Skip to content

跟成熟 coding agent 學設計（27）：跨 session 記憶——從 explicit remember 到 semantic recall

2026年8月30日 1 分鐘
首頁 › ai
TL;DR omp 與 claude-code 都有跨 session 記憶，其他參考專案主要靠 instruction files。rivumi 已落地明確的 remember/list/inject baseline：型別化 JSONL 記憶可跨 session 注入 prompt，但目前只按 scope 與近期排序，還沒有語意檢索、去重、遺忘指令或自動萃取。
#coding-agent#agent-memory#rivumi#claude-code#oh-my-pi
目錄
  1. 能力問題：每次開工都從零開始
  2. omp：mnemopi，一個完整的記憶引擎
  3. claude-code：記憶目錄加定期萃取
  4. 其他三家：AGENTS.md 算記憶嗎？
  5. 學術依據
  6. rivumi 已落地的 baseline
  7. 還沒完成的部分
  8. 參考資料
系列: 跟成熟 coding agent 學設計 (27 / 38)
跟成熟 coding agent 學設計（26）：Context 壓縮與 compaction——從缺口到可審計 baseline 跟成熟 coding agent 學設計（28）：危險指令攔截與 shell escalation——在白名單和每次都問之間

🌏 English version

本篇取證範圍：omp（can1357/oh-my-pi）、claude-code（社群反編譯 v2.1.88，symbol 名稱可能與原版有出入）、pi（badlogic/pi-mono）、opencode（sst/opencode）、codex（openai/codex Rust workspace），對照我自己的 rivumi。所有引用都在本地 clone 實際讀過。

能力問題：每次開工都從零開始

我固定用同一台機器、同一批專案工作，但每次開一個新的 agent session，它都不認得我：不知道我偏好的 commit 格式、不記得上週那個 D1 batch timeout 的解法、還要重新解釋一次專案慣例。session 內的 context 再長，關掉就沒了。

這篇原本記錄的是 Rivumi 的空白，現在邊界已往前推一格：memory.py 提供 typed JSONL memory，TUI 的 /remember 可以明確寫入 user/project preference 或 project fact，native loop 會把相關項目放進 system prompt 的 Known context。它已能跨 session 記住使用者主動交代的事，但還不是五家成熟方案那種語意記憶：沒有 embedding、向量索引、ranking/decay、dedupe、edit/delete 或自動擷取。所以下面比較的重點從「怎麼從零開始」改成「explicit baseline 下一步缺什麼」。

omp：mnemopi，一個完整的記憶引擎

omp 是五家裡唯一把記憶做成獨立套件的。oh-my-pi/packages/mnemopi/README.md 開宗明義：「Local SQLite memory engine」。幾個關鍵設計：

儲存格式。packages/mnemopi/src/types.ts#MemoryRow 不只存內容，還帶 importance、veracity（這條記憶是「陳述」、「推論」還是「工具輸出」）、recall_count、last_recalled、valid_until、superseded_by。最後這幾個欄位很值得注意：記憶會過期、會被新事實取代，而不是無限堆疊。資料庫預設放在 src/config.ts#DEFAULT_DATA_DIR 指定的 ~/.hermes/mnemopi/data，embedding 預設用本地模型 BAAI/bge-small-en-v1.5（src/config.ts#DEFAULT_EMBEDDING_MODEL），斷網也能運作。

可信度加權。src/config.ts#VERACITY_WEIGHT_DEFAULTS 給不同來源的記憶不同權重：自己陳述的最可信，工具輸出打折。召回排序時把這個係數乘進去——這處理的是「agent 曾經搞錯過的事，不該和驗證過的事同權重」。

檢索。除了基本 recall（src/core/memory.ts#recall），還有 polyphonic-recall.ts#PolyphonicRecallEngine 做多路混合檢索。

整併。src/core/memory.ts#sleep 提供離線整併：像人睡覺一樣把短期記憶固化、去重、摘要成情節記憶（episodic tier 在 types.ts#EpisodicMemoryRow）。支援 dryRun 先預覽再執行。

接入方式。omp 把記憶暴露成 agent 工具而非隱形魔法：packages/coding-agent/src/tools/memory-recall.ts#MemoryRecallTool、memory-retain.ts 的 retain（寫入）、memory-reflect.ts（反思），讓模型自己決定何時存取。

claude-code：記憶目錄加定期萃取

反編譯原始碼顯示 claude-code 有兩套互補機制。

自動記憶目錄（memdir）。src/memdir/paths.ts#getAutoMemBase 解析記憶根目錄，入口是一份 MEMORY.md（memdir.ts#ENTRYPOINT_NAME），每次啟動注入 system prompt。記憶本體是散落的 Markdown 檔，強制四種型別（memoryTypes.ts#MEMORY_TYPES）：user（使用者是誰）、feedback（使用者糾正或肯定過的做法）、project（專案層事實）、reference（外部知識連結）。型別定義旁的註解寫得很誠實：可從程式碼、git 歷史、CLAUDE.md 推導出來的東西不准存——記憶層只放推不出來的脈絡。

檢索是兩段式。memoryScan.ts#scanMemoryFiles 只讀每個檔案的 frontmatter（上限約兩百檔），建出清單後，findRelevantMemories.ts#findRelevantMemories 把清單丟給一個小的 Sonnet 側查詢選出最多五條相關記憶，才讀全文。用便宜模型當檢索器，不用 embedding、不用向量庫。

寫入時機由門檻控制。services/SessionMemory/sessionMemoryUtils.ts#DEFAULT_SESSION_MEMORY_CONFIG 定義了三個門檻：累積約 1 萬 token 才首次初始化、之後每成長 5000 token 且至少隔數次工具呼叫才再萃取。sessionMemory.ts#shouldExtractMemory 的實作註解講得很白：token 門檻永遠必要，防止過度萃取；並且偏好在没有工具呼叫的對話空檔動手，避免打斷工作中的 agent。實際萃取跑在 services/extractMemories/extractMemories.ts#executeExtractMemories——一個受限權限的子流程，只能寫記憶目錄。

其他三家：AGENTS.md 算記憶嗎？

pi、opencode、codex 都沒有自動記憶層，但有近親：專案說明檔。

  • pi：pi-mono/packages/coding-agent/src/core/resource-loader.ts#loadProjectContextFiles 依序找 AGENTS.override.md、AGENTS.md、CLAUDE.md 注入 context。
  • opencode：packages/opencode/src/session/instruction.ts 同時支援全域與專案層級的 AGENTS.md，甚至會退回讀 ~/.claude/CLAUDE.md。
  • codex：做得最細，codex-rs/core/src/context/world_state/agents_md.rs 把 AGENTS.md 當成有版本的 world state，檔案變更時以 diff 方式通知模型「舊指示已失效」。

誠實討論邊界：這些是手動記憶——人類判斷什麼值得記、人類負責維護，寫入迴路的作者是人不是 agent。它解決「跨 session 帶脈絡」，但不解決「agent 自己從經驗中學習」。claude-code 的 memdir 型別註解甚至明確區分了兩者：CLAUDE.md 屬於「可推導」的那側，不該重複進記憶。所以嚴格說，五家裡做出自動記憶的只有兩家，但方向一致：記憶要型別化、要有寫入節流、檢索要比主模型便宜。

學術依據

這條路線最有名的出發點是 Generative Agents（Park et al., 2023）：25 個虛擬小鎮居民共用一條 memory stream，召回時用 recency × importance × relevance 三因子打分，再用 LLM 反思出高階結論。omp 的 importance/veracity 欄位和 claude-code 的定期萃取，都是這套架構的工程化變體。MemGPT 則論證了另一面：與其塞向量庫，不如給 agent 明確的分層記憶介面（main context / external storage），讓它自己呼叫存取——omp 把記憶做成 retain/recall 工具正是這個思路。

rivumi 已落地的 baseline

截至 2ed5efb，rivumi 不再只有可 resume 的 conversation history。memory.py 定義 typed MemoryEntry，以 append-only JSONL 寫進使用者層 memory file；RIVUMI_MEMORY_PATH 可覆寫位置。CLI 的 remember 入口要求明確指定記憶類型與 scope，避免 agent 在背景自行猜哪些資訊值得永久保存。

新 run 會透過 relevant_memory_entries() 先按 scope 過濾，再取近期項目，最後由 render_known_context() 產生有長度上限的 known-context 區塊進入 prompt。這個 baseline 的邊界很刻意：使用者明確寫入、檔案格式可檢查、注入內容可預測，也不依賴某個 external backend 自己的 session store。

還沒完成的部分

目前的 relevant 只代表 scope 與 recency，不是語意相似度。它沒有 embedding、relevance ranking、decay、相似項去重，也沒有 /memory forget 這類可編輯／刪除介面；更不會在 bounded task 結束後自動萃取。rivumi 已有跨 session 記憶的安全最小閉環，但離 mnemopi 的 working/episodic consolidation 或 claude-code 的 feedback-derived recall 還有一段距離。

參考資料

相關文章

跟成熟 coding agent 學設計（36）：LSP 整合——把編譯器診斷推進 agent context 1 min 跟成熟 coding agent 學設計（18）：工具集設計哲學——tool surface 的邊界劃分 1 min 跟成熟 coding agent 學設計（2）：Agent loop 的形狀——事件流、checkpoint、resume 1 min