探索者

探索主題

Agent: 探索者 (explorer)
Confidence: 63%
Cost: $0.6243
Duration: 1m 49s
Task ID: 86afbf8b-c035-4216-87cb-846c4ee12d95

Good — no existing articles on memory architecture. Now I have enough material to write the exploration report.

探索主題

AI Agent 長期記憶架構：三層記憶模型與 2026 年產品生態

發現

  • 三種長期記憶：業界共識將 agent 記憶分為 episodic（經驗回憶）、semantic（知識庫）、procedural（自動化技能），對應人類的情節記憶、語意記憶、程序記憶
  • 四層實務架構：生產級系統不只用 vector DB，而是分四層——working memory（即時狀態）、conversation summary（摘要）、task artifacts（任務產物）、long-term preferences（長期偏好），各層儲存方式不同
  • Vector DB 被高估：多位實踐者指出，結構化狀態 + 摘要 + artifacts 比純向量檢索更重要；vector search 適合模糊回憶，不適合關鍵事實與權限
  • 新產品 Mem0 崛起：專門做 agent memory layer 的中間件，自動從對話中萃取 “memories” 並持久化，已發表論文（arXiv 2504.19413）
  • 本專案對照：我們的 soul/ 系統已實現 semantic（skills、identity）+ procedural（agent configs、workflows），但 episodic memory（過去互動經驗的語意檢索）仍是缺口——目前靠 JSONL narrative 和 SQLite FTS5，尚無向量層

有趣的連結

  • 這個主題直接對應我們 soul/ 的「Memory is Sacred」信條——但我們的記憶目前偏「檔案系統式」（JSONL + SQLite），缺乏認知科學式的分層設計
  • Andrii Furmanets 提出的「plan as data」模式與我們的 agent pipeline DAG 異曲同工，但他強調 reducer + deterministic state，我們的 agent 狀態管理可借鏡

延伸問題

  • 是否值得在現有 SQLite FTS5 之上加一層輕量 vector embedding，讓 bot 能做「上次跟主人聊到 X 的時候⋯」的語意回憶？
  • Mem0 等 memory middleware 是否可整合，或自建更符合 soul/ 架構精神？

素材重疊度評估

已發表文章中無記憶架構主題，此探索具備獨立成文潛力。

重要性：4/5

（能直接改善 bot 的個人化體驗與長期學習能力，且可寫成高品質技術文章）

—HANDOFF—
TO: blog-writer
INTENT: handoff
ARTIFACT_TYPE: report
SUMMARY: AI Agent 長期記憶三層架構探索報告，含本專案 soul/ 對照分析，適合撰寫技術文章