEY（插件会自动复用）

使用示例

第一次对话（写入记忆）：

你：我喜欢用简洁的代码风格，变量名要清晰。
DSH：好的，已记录你的偏好。

后续对话（自动召回记忆）：

你：帮我重构一下这个项目的代码。
DSH：好的，根据你偏好的简洁风格，我建议...

记忆体自动完成检索、注入和保存，无需手动调用任何工具。

2. 补全记忆（填内容）

拿到 frameId 后，调用 save_memory 补全：

mcp__WangdefaMemory__save_memory 好的，已记录你的偏好 认知_20260819_143022 completed

返回示例：

{
  "success": true,
  "message": "记忆已补全并保存，cardId: 认知_20260819_143022，状态: completed"
}

3. 查询记忆

下次对话时，记忆体会自动检索相关记忆：

mcp__WangdefaMemory__process_message 写代码时要注意什么

如果命中，返回的 hasMemory 为 true，memory 字段包含摘要和标签。

状态说明

---

🚀 快速开始（.NET 开发者）

1. 初始化记忆体

using Wangdefa.AgentMemory;
using Wangdefa.AgentMemory.Models;
using Wangdefa.Contracts;

var chatService = new MyChatService();
var basePath = Path.Combine(Directory.GetCurrentDirectory(), "memory");

ServiceRegistry.Initialize(chatService, basePath);
var memory = ServiceRegistry.GetWangdefaMemory();

2. 写入记忆（两阶段）

// 阶段一：写框架
var frameId = await memory.WriteMemoryFrame(
    topicId: "demo",
    userInput: "我喜欢用简洁的风格写代码",
    perception: new PerceptionModel { Scene = "工作", SceneSub = "代码评审" },
    tags: new List<string> { "代码风格", "简洁" },
    route: "shallow"
);

// 阶段二：补全
await memory.CompleteMemory(
    cardId: frameId,
    userInput: "我喜欢用简洁的风格写代码",
    agentResponse: "好的，已记录你的偏好",
    status: "completed"
);

3. 查询记忆

var result = await memory.CognitiveMatch(
    input: "写代码时要注意什么",
    semanticTags: null
);

if (result != null)
{
    Console.WriteLine($"匹配到记忆: {result.Summary}");
}

---

⚙️ 核心机制：特征推演引擎

记忆体的核心是 特征推演引擎（FeatureEngine），负责记忆的匹配和排序。

特征推演三件套

推演流程： 用户输入 → 推测特征标签 → 查标签池拿到 code（含重定向与关联扩展）→ 查密码簿拿到卡片ID → 通过特征池确认卡片有哪些标签 → 多轮拓展推演关联 → 计算匹配强度

匹配流程

1. 标签匹配：用标签名查标签池，命中则拿 code；已合并的标签自动重定向到目标标签
2. 近义匹配：用近义词扩展匹配范围
3. 关联扩展：按三级关联扩展召回（见下节「标签治理机制」）
4. 密码簿查询：用 code 查密码簿，拿到卡片ID列表
5. 特征池匹配：确认卡片实际包含哪些标签，计算匹配强度
6. 时间衰减：匹配强度 × exp(-0.05 × 天数)，新记忆优先
7. 反馈修正：confirmed 加分，rejected 丢弃，ignored/partial 中性
8. 场景加权：大类命中 +0.1，细分命中再 +0.1
9. 状态过滤：只返回 completed 状态的卡片
10. 排序返回：按最终权重降序返回 TopN

---

🏷️ 标签治理机制

标签池是记忆体的召回入口。它如何演化，直接决定记忆"能不能被想起来"。

为什么不做消灭式合并

LLM 天然会输出同义不同名的标签：标签池 / 标签池管理 / 标签库。

早期做法是合并它们，让标签池保持整洁。但这条路有问题：

标签池的目标不是「干净」，而是「召回全」。

合并意味着删掉一个入口。用户下次说的恰好是被删掉的那个词，就再也找不到这条记忆了 —— 为了整洁牺牲召回，得不偿失。

所以现在改为关联式共存：不消灭标签，而是建立关联，让它们互相能找到。

三级关联

适用范围：同义不同名的有效标签（如 标签池 / 标签库）。 泛用词不走关联 —— 它们无区分度，走的是弃用（见「标签生命周期」）。

写入是双向的 —— 任一方被命中都能找到对方。

等级只升不降 —— loose → related → synonym 允许升级，反向不允许。

边界严守：

• 目标标签必须已存在，不因建关联而新增标签行
• 禁止自环
• 关联写入只改 RelatedCodes，不改状态

这条边界很关键：历史上曾因「近义词递归建标签」产生过永久待审的死循环。

标签生命周期

merged 保留在缓存中是刻意的 —— MergedTo 指向目标标签，旧名字靠它一跳重定向，是"活路标"而非"废弃残留"。

deprecated 则从缓存中剔除 —— 它没有任何指向，不该再被召回。

两种治理手段的区别：

前者是"舍不得丢入口"，后者是"留着只会添噪" —— 两者的判断依据都是同一个问题：它是否能独立指向一类记忆。

双线读写边界

为什么必须分开：如果检索路径能写标签池，"用户提到一个不存在的词"就会变成"凭空创建一个标签"，最终标签池会被检索行为污染，且难以追溯来源。

可逆性原则

LLM 只做可逆的动作，不可逆的交给人工。

合并会搬移卡片、转移语义、废弃源标签，一旦出错很难还原。因此不交给 LLM 自动执行，但从关联中仍可获得合并建议。

版本对齐（被动自愈）

标签会随系统演进而变化：字段新增、格式调整、语义补充。历史标签不可能一次性全部迁移。

做法是以 C# 模型为基准，让标签在使用过程中自愈：

1. 检测：A 线顺路检查命中的标签是否残缺（缺定义、缺维度、旧格式）
2. 上报：残缺标签随卡片补全流程交给 C 线
3. 对齐：C 线按当前模型补全或迁移，只写实际出现的字段，空值不覆盖

为什么要"被动"：不阻塞主流程、不需要离线批处理、只修真正被用到的标签 —— 冷门标签不必提前处理，热门标签会自然收敛。

版本判断永远以代码模型为准，不手写版本规则。模型升级时，只需改模型一处。

---

🏗️ 架构图

┌─────────────────────────────────────────────────────────────────────────────────────┐
│                                     记忆体架构                                     │
├─────────────────────────────────────────────────────────────────────────────────────┤
│                                                                                     │
│  ┌─────────────────────────────────────────────────────────────────────────────┐   │
│  │                         对外接口（IWangdefaMemory）                         │   │
│  └─────────────────────────────────────────────────────────────────────────────┘   │
│                                    │                                               │
│                                    ▼                                               │
│  ┌─────────────────────────────────────────────────────────────────────────────┐   │
│  │                         核心：特征推演引擎（FeatureEngine）                   │   │
│  │                                                                             │   │
│  │   ┌───────────────┐    ┌───────────────┐    ┌───────────────┐              │   │
│  │   │   标签池       │    │   密码簿       │    │   特征统计     │              │   │
│  │   │ TagDictionary │    │ PasswordBook  │    │ FeatureStats  │              │   │
│  │   └───────────────┘    └───────────────┘    └───────────────┘              │   │
│  │                                                                             │   │
│  │   ┌───────────────────────────────────────────────────────────────────────┐ │   │
│  │   │                        场景库（SceneStore）                            │ │   │
│  │   │              场景大类 + 细分，独立存储，可持续积累                       │ │   │
│  │   └───────────────────────────────────────────────────────────────────────┘ │   │
│  └─────────────────────────────────────────────────────────────────────────────┘   │
│                                    │                                               │
│                                    ▼                                               │
│  ┌─────────────────────────────────────────────────────────────────────────────┐   │
│  │                         认知层（CognitiveReader）                            │   │
│  │                                                                             │   │
│  │   特征推演返回的卡片ID → 加载认知卡片 → 叠加反馈/场景权重 → 返回结果          │   │
│  │                                                                             │   │
│  └─────────────────────────────────────────────────────────────────────────────┘   │
│                                    │                                               │
│                                    ▼                                               │
│  ┌─────────────────────────────────────────────────────────────────────────────┐   │
│  │                         存储层（L2 + L3）                                    │   │
│  │                                                                             │   │
│  │   ┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐        │   │
│  │   │  思考层          │    │  阅历层          │    │  知识层          │        │   │
│  │   │ ThinkingStore   │    │  EventStore     │    │ KnowledgeStore  │        │   │
│  │   │                 │    │  MemorySink     │    │                 │        │   │
│  │   │ 分流索引         │    │  事件存储        │    │  概览+摘要        │        │   │
│  │   └─────────────────┘    └─────────────────┘    └─────────────────┘        │   │
│  └─────────────────────────────────────────────────────────────────────────────┘   │
│                                                                                     │
└─────────────────────────────────────────────────────────────────────────────────────┘

---

🧩 各层职责

---

📂 存储目录结构

memory/
├── wangdefa_memory.db                      ← SQLite 主库（记录检索用）
├── feature_pool.db                         ← 标签池 + 密码簿 + 特征统计
├── scene_store.db                          ← 场景库（大类 + 细分）
├── cognitive/
│   └── records/
│       └── 认知_xxx.json                   ← L1 认知层（含 Status 状态标记）
├── experience/
│   ├── events/
│   │   └── 2026-08-10/
│   │       └── 事件_xxx.json              ← L3 阅历层（事件）
│   └── knowledge/
│       └── {topicId}/
│           ├── 概览_xxx.json              ← L3 阅历层（知识）
│           └── 摘要_xxx.json              ← L3 阅历层（知识）
└── thinking/
    └── chat/
        └── {topicId}/
            └── 记录_xxx.json              ← L2 思考层（分流索引）

---

🔁 数据流

写入流程（两阶段）

阶段一：写框架（WriteMemoryFrame）
用户输入 → A线 推测标签 → 中间件 → 写框架（Status = pending）
    ├── 创建认知卡片（标签 + 感知信息 + 场景候选）
    ├── 写入密码簿（code → 卡片ID）
    └── 返回 frameId

阶段二：补全（CompleteMemory）
Agent 生成回复 → 调用 SaveMemory(frameId, agentResponse)
    ├── 填充 Summary
    ├── 更新 Status → completed / interrupted / failed
    ├── 场景定稿（C线为主、A线兜底）
    ├── 标签治理（建立三级关联 / 泛用词转弃用）
    ├── 版本对齐（补全残缺标签的定义与维度）
    ├── 更新特征统计
    └── 记忆可被检索

查询流程

用户输入 → A线 推测标签 → 中间件
    ├── 标签匹配（含已合并标签重定向）
    ├── 近义扩展 + 关联扩展（同义多跳 / 相关 1 跳 / 弱相关不扩展）
    ├── 特征推演检索（标签匹配 + 时间衰减 + 反馈修正 + 场景加权）
    ├── 状态过滤（只返回 completed 卡片，弃用标签不参与召回）
    └── 返回 CognitiveMatchResult

---

📝 接口说明

IWangdefaMemory

---

🤝 贡献

欢迎贡献！请阅读 CONTRIBUTING.md 了解详情。

1. Fork 本仓库
2. 创建你的分支 (git checkout -b feature/amazing-feature)
3. 提交你的修改 (git commit -m 'Add some amazing feature')
4. 推送到分支 (git push origin feature/amazing-feature)
5. 提交 Pull Request

要求

• 所有测试必须通过 (dotnet test)
• 新功能需要包含测试
• 保持代码风格与现有代码一致

---

📄 License

Apache License 2.0 © 2026 Wangdefa Memory Contributors

See LICENSE for details.