AI记忆·长期记忆·煋思维

作者 admin

2026年11月5日 5 分钟阅读

1 0

下载地址

代码

https://www.zhengdianxue.com/wp-content/uploads/skills/org-l7548nxs--five-layer-memory-method.zip

将提示词发送给你的 AI 安装该 skills

代码

请根据 https://skillhub.cn/install/skillhub.md，安装 @org-l7548nxs/five-layer-memory-method。

AI 的长期记忆层——让 Agent 记得住、找得回、摆得清。五层记忆架构（规则/画像/情节/工作/技能）+ 四象限共享（全局/任务组/私有/绝密）+ 混合检索 + 证据组织。解决 AI 失忆、跨会话记忆、跨任务上下文共享、项目知识沉淀。纯 Python 零依赖，SQLite 单文件总库；自带 MCP 入口，任何 Agent 都能接。

阅读全文（展开查看完整说明）

概述

煋思维（XingMind）v8.10.3

五层记忆 · 四象限共享 · 混合检索 · 证据组织

纯 Python 零依赖 · SQLite 单文件总库 · 双许可（AGPL-3.0 免费 / 商用需授权）

它是什么

煋思维是给 AI Agent 用的长期记忆层。它不负责「怎么说话」，只管三件事：

管什么	怎么做
记得住	五层记忆 + SQLite 单文件总库，几十万条写入毫秒级
找得回	混合检索（BM25 为主 + 向量兜底 + 三因子重排），按题型开不同窗口
摆得清	`recall_context()` 把召回的原始对话压成高信噪比证据，并把算好的日期差、版本对照、时间线一并递上

第三件事是它和「向量库 + 拼一段上下文」最大的区别：证据是组织过的，不是堆出来的。

一句话：大脑管记和找，模型管想和说。 加总、日期、排序这类确定性活留在代码里；「这两句是不是同一件事」「这算不算一场」这种判断交给模型。两边都不越界。

技能简介

煋思维是 AI Agent 的仿人脑记忆系统。核心是五层记忆 + 四象限共享，上层提供检索、证据组织、自动提取、项目总账这些「把记忆用起来」的能力。

三大核心能力

自动记忆提取 — 从对话文本中自动识别 9 类候选记忆（规则/偏好/决策/教训/洞察/知识/待办/项目/工具），建议入库
混合检索 — BM25 精确匹配 + 字符 n-gram 向量兜底 + 三因子重排（相关性 × 置信度 × 重要度 × 新鲜度）
项目功能总账 — 每个项目一份 7 章节总账（模块/接口/数据表/配置/决策/坑点/待办），从零散记忆到结构化项目知识全景

四象限共享记忆（煋思维核心）

每条记忆带一个 scope（可见范围），用两个维度交叉出四个象限，解决「共享 vs 隔离」：

象限	scope	谁能读	谁能写	典型内容
① 全局共享	`global`	所有任务	复盘/规则场景	铁律、通用教训、用户画像
② 任务组共享	`team`	同组任务	同组任意任务	一组相关任务的共用结论
③ 私有	`private`	仅本任务	仅本任务	任务过程、中间结论（可提炼升级）
④ 绝密	`secret`	仅本任务	仅本任务	密钥、Token、账号、隐私（永不出共享区）

三条铁律：共享是显式的（默认私有）、私密永不外泄（secret 任何操作不进共享区）、单一写者（共享条目只有一个 owner，他人提交走「建议」）。

五层记忆架构

层级	名称	存储位置	特点
L1	规则记忆	SQLite（`md` 命令导出 MEMORY.md）	铁律、原则、底线，永不遗忘
L2	用户画像	SQLite（`md` 命令导出 USER.md）	用户偏好、习惯、背景
L3	情节记忆	SQLite 总库	项目、决策、待办、洞察、教训、知识（7子类+索引）
L4	工作记忆	work_memory/	会话状态、临时上下文
L5	技能记忆	SQLite 总库	工具经验、技能卡片

数据层统一用 SQLite 单文件总库（xingmind.db），它是唯一事实来源。

想用眼睛看 L1/L2，跑 md 命令渲染出 MEMORY.md / USER.md —— 那是派生视图：

改它不会生效，下次渲染就被覆盖。改内容一律改库。

快速开始

库化入口（Agent 同进程调用）

PYTHON

import sys
sys.path.insert(0, r"<技能目录>")
from xingmind import Memory

mem = Memory("./my_memory")      # 传 principal 即启用作用域门（多 Agent 场景）
mem.remember("项目用 SQLite", "单文件总库，写入毫秒级", layer="l1", importance=5)
hits = mem.recall("用什么存数据", limit=8)

接进任何 Agent：MCP 入口（v8.10）

不用写胶水。客户端 MCP 配置里指过来就行——零依赖，纯标准库：

JSON

{"mcpServers": {"xingmind": {
  "command": "python",
  "args": ["<技能目录>/mcp_server.py", "--path", "<记忆库目录>"]
}}}

也能手动跑：python mcp_server.py --path ./my_memory

工具	干什么	什么时候调
`memory_recall`	检索，只回索引行	想确认「记过这件事没有」
`memory_read`	按 mid 展开（摘要 / 全文）	索引里看到想要的
`memory_context`	一步拼好证据（`detail=index/full`）	要正式作答
`memory_record`	写入（自动查重 + 改口消解）	用户说了值得记的事
`memory_absorb`	整场对话收进来（留底 + 提取 + 幂等）	对话结束时
`memory_stats`	库现状 / 当前身份可见多少条	排查与自检

多 Agent 场景加 --principal <身份> 即启用作用域门。

memory_record 必须看 written 字段：written=false = 判定为重复、没有入库，返回值里会附一句中文「未写入：与《X》相似 94%」。协议层不会报错（isError=false），所以只判断"有没有报错"会把没记住当成记住了。确实要记就传 on_duplicate="add"（等价命令行 add 的"提示但仍添加"）。

三个入口的写入语义（v8.10.1，实测后统一口径）

同一个库，从三条路写进去，语义故意不完全一样，但差异必须能被显式抹平：

入口	查重	冲突消解	命中重复时
`mem.remember(...)`（默认 `smart=False`）	❌	❌	原样照记（给评测/批量导入用，要可复现）
`mem.remember(..., smart=True)`	✅	✅	丢弃并说明
`cli add`	✅	✅	提示但仍添加；`--block-dup` 才阻断
`mcp memory_record`	✅	✅	默认丢弃并回 `written=false`；传 `on_duplicate="add"` 即照加

差异的合法性来自场景：批量导入不该被去重悄悄改掉条数；Agent 自动记不该把库写膨胀；人亲手敲的 add 说记就要记。不允许的是"没说清"——所以每条路都必须在返回值里把"到底写没写进去"讲明白。

一步到位：recall_context（答题/对话主入口）

如果你只记一个方法，记这个。 它把「召回 → 精炼 → 补算 → 拼证据」一次做完：

PYTHON

ctx = mem.recall_context(
    "我上个月买了几件家具？",
    reference_date="2023-11-15",          # 提问时间，用于算「距今多久」和补时间锚点
    complete=lambda p: my_llm(p),         # 可选：只给「版本裁决」用；不传则跳过裁决
)
print(ctx["context"])                      # 直接塞进 user prompt
print(ctx["stats"])                        # {'window': 200, 'hits': 48, 'mem': 35683, ...}

它内部按顺序做了这些事，每块都可能不出声（不触发就是空字符串）：

块	什么时候出声	靠什么决定
证据主体	总是	召回 + 精炼（用户原话优先，助手长回复只留开头）
日期计算	问「相隔多久/多久以前」	代码算日期差，不让模型心算
版本裁决	记忆里同一件事有多个打架的值	规则捞候选 → 模型判「改口还是不同场次」
时间线（粗略）	问某个会随时间变的属性	取最新版本；裁决生效时让位给裁决
事实核对	问的头衔记忆里只有相似词	逼模型答「信息不足」，防硬凑
排序	问「先后顺序」	按日期排好再给，模型自己排会碎碎念
偏好推断	求建议/推荐	从「过去做过的同类选择」里读偏好
时间锚点	题目说「上周/十天前」	把那天前后的会话补进来（只补不删，不误杀）

不要自己再拼一遍。 这些块的顺序和「谁给谁让位」的规则是拿错题换来的，自己复刻必然漏掉某一条。要更多信息就取 stats，要改就改 recall_context。

两档详细程度（v8.10，detail=）：

detail	给什么	用在哪	全量 500 题实测
`full`（默认）	精炼后的完整证据	单轮作答（评测、一次性问答）	证据主体中位 3 万字符
`index`	只给索引行（mid/层/类型/日期/一句摘要）	有工具循环的 Agent，看完再 `expand(mid)` 展开 1~2 条	中位 1.2 千字符，88% 不用发

⚠ index 只在能再打开的环境里成立。没有工具循环时（一问一答定生死），只给索引等于不给证据。别为了省 token 把默认值改掉——省下来的会从准确率里扣走。

PYTHON

ctx = mem.recall_context("我上个月买了几件家具？", detail="index")
one = mem.expand("<mid>", level="abstract")   # 摘要 + 元信息
full = mem.expand("<mid>", level="full")      # 正文

初始化

BASH

python scripts/memory_manager.py --path ./my_memory init 
  --name "我的记忆" --project "主项目" --user "用户"

添加记忆

BASH

python scripts/memory_manager.py --path ./my_memory add 
  --layer l3 --type decision 
  --title "方案确认" --content "决定采用A方案" 
  --tags "决策" --importance 4 --scope team

--scope 可选：global（全局共享）/ team（任务组共享）/ private（私有，默认）/ secret（绝密）。

搜索记忆

BASH

# 混合搜索（默认）
python scripts/memory_manager.py --path ./my_memory search "关键词"
# 可加 --layer l1（只搜某一层）/ --status active|archived / --limit N / --min-score N

# 三种模式：hybrid / bm25 / semantic
python scripts/memory_manager.py --path ./my_memory search "关键词" --mode semantic

自动提取记忆

BASH

# 从文本提取（只提取，不落库）
python scripts/memory_manager.py --path ./my_memory extract 
  --text "记住了，以后都要跑3S架构。决定了用A方案。下次上线前要测试，上次就是教训。"

# 从文件提取
python scripts/memory_manager.py --path ./my_memory extract --file ./dialog.md

# 提取后自动去重入库（一键闭环，v7.2 新增 --remember）
python scripts/memory_manager.py --path ./my_memory extract 
  --text "我决定了，就用SQLite做总库。" --remember

对话自动提取（库化入口，v7.2）：Agent 同进程直接调用，一次落库：

PYTHON

from xingmind import Memory
mem = Memory("./my_memory")
r = mem.extract_and_remember("我决定了，就用SQLite做总库。", project="xingjian")
# → {"added": 1, "skipped_dup": 0, ...}  自动提取→去重→入库

# 多轮对话（区分用户拍板 vs Agent 复述，用户原话加权更高）
mem.extract_turns_and_remember([
    {"role": "user", "text": "我决定了，用A方案。"},
    {"role": "assistant", "text": "好的，那我用A方案。"},
])

会话边界写入（v8.10）：不靠「记得写」

absorb 治的是最致命的失效模式：宿主忘了调提取，这一整场对话就等于没发生。

PYTHON

mem.absorb([
    {"role": "user", "text": "我决定了，新项目一律用 Postgres。"},
    {"role": "assistant", "text": "好的。"},
], session_id="s-20261101-1")
# → {'session': 's-20261101-1', 'new_turns': 2, 'added': 1, 'repeated': False,
#    'trace': '.../session_log/s-20261101-1.jsonl'}

三步，顺序不能换：

步	做什么	为什么
留底	原始轨迹 append 到 `session_log/<sid>.jsonl`，不进检索层	「提取器漏了」≠「系统丢了」：漏了能重蒸，丢了就没了
提取	走 `extract_turns_and_remember`（去重 + 角色加权）	已有的活不重写
幂等	按 turn hash 跳过已吸过的轮次	边界钩子会被重复触发（Stop/SessionEnd/PreCompact），不幂等就吸三遍

重复调用 → repeated: True，一个字都不写
提取器升级后重蒸历史：mem.replay_session("<sid>")
看收进来过哪几场：mem.sessions()
命令行：absorb --file dialog.jsonl --session s-1（另有 --list / --replay / --dry-run）
不做后台守护进程（会抢资源、抢焦点）：只提供「能被钩子挂上去的一次调用」
轨迹放文件、不进库，所以也不进 backup 的 .db 备份。这是有意分层：

库是「承诺不丢」的东西，轨迹是「还能重蒸」的材料。 要连轨迹一起备份，对整个记忆库目录做文件级备份即可

记忆会更新（v8 新增：冲突消解 + 时间有效性 + 自动蒸馏）

核心变化：煋思维从「记事本」升级成「会学习的记忆系统」——记忆不再只会越存越多，而是会更新、会失效、会提炼。

PYTHON

from xingmind import Memory
mem = Memory("./my_memory")

# 1. 改口消解：新事实推翻旧事实，不追加而是封口旧值（历史保留）
mem.add_smart("每天早上七点起床", "七点起床，雷打不动")
mem.add_smart("每天早上八点半起床", "我改成八点半起床了")
# → {"action": "updated", "superseded": "<旧mid>", "version": 2, "judged_by": "model"}
#   旧值内容保留但 valid_until 封口，新值独立入库 valid_from=封口时刻

# 2. 时间有效性：查「某时刻哪条为真」
mem.valid_at(某时间戳)   # 返回该时刻为真的记忆（旧值已失效不会出现）

# 3. 自动蒸馏：同类经验攒够 3 条，提炼成 L1 规则
mem.distill()   # → {"distilled_groups": 1, "created_rules": [...]}

三条治本原则：

冲突不覆盖历史：旧值封口（valid_until）而非删除，可回查「当时是谁」
记忆是候选证据，非权威真相：每条记忆带 confidence（置信度）/ authority（来源）/ provenance（溯源），检索时能判断可信度
「是不是同一件事」由模型判，不由词表判：judged_by 会写清这次是 model 还是 rule。

走规则时只认技术类主体（数据库/框架…），作息、搬家、预算这类改口会漏——这是降级，不是正常状态。

接上你的模型（一行，可选）

煋思维不托管 key、不挑模型。宿主手里有什么就用什么：

PYTHON

import xingmind

class MyLLM:
    def complete(self, prompt: str) -> str:
        return 你的模型(prompt)

xingmind.set_host_llm(MyLLM())     # 接上
xingmind.set_host_llm(None)        # 断开，全部回退纯规则

接了之后自动用在两处，其余器官仍是纯规则、零 token：

器官	用模型做什么	没接时
改口判定（`add_smart` / `remember(smart=True)`）	判「这两句是不是同一件事被改了说法」	退回词表规则，只认技术类主体，生活类改口会漏
经验蒸馏（`distill`）	把同类经验提炼成一句可复用的规律	退回统计版（高频词拼接）

模型抛异常时自动降级、不卡住写入；降级结果里带 judged_by / 返回 None，调用方能看出这次到底走没走模型。

项目总账

BASH

python scripts/memory_manager.py --path ./my_memory ledger init --project "项目名"
python scripts/memory_manager.py --path ./my_memory ledger show --project "项目名"
python scripts/memory_manager.py --path ./my_memory ledger add --section modules --item "模块名"

查看状态

BASH

python scripts/memory_manager.py --path ./my_memory status
python scripts/memory_manager.py --path ./my_memory list --layer l3
python scripts/memory_manager.py --path ./my_memory switch "新项目"

维护 / 迁移 / 注入

BASH

# 衰减归档：过期条目转 archived，4星提醒蒸馏
python scripts/memory_manager.py --path ./my_memory maintain

# 导出备份（含全部条目与状态）
python scripts/memory_manager.py --path ./my_memory export ./backup.json

# 从备份恢复到新工作区
python scripts/memory_manager.py --path ./my_memory import ./backup.json

# 目录式披露：输出 Agent 开场可注入的索引片段（默认800字，L3取最近10条）
python scripts/memory_manager.py --path ./my_memory context
python scripts/memory_manager.py --path ./my_memory context --max-chars 500 --recent-l3 5

# 画像主副：主画像（type=profile）直写库，参考画像（type=profile_draft）供他人提建议
# 要看人读视图跑 md 命令；改 md 文件不生效（它是派生物）
python scripts/memory_manager.py --path ./my_memory add --layer l2 --type profile --title "主画像" --content "..."
python scripts/memory_manager.py --path ./my_memory add --layer l2 --type profile_draft --title "建议" --content "..."
python scripts/memory_manager.py --path ./my_memory merge  # 把参考画像收敛进主画像并清空

备份 / 恢复（防丢核心，v7.0 新增）

总库是单个 xingmind.db 文件，备份就是复制一个文件：

BASH

# 记住默认备份目录（写入记忆库，之后 backup 直接用；强烈建议指向「正在同步的网盘文件夹」）
python scripts/memory_manager.py --path ./my_memory backup --set-to "C:Users你WPS Cloud Files煋思维备份"

# 一键备份（用记住的目录，自动 checkpoint + 只保留最近10份防堆满）
python scripts/memory_manager.py --path ./my_memory backup

# 临时备份到别处（不改记住的目录）
python scripts/memory_manager.py --path ./my_memory backup --to ./backup

# 一键恢复（电脑坏了/换新电脑后，用备份 .db 还原）
python scripts/memory_manager.py --path ./my_memory restore "C:Users你WPS Cloud Files煋思维备份xingmind-20261030-010342.db"

备份文件名带时间戳，可保留多份历史
恢复前自动把当前库留档为 .pre-restore.bak，不覆盖不丢
备份前自动 checkpoint（把 WAL 合并进主文件），确保 .db 自包含完整
指向正在同步的网盘文件夹（如 WPS Cloud Files），备份文件会被网盘客户端自动上传云端 = 白捡异地副本

跨任务共享（煋思维）

BASH

# 把本工作区某条 global/team 记忆发布到共享区（共享区在 ~/.workbuddy/xingmind/team）
python scripts/memory_manager.py --path ./my_memory share push --mid <mid> --owner "任务A"

# 多Agent：指定角色。owner=权威写；worker/contributor=只提建议，等 owner 合并
python scripts/memory_manager.py --path ./my_memory share push --mid <mid> --owner "agent-1" --role worker

# 查看某条记忆的待合并建议
python scripts/memory_manager.py --path ./my_memory share merge --mid <mid> --owner "任务A"

# owner 采纳第 0 条建议（version+1）；加 --reject 则驳回
python scripts/memory_manager.py --path ./my_memory share merge --mid <mid> --owner "任务A" --index 0

# 从共享区拉取（scope 可选 global/team/all）
python scripts/memory_manager.py --path ./my_memory share pull --scope global

# 查看共享区总览
python scripts/memory_manager.py --path ./my_memory share list

共享区是多个工作区共用的目录，存「结论」而非「过程」。私有/绝密永不进共享区。

多 Agent 安全（v6.2 新增）：共享区和索引写入均走「文件锁 + 原子写」，多 Agent 并发 push/add 不丢数据；单一写者由「约定」升级为「代码强制」——每条共享记忆只有一个 owner，非 owner 以 owner 角色覆盖会被拒绝，只能以 worker/contributor 角色提建议，等 owner 用 merge 收编。

关系图 / 热力图可视化

BASH

# 导出通用图数据（nodes/links + N×N 关系强度矩阵）
python scripts/memory_manager.py --path ./my_memory graph memory_graph.json

# 生成自包含可视化页（双击即开，热力图 + 表格双视图）
python scripts/memory_manager.py --path ./my_memory graph --html memory_graph.html

关系强度用「规则法」零成本计算：同 project / 同 layer / 共享 tag 越多越强。导出的是通用格式，将来可把规则法升级为词法/向量相似度，上层视图无感知。

命令清单

命令	说明
`init`	初始化记忆系统
`add`	添加记忆条目
`search`	搜索记忆（hybrid/bm25/semantic三模式）
`list`	列出记忆
`status`	查看系统状态
`switch`	切换项目
`extract`	从文本/文件自动提取候选记忆（`--remember` 自动去重入库）
`absorb`	会话边界写入：整场对话收进来（先留底再提取，幂等）；`--list`/`--replay`/`--dry-run`
`ledger`	项目功能总账管理（init/show/add）
`maintain`	记忆维护：按重要度衰减归档 + 长期未访问归档（加 `--dry-run` 只预览，不改库）
`export`	导出全部记忆为JSON（含状态，可迁移备份）
`import`	从JSON导入记忆（同mid跳过，不覆盖）
`context`	目录式披露：输出可注入Agent上下文的索引片段
`merge`	画像合并：把参考画像在库里并入主画像，参考画像归档
`md`	把 L1/L2 渲染成 md 视图（MEMORY.md / USER.md / USER-draft.md）
`dedup`	去重扫描：报告整库重复条目组（只报告不删除）
`graph`	关系图导出：nodes/links + 关系强度矩阵，供热力图/力导向图/表格共用
`backup`	一键备份：checkpoint 后复制 .db 到记住的目录，只留最近 10 份
`restore`	从备份 .db 还原到新工作区
`share`	跨任务共享：push发布 / pull拉取 / list查看 / merge合并（含角色权限+并发安全）

3S架构

严格遵循3S架构（Small file / Small function / Layered）：

代码

scripts/
├── memory_manager.py       CLI 入口（20 命令）
├── mcp_server.py           MCP 入口（stdio，零依赖，6 个工具）
├── README.md               项目首页（给人看的一页说明）
├── examples/quickstart.py  5 分钟演示：记住 / 找回 / 改口 / 隔离
├── LICENSE                 AGPL-3.0 全文（开源版许可）
├── COMMERCIAL.md           商用授权说明：什么免费用、什么要买、怎么谈
├── CLA.md                  贡献者协议（双许可的法律前提）
├── core/                   主干（21 个）：模型 / 存储 / 检索门面 / 证据 / 算术 / 裁决 / 边界写入
├── search/                 检索层：BM25 + 向量兜底 + 混合 + 重排
├── extractor/              提取层：模式库 + 提取器（含来源溯源）
├── ledger/                 总账层：项目总账
├── experimental/           实验区（25 个）：写完但没组装进主链路的认知器官
├── tests/                  测试层：并发 / 角色 / 去重溯源 / 检索
└── utils/                  工具层：分词 + 日期

单文件 < 400 行、单函数 < 50 行（xingmind.py 作为对外门面是已知例外：一个方法一个入口，拆开反而难找）
零第三方依赖，纯 Python 标准库
主干只有一条：remember → recall → recall_context。不在这条线上的模块一律放 experimental/

重要度分级

星级	名称	有效期	说明
★	临时	7天	用完即忘
★★	短期	14天	短期参考
★★★	普通	30天	默认级别
★★★★	重要	60天	建议蒸馏到上层
★★★★★	永久	永久	永不失效

硬约束规则（R 编号）

L1 规则建议用 R数字 + 名称 作标题（如 R1 不许抢鼠标键盘焦点）。context 命令会自动识别 R 编号规则并置顶输出，作为不可逾越的硬约束。

画像主副双写

主画像（--layer l2 --type profile）：只有「自我复盘」场景可写
参考画像（--layer l2 --type profile_draft）：全员可追加建议
合并：merge 命令把参考画像在库里并入主画像（标记「待复核」），参考画像归档
看：md 命令把两者渲染成 USER.md / USER-draft.md。这两个文件是派生物，

改它们不会生效——合并发生在库里，不在文件里

归档层只进不出

maintain 归档的条目会挪进 recent_memory/archived/，写入内容哈希作只读标记，且 update 拒绝修改已归档条目。归档后不可回捞，需恢复请走 delete + re-add。

去重（词法 + 语义两路）

自动查重：add 会先扫同层同项目的 active 条目，命中重复时提示（默认不阻断）。

加 --block-dup 可强制阻断重复添加。

整库扫描：dedup 命令报告重复条目组，只报告、不自动删除，确认后人工清理。
两路判据：
- 词法（字符 bi-gram Jaccard，阈值 0.85）——抓「复制粘贴/几乎一样」的重复；
- 语义（双字/三字词 + 同义词扩展 Jaccard，阈值 0.50）——抓「换词不换意」的明显重复。
防误伤：只对「同层 + 同项目 + 都活跃」的条目比较，跨层同名（如 L1 规则 vs L3 情节）不判重。

适用场景

Agent长期记忆：记住用户偏好、决策、习惯，避免重复询问
AI 思维 / 认知架构：要的不是记事本，而是会举一反三、会跨域联想、会自我纠错的 Agent
无先例难题：没有攻略可抄时，靠排除死路 + 提猜想破局
项目知识沉淀：模块、接口、数据表、决策、坑点全景记录
经验教训积累：踩坑记录结构化存储，避免重复交学费
对话知识萃取：从长对话自动提取有价值信息批量入库

许可：双许可（AGPL 免费 + 商业授权）

本项目采用双许可，不是"先免费后收费"的套路，是两条路并行：

你是什么情况	用哪条	要付钱吗
个人用、学习、研究	AGPL-3.0 免费版	不要
公司内部使用（数据不出门、不对外提供服务）	AGPL-3.0 免费版	不要
开源项目（衍生作品也用 AGPL）	AGPL-3.0	不要
嵌进你要卖的产品 / 做成 SaaS 对外服务 / 要闭源	商业授权	要

开源全文：[LICENSE](LICENSE)（AGPL-3.0）
商用范围、定价方式、联系方式：[COMMERCIAL.md](COMMERCIAL.md)
提交代码前请签：[CLA.md](CLA.md)——没有它，商业授权在法律上就走不通

AGPL 覆盖"分发"和"通过网络提供服务"两种情形，所以 SaaS 也在内；

纯内部使用不触发，这一条我们写在明面上，不在这上面绕。

2026 年 11 月
一	二	三	四	五	六	日
						1
2	3	4	5	6	7	8
9	10	11	12	13	14	15
16	17	18	19	20	21	22
23	24	25	26	27	28	29
30

AI记忆·长期记忆·煋思维

下载地址

概述

煋思维（XingMind）v8.10.3

它是什么

技能简介

三大核心能力

四象限共享记忆（煋思维核心）

五层记忆架构

快速开始

库化入口（Agent 同进程调用）

接进任何 Agent：MCP 入口（v8.10）

三个入口的写入语义（v8.10.1，实测后统一口径）

一步到位：recall_context（答题/对话主入口）

初始化

添加记忆

搜索记忆

自动提取记忆

会话边界写入（v8.10）：不靠「记得写」

记忆会更新（v8 新增：冲突消解 + 时间有效性 + 自动蒸馏）

接上你的模型（一行，可选）

项目总账

查看状态

维护 / 迁移 / 注入

备份 / 恢复（防丢核心，v7.0 新增）

跨任务共享（煋思维）

关系图 / 热力图可视化

命令清单

3S架构

重要度分级

硬约束规则（R 编号）

画像主副双写

归档层只进不出

去重（词法 + 语义两路）

适用场景

许可：双许可（AGPL 免费 + 商业授权）

标签：

其他文章

暂无评论！成为第一个。

发表回复 取消回复

您可能错过了

发表回复取消回复