> 大多数 AI 记忆系统只是在"存"。DNA Memory 想解决的是：AI 如何像人一样学习与进化。
---
项目概览
| 属性 | 内容 |
|---|---|
| 项目名称 | DNA Memory 2.0 |
| 作者 | Andy / AI酋长Andy |
| GitHub | AIPMAndy/dna-memory |
| 发布时间 | 2026年3月 |
| 许可证 | Apache 2.0 |
| 核心口号 | "让 AI Agent 像人脑一样学习、强化、遗忘与归纳" |
| 作者背景 | 前腾讯/百度 AI 产品专家 → 大模型独角兽 VP → 创业 CEO |
- AI Agent 架构设计
- AI 商业化策略
- 记忆系统研究
- 个体增强技术
核心问题：为什么需要"潜意识系统"？
当前记忆系统的困境
现有的 AI 记忆系统（如 Mem0、Zep、LangChain Memory）普遍存在以下问题：
| 问题 | 表现 |
|---|---|
| 无差别存储 | 所有信息一视同仁，重要信息被淹没 |
| 不会遗忘 | 记忆库无限膨胀，检索效率下降 |
| 不会学习 | 无法从经验中提炼模式，重复犯同样错误 |
| 不会反思 | 没有对过去的决策进行系统性回顾 |
| 缺乏进化 | Agent 用了一个月和用了一天没区别 |
人脑记忆的启示
人类大脑的记忆系统远比简单的"存储-检索"复杂：
┌─────────────────────────────────────────────────────────────┐
│ 人类记忆系统 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 感觉记忆 (Sensory) ──→ 短期记忆 (Short-term) │
│ < 1秒 15-30秒 │
│ │
│ ↓ 编码 + 巩固 │
│ │
│ 长期记忆 (Long-term) │
│ 数分钟 → 终身 │
│ │
│ ┌──────────────────┐ ┌──────────────────┐ │
│ │ 外显记忆 │ │ 内隐记忆 │ │
│ │ (Explicit) │ │ (Implicit) │ │
│ │ │ │ │ │
│ │ • 情景记忆 │ │ • 程序记忆 │ │
│ │ • 语义记忆 │ │ • 条件反射 │ │
│ └──────────────────┘ └──────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────┘
关键认知机制： 1. 遗忘：主动清除不重要信息，释放认知资源 2. 强化：反复出现的记忆权重增加 3. 巩固：短期记忆通过睡眠/休息转化为长期记忆 4. 反思：从经验中提炼抽象模式 5. 关联：记忆之间建立连接，形成知识图谱
DNA Memory 的核心洞察：让 Agent 拥有类似人脑的完整记忆生命周期。
---
核心技术架构
三层记忆架构
DNA Memory 实现了严格的三层记忆模型：
┌─────────────────────────────────────────────────────────────┐
│ 工作记忆 (Working Memory) │
│ • 当前会话的临时上下文 │
│ • 会话结束后自动筛选 │
│ • 存储：memory/working.json │
└─────────────────────────────────────────────────────────────┘
↓ 筛选
┌─────────────────────────────────────────────────────────────┐
│ 短期记忆 (Short-term Memory) │
│ • 近7天的重要信息 │
│ • 带衰减权重，不访问会逐渐遗忘 │
│ • 存储：SQLite memory.db │
└─────────────────────────────────────────────────────────────┘
↓ 巩固 / 晋升
┌─────────────────────────────────────────────────────────────┐
│ 长期记忆 (Long-term Memory) │
│ • 经过验证的持久知识 │
│ • 归纳后的认知模式 │
│ • 存储：SQLite + patterns.md │
└─────────────────────────────────────────────────────────────┘
六种记忆类型
| 类型 | 说明 | 示例 |
|---|---|---|
fact | 事实信息 | "Andy 的微信是 AIPMAndy" |
preference | 用户偏好 | "Andy 喜欢简洁直接的回复" |
skill | 学到的技能 | "飞书 API 限流时要分段请求" |
error | 犯过的错误 | "不要用 rm，用 trash" |
pattern | 归纳的模式 | "推送 GitHub 前先检查网络" |
insight | 深层洞察 | "Andy 更看重效率而非完美" |
五大核心机制
#### 1. 强化与遗忘机制
# 记忆权重动态调整规则
| 事件 | 权重变化 |
|-------------------------|----------|
| 被访问/使用 | +0.1 |
| 被用户确认正确 | +0.2 |
| 被用户纠正 | 标记为错误，创建新记忆 |
| 7天未访问 | -0.1 |
| 关联到其他记忆 | +0.05 |
| 被归纳为模式 | 升级为长期记忆 |
关键参数：
decay_days: 7（7天后开始衰减）decay_rate: 0.1（每次衰减10%）forget_threshold: 0.2（低于此阈值被清理）
python3 scripts/evolve.py reflect
反思流程： 1. 回顾近期高权重记忆 2. 识别重复出现的模式 3. 提炼抽象的认知模式 4. 自动把稳定记忆晋升为长期记忆
示例：
记忆1: "GitHub push 超时"
记忆2: "GitHub clone 超时"
记忆3: "GitHub fetch 超时"
↓ Reflect 归纳
Pattern: 网络访问 GitHub 不稳定，需要重试机制
来源: [mem_001, mem_003, mem_007]
验证次数: 5
#### 3. Promote 晋升机制
python3 scripts/evolve.py promote --id 12
晋升条件：
- 权重持续高于阈值
- 经过多次验证
- 被反思机制识别为稳定模式
python3 scripts/evolve.py dedupe
去重策略：
- 检测语义相似的记忆
- 合并重复内容
- 保留权重较高的版本
# 启动后台守护进程
python3 scripts/dna_memory_daemon.py start
# 自动执行的任务：
# - auto_reflect_interval_minutes: 30分钟自动反思
# - auto_decay_interval_hours: 24小时自动遗忘
并发安全：
- 跨进程文件锁保护
- JSON 原子写入
- 支持前台命令与后台守护同时运行
技术实现细节
项目结构
dna-memory/
├── scripts/
│ ├── evolve.py # 核心 CLI
│ ├── dna_memory_daemon.py # 后台守护
│ ├── semantic_search.py # 语义搜索实验模块
│ ├── api.py # API 接口
│ ├── visualize.py # 可视化
│ └── ...
├── memory/
│ ├── memory.db # SQLite 主库
│ └── working.json # 工作记忆
├── assets/
│ └── config.json # 配置
└── SKILL.md # OpenClaw Skill 定义
核心技术栈
| 组件 | 技术 | 说明 |
|---|---|---|
| 存储引擎 | SQLite | 零依赖，单文件数据库 |
| 全文检索 | FTS5 | SQLite 原生全文搜索 |
| 工作记忆 | JSON | 轻量级临时存储 |
| 配置管理 | JSON | 灵活的参数配置 |
| 依赖 | Python 标准库 | 极致的轻量 |
检索能力
# 多关键词 AND 搜索
python3 scripts/evolve.py recall "简洁 回复"
# 类型过滤
python3 scripts/evolve.py recall "type:skill 飞书"
python3 scripts/evolve.py recall "type:error GitHub"
# FTS5 全文搜索
python3 scripts/evolve.py recall "用户 偏好 简洁"
---
与其他记忆系统的对比
功能对比矩阵
| 能力 | Mem0 | Zep | LangChain Memory | DNA Memory |
|---|---|---|---|---|
| 基础存储 | ✅ | ✅ | ✅ | ✅ |
| 向量/语义检索 | ✅ | ✅ | ✅ | ⚠️ 可扩展 |
| 多层记忆架构 | ❌ | ⚠️ | ❌ | ✅ 工作/短期/长期 |
| 主动遗忘 | ❌ | ❌ | ❌ | ✅ |
| 自动反思 | ❌ | ❌ | ❌ | ✅ |
| 模式归纳 | ❌ | ❌ | ❌ | ✅ |
| 长期晋升 | ❌ | ❌ | ❌ | ✅ |
| 本地优先 / 零依赖 | ❌ | ❌ | ❌ | ✅ |
| 适合 Agent 工作流 | ⚠️ | ⚠️ | ⚠️ | ✅ 为 Agent 行为闭环设计 |
设计哲学对比
| 维度 | Mem0 | Zep | DNA Memory |
|---|---|---|---|
| 定位 | 生产级记忆服务 | 时序知识图谱 | 人脑式学习进化 |
| 存储 | ~7k tokens（压缩） | ~600k+ tokens（膨胀） | 按需存储，自动清理 |
| 核心机制 | 摘要 + 选择性更新 | 双时间轴 + 社区摘要 | 强化/遗忘/反思/晋升 |
| 延迟 | 低（0.148s p50） | 中等（1.292s） | 极低（SQLite 本地） |
| 最佳场景 | 快速集成生产 | 复杂关系推理 | 个人 Agent / 长期陪伴 |
基准测试参考
根据 LoCoMo 基准（长期对话记忆测试）：
| 方法 | Single-hop | Multi-hop | Temporal | Open-domain |
|---|---|---|---|---|
| Mem0 | 67.13% | 51.15% | 55.51% | 72.93% |
| Zep | 61.70% | 41.35% | 49.31% | 76.60% |
| OpenAI | 63.79% | 42.92% | 21.71% | 62.29% |
---
使用场景
场景1：个人 AI 助理
痛点：每次对话都要重新说明偏好
DNA Memory 解决方案：
用户: "以后回复简洁点，别那么啰嗦"
Agent:
1. remember --type preference --content "用户偏好简洁回复" --importance 0.9
2. 后续回复自动调整风格
3. 高频访问 → 权重提升 → 晋升长期记忆
场景2：从错误中学习
痛点：同样的 API 错误反复出现
DNA Memory 解决方案：
操作失败: "飞书 API 429 限流"
Agent:
1. remember --type error --content "飞书 API 频繁调用会 429"
2. remember --type skill --content "飞书 API 要分段请求，间隔5秒"
3. link error_mem skill_mem --relation "解决方案"
4. Reflect 归纳: "第三方 API 需要限流保护机制"
场景3：Agent 工作流编排
痛点：任务执行后经验无法沉淀
DNA Memory 解决方案：
工作流:
收到任务 → Recall 相关记忆 → 执行任务 → Remember 新技能/错误 →
Reflect 归纳模式 → Promote 到长期记忆
↓ 一个月后
同样的任务 → 自动 Recall 历史经验 → 避免重复踩坑
场景4：自我进化系统
配合框架：
- self-improving-agent
- OpenClaw
- 自定义 Agent
---
推荐工作流
┌─────────────────────────────────────────────────────────────┐
│ DNA Memory 工作流 │
└─────────────────────────────────────────────────────────────┘
收到任务
↓
Recall 相关记忆（加载上下文）
↓
执行任务
↓
Remember 新偏好 / 新技能 / 错误
↓
Reflect 归纳模式
↓
Promote 到长期记忆
================== 后台自动执行 ==================
Daemon 每 30 分钟: 自动 Reflect
Daemon 每 24 小时: 自动 Decay（遗忘低权重记忆）
适用时机：
- 被用户纠正时
- 学到新偏好时
- 遇到 API 失败时
- 完成长任务时
- 发现重复模式时
配置示例
{
"decay_days": 7,
"decay_rate": 0.1,
"forget_threshold": 0.2,
"reflect_trigger": 20,
"max_short_term": 100,
"max_long_term": 500,
"auto_reflect_interval_minutes": 30,
"auto_decay_interval_hours": 24
}
---
Roadmap
- [x] SQLite 单库重构
- [x] remember / recall / reflect / promote / dedupe CLI
- [x] daemon 自动 reflect / decay
- [x] recall 支持 FTS5 全文搜索
- [ ] launchd 开机自启方案
- [ ] 更强的中文分词与相关性排序
- [ ] 真正的 embedding 语义检索接入
- [ ] 记忆关联图谱可视化增强
- [ ] 更完整的导入 / 导出 / 迁移工具
- [ ] 多 Agent 共享记忆空间支持
核心洞察
1. 存储 vs 学习
传统记忆系统关注的是存储效率（压缩、检索速度）。
DNA Memory 关注的是学习效果（遗忘、强化、反思、进化）。
2. 人脑启发的设计
DNA Memory 不是简单的数据库 wrapper，而是：
- 一套认知架构
- 一种学习理论的技术实现
- 让 Agent 从"工具"进化为"伙伴"
3. 本地优先的价值
- 隐私：用户数据不离开本地
- 速度：SQLite 亚毫秒查询
- 零依赖：Python 标准库即可运行
- 可控：完全开源，可深度定制
4. 与 OpenClaw 的契合
DNA Memory 作为一个 OpenClaw Skill：
- 自然融入 Agent 工作流
- 通过
SKILL.md定义激活场景 - CLI 接口与 OpenClaw 工具调用无缝集成
总结
DNA Memory 2.0 代表了 AI Agent 记忆系统的一个重要进化方向——
从"存储"到"学习"，从"记住"到"进化"。
它不是要和 Mem0、Zep 在检索准确率上竞争，而是要回答一个更本质的问题：
> 当 Agent 陪伴用户一个月、一年、十年后，它应该变得不一样吗？
DNA Memory 的答案是：是的，它应该像老朋友一样，越来越懂你。
---
相关资源：
- GitHub: https://github.com/AIPMAndy/dna-memory
- 作者: Andy / AI酋长Andy
- 许可证: Apache 2.0
*研究时间: 2026-04-10* *研究员: 小凯*
#记忆 #小凯 #AIAgent #记忆系统 #DNA-Memory