Files
agent-radar 1a3a4ccde1
Creator App Tests / PR Spam Gate (push) Skipped
Frontend Tests / PR Spam Gate (push) Skipped
NPM Format (website & console) / PR Spam Gate (push) Skipped
Pre-commit Checks / PR Spam Gate (push) Skipped
QwenPaw Creator Plugin Release / check-version (push) Canceled after 0s
QwenPaw Creator Plugin Release / upload-oss (push) Canceled after 0s
Tests / PR Spam Gate (push) Skipped
CodeQL / CodeQL (python) (push) Canceled after 0s
CodeQL / CodeQL (typescript) (push) Canceled after 0s
Creator App Tests / Creator Backend Tests (push) Canceled after 0s
Creator App Tests / Creator UI Build & Tests (push) Canceled after 0s
E2E Smoke Tests / Playwright UI Smoke (push) Canceled after 0s
Frontend Tests / Detect console changes (push) Canceled after 0s
NPM Format (website & console) / website format check (push) Canceled after 0s
NPM Format (website & console) / console format check (push) Canceled after 0s
Pre-commit Checks / Pre-commit (push) Canceled after 0s
QwenPaw Data Plugin Release / check-version (push) Canceled after 0s
Tests / Detect code changes (push) Canceled after 0s
Frontend Tests / Vitest Unit Tests (push) Canceled after 0s
Frontend Tests / Frontend Summary (push) Canceled after 0s
QwenPaw Data Plugin Release / upload-oss (push) Canceled after 0s
Tests / Maintainer Approval (push) Canceled after 0s
Tests / Unit Tests - py3.11 - macos-latest (push) Canceled after 0s
Tests / Unit Tests - py3.11 - ubuntu-latest (push) Canceled after 0s
Tests / Unit Tests - py3.13 - ubuntu-latest (push) Canceled after 0s
Tests / Unit Tests - py3.11 - windows-latest (push) Canceled after 0s
Tests / Contract Tests - py3.11 - macos-latest (push) Canceled after 0s
Tests / Contract Tests - py3.11 - ubuntu-latest (push) Canceled after 0s
Tests / Contract Tests - py3.13 - ubuntu-latest (push) Canceled after 0s
Tests / Contract Tests - py3.11 - windows-latest (push) Canceled after 0s
Tests / Integrated Tests - py3.11 - macos-latest - p0 (push) Canceled after 0s
Tests / Integrated Tests - py3.11 - macos-latest - p1 (push) Canceled after 0s
Tests / Integrated Tests - py3.11 - macos-latest - p2 (push) Canceled after 0s
Tests / Integrated Tests - py3.11 - ubuntu-latest - fallback (push) Canceled after 0s
Tests / Integrated Tests - py3.11 - ubuntu-latest - p0 (push) Canceled after 0s
Tests / Integrated Tests - py3.11 - ubuntu-latest - p1 (push) Canceled after 0s
Tests / Integrated Tests - py3.11 - ubuntu-latest - p2 (push) Canceled after 0s
Tests / Integrated Tests - py3.13 - ubuntu-latest - p0 (push) Canceled after 0s
Tests / Integrated Tests - py3.13 - ubuntu-latest - p1 (push) Canceled after 0s
Tests / Integrated Tests - py3.13 - ubuntu-latest - p2 (push) Canceled after 0s
Tests / Integrated Tests - py3.11 - windows-latest - p0 (push) Canceled after 0s
Tests / Integrated Tests - py3.11 - windows-latest - p1 (push) Canceled after 0s
Tests / Integrated Tests - py3.11 - windows-latest - p2 (push) Canceled after 0s
Tests / Coverage Report (push) Canceled after 0s
Tests / Test Summary (push) Canceled after 0s
源码快照 @ 2026-09-01 (source-only, 剔除非源码素材)
2026-09-01 20:01:50 +08:00

450 lines
31 KiB
Markdown
Raw Permalink Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# 长期记忆
QwenPaw 的长期记忆由工作区的文件系统和 [ReMe](https://github.com/agentscope-ai/ReMe) 个人知识库共同组成。其中,`MEMORY.md` 可由用户和 Agent 共同维护并按需读取;ReMe 则在后台把值得保留的对话和当前已接入的资料整理成结构化的 Markdown 记忆,逐步沉淀为个人知识库,并在需要时找回与当前问题有关的部分。
简单来说,它像一位不会忘记研究过程、又能随时翻出证据的研究助理,主要做六件事:
1. **记录**:从对话中留下偏好、事实、判断、理由和待验证假设;
2. **引入**:从已接入的外部数据源补充论文等资料;
3. **整理**:把不同日期的零散记录沉淀为长期知识;
4. **连接**:用来源链接和 Wikilink 串起公司、产业链、结论与证据;
5. **找回**:通过关键词、语义和知识关系找到真正相关的内容;
6. **展开**:先返回最相关的片段,证据不足时再沿文件和链接继续阅读。
<p align="center">
<img src="https://img.alicdn.com/imgextra/i3/O1CN01mG5Uot1GQdX33v4h4_!!6000000000617-55-tps-1200-640.svg" alt="QwenPaw 长期记忆从记录、整理到找回的完整循环" />
</p>
## 先理解它怎样工作
假设你是一名金融分析师,正在持续研究新能源汽车产业链。几周内,你可能先后讨论过宁德时代的产品结构、动力电池价格、碳酸锂供需,以及“锂价下跌究竟利好电池厂还是会带来库存减值”这样的判断。
这些信息如果只留在聊天记录里,很快就会被新的行情和新闻淹没。QwenPaw 的长期记忆会保留当时的研究现场,把反复验证的结论沉淀为个人知识库,并在下一次写报告时找回相关证据。
### 1. 记忆首先是你拥有的文件
QwenPaw 和 ReMe 遵循 **Memory as File, File as Memory**。记忆不是藏在不可见的数据库中,而是保存在 Agent workspace 里的普通文件:
```text
workspace/
├── MEMORY.md # 少量、稳定的核心长期记忆
├── memory/
│ ├── 2026-08-14.md # 当天记忆笔记的自动索引页
│ └── 2026-08-14/
│ ├── 宁德时代盈利讨论.md # 一个 session 对应的一条记忆笔记
│ └── 锂价敏感性分析.md
├── digest/
│ ├── personal/ # 个人偏好、关注范围与长期约定
│ ├── procedure/ # 可复用的研究流程
│ └── wiki/ # 公司、行业、指标等知识
├── mem_session/ # 可追溯的来源对话
├── resource/ # PDF 等原始资料
└── mem_metadata/ # 可重建的索引、图谱与缓存
```
| 对象或机制 | 定位与维护方式 | 读取或检索方式 |
| ------------------------------------ | ----------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------- |
| `MEMORY.md` | QwenPaw 管理的核心长期记忆;用户和主会话中的 Agent 都可以自由读取、编辑和更新 | 通过文件工具按需读取;不属于 ReMe 的 `memory_search` 索引 |
| `memory/YYYY-MM-DD.md` | 当天所有记忆笔记的索引页;ReMe 自动维护 `<!-- notes:auto -->` 区块,用户和主 Agent 可在自动区块之外补充内容 | 属于个人知识库,可被 `memory_search` 找到;也可直接读取并沿索引继续展开 |
| `memory/YYYY-MM-DD/{name}.md` | Auto-Memory 为一个 session 创建或更新的一条记忆笔记;`name` 是模型生成的稳定主题或事件名 | 属于个人知识库;主 Agent 通常不需要主动管理 |
| `digest/` 中的所有 `.md` | ReMe 管理的长期个人知识库;分为 `personal`、`procedure` 和 `wiki` 三类,并用 Wikilink 相互连接 | 属于 `memory_search` 的检索范围,可沿图谱继续展开 |
| `memory/` + `digest/` 中的所有 `.md` | ReMe 个人知识库的完整文件范围:`memory/` 保存每日现场,`digest/` 保存跨时间整理后的知识 | `memory_search` 的完整检索范围 |
| `memory_search` 返回的片段 | 当前问题最相关的局部内容,并附带文件路径 | 片段不足时使用 `read_file` 按路径渐进式展开,只读取当前任务所需内容 |
此外,`mem_session/` 保存可追溯的来源对话,`resource/` 保存 Daily Paper 下载的 PDF 等原始资料,`mem_metadata/` 保存可重建的索引、图谱和缓存。
<p align="center">
<img src="https://img.alicdn.com/imgextra/i3/O1CN01vwIbuJ1zAkVDvcYjh_!!6000000006674-55-tps-1200-640.svg" alt="Markdown 记忆文件连接长期知识和原始证据" />
</p>
这意味着你可以直接查看、修改、备份或迁移记忆。Markdown 文件是事实来源;搜索索引和图谱只是派生状态,损坏后可以从文件重新构建。`MEMORY.md` 不由 Auto-Memory 或 Auto-Dream 自动覆盖,适合保持短小、稳定的信息。
一条关于新能源汽车产业链的长期记忆可能长这样:
```markdown
---
name: 新能源汽车产业链
description: 跟踪整车需求、动力电池盈利与上游锂资源的传导关系。
---
# 新能源汽车产业链
需求从整车销量传导到动力电池排产,再影响正极材料和锂资源需求。
- 代表性电池企业:[[digest/wiki/宁德时代.md]]
- 关键成本项:[[digest/wiki/碳酸锂.md]]
- 分析方法:[[digest/procedure/动力电池盈利敏感性分析.md]]
## Sources
- [[memory/2026-08-14/锂价敏感性分析.md]]
```
正文保存知识,frontmatter 提供概要,`[[...]]` 则连接来源和相关节点。上例中,“新能源汽车产业链”到“宁德时代”是一条**出边(outlink)**;系统同时建立反向索引,因此从“宁德时代”也能看到谁引用了它,这就是**入边(inlink)**。作者只需写一次链接,检索时便可以双向行走:既能从行业走到公司,也能从公司回到它所在的产业链和研究记录。
#### Markdown 怎样变成可检索片段
ReMe 不是简单地“每隔固定字符切一刀”。索引器会先解析 frontmatter,再把 Markdown 构造成 AST(抽象语法树):标题按层级形成 section,段落、列表、表格和代码块成为叶子节点。随后它按树递归切分,并尽量合并同一父标题下相邻的小块。
这样做有三个直接好处:
- **语义不被截断**:`## 宁德时代` 下的毛利率讨论尽量留在同一片段;
- **上下文不丢失**:片段会携带必要的祖先标题 breadcrumb,即使单独召回也知道它属于哪一章;
- **结构仍然有效**:超长表格按行切分并重复表头,超长列表按条目切分,代码块保留围栏;每个片段保留原文件路径和行号。
Wikilink 则独立抽取成文件图谱。最终,一个 Markdown 文件同时贡献了“用于 BM25/向量检索的片段”和“用于关系展开的边”。标题特别多的超大文档会回退为纯文本分块,避免构建 AST 带来不必要的开销。
### 2. Auto-Memory 从对话中留下有用的事
Auto-Memory 不会复制整段聊天,而是周期性识别以后仍可能有用的内容,例如:
- 稳定偏好与长期约定;
- 项目背景和限制条件;
- 已确认的决定及其原因;
- 当前进展、阻塞项与下一步;
- 可以复用的流程和排查经验。
例如,你说“先把宁德时代加入重点跟踪;当前假设是碳酸锂价格下跌有利于电芯单位成本,但还要检查库存减值和价格联动”,它会保留研究对象、当前判断、限制条件、待验证项和来源,而不是把一句临时观点直接写成永久事实。
默认每累计 5 个用户回合触发一次。发生上下文淘汰或折叠时,尚未处理的对话也会先进入同一条记忆流程。若没有值得新增或更新的内容,本次运行不会制造空记忆,也不会发送 Inbox 事件。
Auto-Memory 会把来源会话写入哈希命名的 JSONL 文件,并在当天的日期目录中为这个 session 创建或更新一条记忆笔记:
```text
mem_session/dialog/qpsid_sha256_<64-hex>.jsonl
memory/2026-08-14.md
memory/2026-08-14/锂价敏感性分析.md
```
这里需要区分“索引页”和“记忆笔记”:`memory/2026-08-14.md` 是 ReMe 根据 `memory/2026-08-14/*.md` 自动刷新的索引页;真正从对话中总结出的内容写在日期子目录的笔记里。索引页的实际结构类似下面这样:
```text
---
name: 2026-08-14
description: 2 note(s) today.
---
<!-- notes:auto -->
- [[memory/2026-08-14/宁德时代盈利讨论.md]] name: 宁德时代盈利讨论 description: 跟踪动力与储能业务的量、价、成本驱动。
- [[memory/2026-08-14/锂价敏感性分析.md]] name: 锂价敏感性分析 description: 分析锂价下跌对电芯成本、售价与库存减值的影响。
<!-- /notes:auto -->
```
索引的每一行来自对应笔记的 frontmatter:除了链接,还会展示 `name`、`description` 和其他业务字段;用于内部关联的 `session_id`、`source_conversation` 等字段不会出现在索引行中。`notes:auto` 标记之间的内容会在刷新时整体重建,因此不应手工编辑;索引页已有的 frontmatter 和自动区块之外的正文会被保留。
日期子目录中的 `{name}.md` 才是 Auto-Memory 生成的 session 记忆。首次处理一个 session 时,系统最多创建一条笔记,并写入 `session_id` 与指向原始 JSONL 的 `source_conversation`;同一天再次处理该 session 时,会通过这两个字段找到原笔记并合并更新,而不是再按对话中的多个话题拆出多份文件。如果 frontmatter 中的 `name` 被优化,文件也会随之安全重命名并更新链接。换句话说,日期文件像当天研究底稿的自动目录,子目录中的文件才是一张张研究底稿。
例如,“锂价敏感性分析”笔记会保留类似这样的可追溯信息:
```markdown
---
name: 锂价敏感性分析
description: 分析锂价下跌对电芯成本、售价与库存减值的影响。
session_id: qpsid_sha256_<64-hex>
source_conversation: "[[mem_session/dialog/qpsid_sha256_<64-hex>.jsonl]]"
---
## 当前判断
锂价下跌通常降低电芯材料成本,但仍需检查售价联动速度和高价库存减值。
```
自动召回的旧记忆会在抽取前移除,避免把“刚找回的内容”误当成用户新提供的事实。
<p align="center">
<img src="https://img.alicdn.com/imgextra/i3/O1CN01q1761gvctQB49nzS_!!6000000007099-0-tps-2048-414.jpg" alt="Auto-Memory 完成后推送到 Inbox 的任务结果" />
</p>
Inbox 只用于查看运行结果;真正可编辑、可复用的记忆仍然是 workspace 中的文件。
### 3. Auto Resource(Beta)从外部补充知识
分析师的知识不只来自对话,还来自论文、新闻和数据源。Auto Resource 是这条外部资料管线的总称,目前仍处于 Beta,正在持续扩展。
当前内置能力是 **Daily Paper**:启用后,QwenPaw 会从 Hugging Face Papers 的周榜和月榜中筛选与你关注主题相关的热门论文,保存原始 PDF,并生成三篇精读和一份每日简报。例如把主题设置为 `battery, lithium, energy storage`,就可以持续补充电池材料、寿命预测和储能技术相关研究。
- PDF 写入 `resource/papers/`;
- 精读和简报写入 `memory/YYYY-MM-DD/`;
- Markdown 阅读记录进入普通记忆索引,也能继续参与长期整理。
<p align="center">
<img src="https://img.alicdn.com/imgextra/i4/O1CN01P4HuDOo3HjE3MD24_!!6000000007223-0-tps-1654-670.jpg" alt="Daily Paper 的调度与主题配置" />
</p>
Daily Paper 是当前内置的资料入口。任意文件仅仅放进 `resource/` 并不会被自动处理。自动抓取你感兴趣的财经新闻并沉淀到知识库仍在规划中(TODO);在正式接入前,不应把 Auto Resource 理解成一个通用的文件导入器。
### 4. Auto-Dream 把每日记录整理成长期经验
只有 daily note 还不够。随着记录越来越多,Auto-Dream 会扫描近期发生变化的每日记忆,把可复用内容整合到 `digest/`。
#### 先分成三类记忆
Auto-Dream 首先判断一条信息属于哪种长期记忆。三种类型不仅对应不同目录,也决定最终笔记应该怎样表达:
| 记忆类型 | 保存内容与写法 | 金融分析师示例 |
| ----------- | -------------------------------------------------------- | ---------------------------------------- |
| `personal` | 用户的身份、偏好、关注范围和长期约定 | 重点跟踪中国新能源汽车产业链和锂资源公司 |
| `procedure` | 可复用的操作流程,写成包含步骤、输入和注意事项的 runbook | 动力电池公司盈利敏感性分析流程 |
| `wiki` | 定义、事实、观察、原则和心智模型,写成简洁的百科知识节点 | 宁德时代、碳酸锂、库存减值及锂价传导机制 |
分类之后,关于“我长期研究什么”的内容进入 `personal/`,关于“以后应该怎样分析”的方法进入 `procedure/`,关于“公司、行业和指标是什么、如何相互影响”的知识进入 `wiki/`。这样,Auto-Dream 不是简单压缩日记,而是在把研究记录变成结构清晰、可以复用的个人知识库。
#### 再选择四种整理动作
确定记忆类型后,Auto-Dream 会检索已有的 digest 节点,判断新材料与旧知识的关系,并且只选择一个动作:
| 动作 | 含义 |
| ------------- | ------------------------------------------ |
| `CREATE` | 没有相同知识时创建新节点 |
| `CORROBORATE` | 新材料再次证明已有记忆,补充来源或强化表述 |
| `REFINE` | 新材料增加步骤、条件、边界或细节 |
| `CORRECT` | 新材料修正已有节点中的错误、遗漏或冲突 |
例如,不同日期的研究记录可能分别写着:“锂价下跌降低正极材料成本”“电芯价格也可能随之下调”“高价库存会造成短期减值压力”。Auto-Dream 不会把其中任何一句孤立地当成结论,而会把它们整合为更有边界的长期知识:
> 锂价下跌通常缓解动力电池材料成本,但对宁德时代利润的净影响还取决于售价联动速度、库存成本、客户议价与产品结构,不能只依据锂价方向判断。
在这个例子中,如果知识库里还没有“锂价传导机制”,就执行 `CREATE`;如果新的季度数据再次支持原判断,就执行 `CORROBORATE`;如果发现库存周期会改变短期影响,就执行 `REFINE`;如果原来写成“锂价下跌必然利好宁德时代”,则执行 `CORRECT`,把结论收紧到证据能够支持的范围。
#### 最后由 Auto-Link 构建记忆图谱
Auto-Link 是 Auto-Dream 构建文档图谱的关键。它不是等整理结束后,仅凭文件名机械补链接;在整合每条记忆时,Agent 同时拥有较完整的上下文:
- 当前从 daily note 中抽取出的记忆单元,以及对应的来源路径;
- 搜索召回的现有 `personal`、`procedure` 和 `wiki` 节点;
- 经过读取后确认的同一知识节点和相关知识节点;
- 本次准备创建或更新的目标节点及其原有正文。
有了这些上下文,Agent 可以先区分“同一知识”和“相关知识”:同一知识决定应该执行四种动作中的哪一种;相关知识则被自然地织入正文,形成有语义的 Wikilink。例如,“锂价变化通过 [[digest/wiki/碳酸锂.md]] 影响 [[digest/wiki/宁德时代.md]] 的材料成本,具体评估可使用 [[digest/procedure/动力电池盈利敏感性分析.md]]。”这比单独罗列几个裸链接更清楚,因为链接周围的文字同时说明了节点之间的关系。
每个长期节点还会在 `## Sources` 中用带上下文的 Wikilink 指回 daily note,保留结论到原始材料的证据链;digest 节点之间的 Wikilink 则承载概念图谱。索引器随后从这些链接生成出边和入边,供 Memory Search 渐进式展开。Auto-Dream 不会改写每日记忆:`memory/` 保留“当时看到了什么、怎样判断”,`digest/` 保存“跨时间后仍值得复用的结论”。这就是“让日记长成个人知识库”。
<p align="center">
<img src="https://img.alicdn.com/imgextra/i1/O1CN01ddkg0rN9DXK49o5c_!!6000000001181-0-tps-2048-796.jpg" alt="Auto-Dream 完成后推送到 Inbox 的任务摘要" />
</p>
Auto-Dream 还会生成 `interests.yaml`。它与 QwenPaw 当前的 `/proactive` mode 是独立能力;当前 `/proactive` 不读取该文件。
### 5. Memory Search 在需要时找回正确的记忆
当你问“锂价下跌对宁德时代是利好吗?”,`memory_search` 不需要重新阅读全部研究历史。它会:
1. 用 BM25 找到关键词相符的片段;
2. 配置 Embedding 后,再找到措辞不同但意思相近的片段;
3. 用 RRF 融合两组结果;
4. 为命中文件附上 Wikilink 的出边和入边,供 Agent 按需继续展开。
<p align="center">
<img src="https://img.alicdn.com/imgextra/i2/O1CN01Zln7TK1TJOGqP84hk_!!6000000002361-55-tps-1200-640.svg" alt="BM25 与向量检索融合后按需展开相关记忆" />
</p>
BM25 擅长“宁德时代”“CATL”“碳酸锂”这类明确名称;向量检索可以让“上游原料降价对电芯龙头利润的影响”找到措辞不同的“锂价敏感性分析”。RRF(Reciprocal Rank Fusion)根据两路结果的名次进行融合,避免某一路分数尺度支配最终排序。没有配置 Embedding 时,BM25 和 Wikilink 图谱仍然可用。详细配置见 [向量模型](./embedding)。
个人知识库包括 `daily_dir`(默认 `memory/`)和 `digest_dir`(默认 `digest/`)下的所有 Markdown 文件。索引后台只监听这两个目录,每个文件最大 10 MiB。文件会按 Markdown 结构分块,并保留路径和行号;`MEMORY.md`、`resource/` 与 `mem_session/` 不直接进入 ReMe 的 `memory_search`。
例如,搜索“锂价下跌如何影响宁德时代盈利”可能返回:
```text
========== digest/wiki/宁德时代.md:18-24 [score=0.0325 vector=0.8120 keyword=8.4700] ==========
## 锂价与盈利敏感性
锂价下跌通常降低材料成本,但净影响取决于售价联动、库存成本与产品结构。
参见 [[digest/wiki/碳酸锂.md]] 和 [[digest/procedure/动力电池盈利敏感性分析.md]]。
outlinks (2):
→ digest/wiki/碳酸锂.md name="碳酸锂"
→ digest/procedure/动力电池盈利敏感性分析.md name="动力电池盈利敏感性分析"
inlinks (2):
← digest/wiki/新能源汽车产业链.md name="新能源汽车产业链"
← memory/2026-08-14/宁德时代盈利讨论.md name="宁德时代盈利讨论"
```
返回结果先给出命中片段的路径和行号,以及关键词、向量和融合排序的相关信息;片段正文可以包含原始 Wikilink。`outlinks` 是命中文档主动引用的下游文档,`inlinks` 是引用命中文档的上游文档。
这是一种**渐进式混合搜索**:第一步只拿回最相关的局部片段;如果还不能回答“为什么”,Agent 再用 `read_file` 打开“碳酸锂”或分析流程;如果要核对这条判断何时形成,则沿入边打开 8 月 14 日的讨论。系统不必一开始把整座知识库塞进上下文,却保留了从结论走向概念、方法和原始记录的路径。
`MEMORY.md` 通过文件工具按需读取,不依赖 ReMe 搜索。
### 完整循环
回到金融分析师的例子:
1. 你在 `MEMORY.md` 中写下“重点跟踪新能源汽车、锂电池和锂资源”的稳定研究范围;
2. Auto-Memory 把当天关于宁德时代与锂价的 session 总结成一条日期子目录笔记,并刷新当天索引页;
3. Auto Resource 把已接入的相关论文精读补充进每日记忆;
4. Markdown AST 分块、BM25、向量索引与文件图谱在后台持续更新;
5. Auto-Dream 把多天记录整理成 `personal`、`procedure` 和 `wiki` 长期节点,并建立 Wikilink;
6. Memory Search 在下一次写研报时先返回命中片段,再按需沿出边、入边和文件路径展开;
7. 你可以随时检查和修正 Markdown,修改后的内容继续参与后续协作。
<p align="center">
<img src="https://img.alicdn.com/imgextra/i2/O1CN019aX2sCLIZvB6wGdo_!!6000000005818-0-tps-3418-1594.jpg" alt="QwenPaw 长期记忆控制台总览" />
</p>
### 6. 实验效果:历史变长后还能找回来吗?
上面的新能源汽车案例用于解释工作方式,不能代替量化评测。ReMe 另外使用公开 benchmark 测试多会话与超长历史中的记忆能力:
| Benchmark | 规模 | 整体 Agentic 得分 |
| --------------------- | -------------------- | ----------------- |
| LongMemEval cleaned-S | 500 道题 | **89.4%** |
| BEAM 100K | 20 个案例 / 400 道题 | **66.1%** |
| BEAM 1M | 35 个案例 / 700 道题 | **65.0%** |
![ReMe 在 LongMemEval 与 BEAM 上的公开基准结果](https://img.alicdn.com/imgextra/i4/O1CN01ohO0e31MntKw6mQZL_!!6000000001480-55-tps-1200-640.svg)
这些数字不代表每一种真实业务,也会受到模型、数据集和评测设置影响。它们说明的是:即使历史扩展到很长的尺度,文件化整理、混合检索和按需展开仍能帮助 Agent 找到回答依据。完整设置与分项结果见 [LongMemEval benchmark](https://github.com/agentscope-ai/ReMe/tree/main/benchmark/longmemeval) 和 [BEAM benchmark](https://github.com/agentscope-ai/ReMe/tree/main/benchmark/beam)。
## 参数配置
默认的 `remelight` backend 在 QwenPaw 进程内运行,并复用当前 Agent 的模型完成记忆抽取和整理。你可以在控制台配置,也可以编辑 `agent.json` 中的 `running.reme_light_memory_config`。
### 常用配置
```json
{
"running": {
"memory_manager_backend": "remelight",
"reme_light_memory_config": {
"auto_memory_interval": 5,
"auto_memory_inbox_push_enabled": true,
"dream_cron_enabled": true,
"dream_cron": "0 23 * * *",
"auto_dream_inbox_push_enabled": true,
"daily_paper_cron_enabled": false,
"daily_paper_cron": "0 9 * * *",
"daily_paper_use_hf_mirror": false,
"daily_paper_topics": "",
"daily_paper_inbox_push_enabled": true,
"memory_search_enabled": true,
"auto_memory_search_config": {
"enabled": false,
"max_results": 2
}
}
}
}
```
| 配置项 | 默认值 | 说明 |
| --------------------------------------- | -------------- | ------------------------------------------------------------------ |
| `auto_memory_interval` | `5` | 每累计 N 个用户回合触发 Auto-Memory;`null` 或 `<= 0` 关闭周期触发 |
| `auto_memory_inbox_push_enabled` | `true` | Auto-Memory 实际改变记忆或执行失败后推送到 Inbox |
| `dream_cron_enabled` | `true` | 启用定时 Auto-Dream |
| `dream_cron` | `"0 23 * * *"` | 五段式 cron;实际运行前会随机延迟 0–60 秒 |
| `auto_dream_inbox_push_enabled` | `true` | Auto-Dream 实际改变记忆或执行失败后推送到 Inbox |
| `daily_paper_cron_enabled` | `false` | 启用定时 Daily Paper |
| `daily_paper_cron` | `"0 9 * * *"` | Daily Paper 的五段式 cron |
| `daily_paper_use_hf_mirror` | `false` | 通过 Hugging Face 镜像获取论文信息 |
| `daily_paper_topics` | `""` | 选论文时优先考虑的主题 |
| `daily_paper_inbox_push_enabled` | `true` | 把 Daily Paper 结果推送到 Inbox |
| `memory_search_enabled` | `true` | 向 Agent 提供手动 `memory_search` 工具 |
| `auto_memory_search_config.enabled` | `false` | 每次普通用户请求前自动搜索记忆 |
| `auto_memory_search_config.max_results` | `2` | 自动搜索时最多注入的结果数 |
自动搜索结果只注入当前请求,不写入正式会话历史,也不会再次被 Auto-Memory 保存。自动化产生的请求不会触发自动搜索。
### 目录与索引配置
| 配置项 | 默认值 | 说明 |
| ------------------------ | ---------------- | -------------------------------------------- |
| `metadata_dir` | `"mem_metadata"` | 索引、图谱、catalog 和缓存目录 |
| `session_dir` | `"mem_session"` | Auto-Memory 来源对话目录 |
| `mem_session_dir` | `"mem_agent"` | ReMe 内部 memory-agent 会话目录 |
| `resource_dir` | `"resource"` | Daily Paper 等工作流的原始资源目录 |
| `daily_dir` | `"memory"` | 每日记忆目录 |
| `digest_dir` | `"digest"` | 长期知识目录 |
| `embedding_model_config` | 默认关闭 | 可选向量模型配置,见 [向量模型](./embedding) |
| `needs_reindex` | `false` | 向量空间变化后由运行时维护的待重建标记 |
旧字段 `inbox_push_enabled` 仅用于迁移:它会初始化尚未设置的三个任务级 Inbox 开关,但不会写回已验证的配置。
### 状态与重建索引
长期记忆页面可以查看后台任务、等待队列、资源占用和索引组件状态。
<p align="center">
<img src="https://img.alicdn.com/imgextra/i3/O1CN01hrPfLUAdE1C2Fz5c_!!6000000006909-0-tps-1112-1312.jpg" alt="ReMe 后台活动、资源占用和索引组件状态" />
</p>
正常的 Markdown 新增和修改会被增量索引。只有在控制台提示向量空间发生变化、索引损坏或搜索明显异常时,才需要使用 **Rebuild Memory Index**,或调用:
```http
POST /api/agents/{agentId}/memory/reindex
```
重建会清空派生索引,再从 `memory/` 和 `digest/` 的 Markdown 生成新索引;不会删除源记忆。运行期间 CPU 和内存占用可能上升,同一个 Agent 同时只能运行一个重建任务。
<p align="center">
<img src="https://img.alicdn.com/imgextra/i3/O1CN01BCTjXC0jfMG1GYA0_!!6000000005728-0-tps-624-276.jpg" alt="重建记忆索引前的资源占用确认提示" />
</p>
---
## 其他 Memory Backend
QwenPaw 的记忆系统采用可插拔的 Backend 架构。除了默认的 ReMeLight(本地文件存储)外,还支持通过 `memory_manager_backend` 切换到其他后端。
### ADBPG(AnalyticDB for PostgreSQL)
基于云端向量数据库的长期记忆后端,适合需要跨设备共享、大规模语义检索的场景。QwenPaw 通过 ADBPG 记忆服务的 REST API 接入,无需安装额外数据库驱动。
**核心特点:**
- **跨会话持久化** — 记忆存储在云端数据库,重启后不丢失,支持多设备共享
- **服务端事实抽取** — 由 ADBPG 记忆服务完成事实提取,客户端无额外开销
- **REST API 接入** — 通过 HTTP API 调用 ADBPG 记忆服务
- **优雅降级** — ADBPG 不可达时 Agent 正常运行,仅长期记忆功能暂时禁用
**配置方式:**
进入 Agent 配置页面的「运行配置」标签,找到「长期记忆管理后端」下拉框,选择 `adbpg`,并在「ADBPG 长期记忆」Tab 中填写 `REST Base URL` 与 `REST API Key`。
![adbpg-backend](https://img.alicdn.com/imgextra/i3/O1CN01bH1Rj41wwQs3v04U6_!!6000000006372-2-tps-2954-1484.png)
> ⚠️ 切换后端不支持热更新,保存后需要重启 QwenPaw 才能生效(页面也会以黄色横幅提醒)。
> 迁移提示:ADBPG SQL 直连模式已移除。旧配置中的 `api_mode: "sql"`、
> `host`、`port`、`user`、`password`、`dbname`、LLM 和 Embedding 相关字段
> 会被忽略;请改为配置 `rest_base_url` 和 `rest_api_key`,保存后重启
> QwenPaw。
| 配置项 | 说明 | 默认值 |
| --------------------------- | ----------------------------------------------------------------------- | ------------------------------------- |
| `rest_base_url` | ADBPG 记忆服务的 REST API 地址 | `""` |
| `rest_api_key` | REST API 的访问密钥 | `""` |
| `memory_isolation` | 记忆隔离模式,`true` 为每个 Agent 独立,`false` 为共享 | `true` |
| `search_timeout` | 记忆搜索超时时间(秒) | `10.0` |
| `auto_memory_search_config` | 自动记忆搜索配置,结构与 ReMe Light 的 `auto_memory_search_config` 一致 | `{"enabled": true, "max_results": 3}` |
**配置示例:**
完整配置可写入 `agent.json` 的 `running.adbpg_memory_config` 字段:
```json
{
"running": {
"memory_manager_backend": "adbpg",
"adbpg_memory_config": {
"rest_base_url": "https://your-adbpg-memory-api.example.com",
"rest_api_key": "your-rest-api-key",
"memory_isolation": true,
"search_timeout": 10.0,
"auto_memory_search_config": {
"enabled": true,
"max_results": 3
}
}
}
}
```
> 💡 通过 Console「运行配置」页面填写时,框架会自动将这些字段写入 `agent.json`,无需手动编辑文件。
---
## 相关页面
- [智能体记忆进化](./memory-evolving-and-proactive) — Auto-Memory、Auto-Dream、Auto-Memory-Search 与 Proactive 工作流
- [向量模型](./embedding) — 向量模型能力、后端、配置与排查
- [控制台](./console) — 在控制台管理记忆与配置
- [配置与工作目录](./config) — 工作目录与 Agent 配置