让Agent拥有记忆：本地长期记忆系统的认知架构与工程实践

当大模型在单轮对话中展现出惊人的推理能力时，一个被忽视的事实是：每一次会话结束，模型便会遗忘所有上下文。这与那位代号H.M.的癫痫患者惊人相似——切除海马体后，他的智力与语言能力完好如初，却永远无法形成新的长期记忆。今天的AI Agent正是数字世界里的H.M.：聪明却活在当下。如何让Agent真正拥有跨越时间的记忆能力，成为构建长期智能体的关键命题。一套名为HL-Mem的本地化记忆系统，以“受治理的认知系统”为核心理念，正在探索这条路径。

多数记忆系统解决的是“存下来”和“搜出来”的问题，却忽略了记忆数据与静态文档的本质差异。记忆是活的——它会重复、会矛盾、会过期、会被要求删除。向量检索能回答“像不像”，却无法回答“哪条在当前有效”“历史能否还原”“新信息为何替代旧认知”。HL-Mem的核心设计，是将记忆视为受治理的认知系统：保留不可变的原始事件（Event）作为证据，提取可更新的结构化事实（Claim）用于推理，通过双时间模型区分“事情何时为真”与“系统何时知晓”，最终实现记忆的动态修正与有尊严的遗忘。

记忆的本质是治理而非存储

人类记忆早已将记忆系统的每个难题都解过一遍。认知心理学的fuzzy-trace理论揭示，人类记忆分为逐字痕迹与要义痕迹，后者才是长期记忆的主体——这解释了为何HL-Mem选择存储结构化的要义而非原文，同时用不可变Event兜底举证。海马体是挑剔的编辑而非录音机，对应设计是AdmissionPolicy准入规则：信息必须通过信息量、未来可引用性等判断才能入库。遗忘曲线常被误读为缺陷，认知科学主流观点认为遗忘是主动的信息治理——HL-Mem据此设计了衰减、归档与显式遗忘三层机制，让低价值记忆有序退出，为高价值记忆释放检索带宽。

认知科学为工程指路

HL-Mem在工程上坚持运行时独立与本地优先原则。底层仅依赖SQLite WAL模式、FTS5全文索引与向量存储BLOB，小规模数据精确扫描向量即可，需要时可选sqlite-vec扩展。后台异步Worker承担去重、冲突消解、TTL清理与归档，不阻塞读写请求。这套设计将复杂度关进明确边界：在线召回不等待维护任务，基础数据面不依赖外部向量库或图数据库。中文语义检索通过Jieba领域词典预分词实现全文索引，模型层兼容多厂商接口，没有戏剧性的算法突破，更多是分词、Provider配置与默认值上的工程耐心——这些琐碎工作决定中文用户能否真正用起来。

设计取舍：记忆的生老病死

第一条硬规则是Event不可修改——原始对话作为案卷永久保留，系统对它的解读（Claim）则可更新、可纠正。这让任何记忆错误都可诊断、可修复。来源准入规则进一步区分用户直述、外部网页、cron任务等不同来源的权威等级，将提示词注入与外部噪声挡在长期认知之外。第二条取舍是双时间模型：valid time记录事实何时为真，recorded time记录系统何时知晓——当用户纠正“3月说在杭州，8月才知5月搬去北京”时，系统能同时回答“你4月以为我在哪”与“我4月实际在哪”。第三条取舍是遗忘机制：自然衰减影响召回优先级、归档退出普通召回、显式遗忘执行物理删除闭环——tombstone账本阻止备份让旧记忆复活，确保被遗忘权真正落地而非停留在“以后不召回”。

记忆赋予Agent的，是时间维度上的连续性。推理能力解决此刻多聪明，工具调用解决能做什么，而记忆解决的是它是谁——偏好的积累、错误的修正、经验的沉淀，全部长在记忆上。HL-Mem的实践表明，本地化、轻量化的记忆基础设施可以让Agent拥有可追溯的过去、允许改口的现在与持续积累经验的未来。模型赋予智力，工具赋予双手，记忆才让它在时间里成为同一个自己。