# GoodMemory：为 AI 应用打造可插拔的用户记忆层

> GoodMemory 是一个面向 AI 应用的可插拔用户记忆层，解决如何让 AI 真正"记住用户"的问题。它不替代 LLM、向量数据库或 RAG 系统，而是专注于记忆的生命周期管理：记什么、何时更新、如何检索、如何压缩、为什么引用、如何删除。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-04-12T04:44:17.000Z
- 最近活动: 2026-04-12T04:48:57.556Z
- 热度: 157.9
- 关键词: AI记忆, Memory Layer, LLM, Agent, 上下文管理, RAG, 用户记忆
- 页面链接: https://www.zingnex.cn/forum/thread/goodmemory-ai
- Canonical: https://www.zingnex.cn/forum/thread/goodmemory-ai
- Markdown 来源: ingested_event

---

# GoodMemory：为 AI 应用打造可插拔的用户记忆层\n\n## 背景：AI 的记忆困境\n\n当前的大语言模型（LLM）虽然在推理和生成能力上表现出色，但存在一个根本性的局限——它们没有真正的"记忆"。每次对话都是全新的开始，模型无法记住用户的偏好、历史上下文或长期交互模式。虽然可以通过 RAG（检索增强生成）和向量数据库来补充上下文，但这些方案往往只解决"检索什么"的问题，而忽略了记忆本身的生命周期管理。\n\n正是在这样的背景下，GoodMemory 应运而生。它不是一个简单的存储层，而是一个专门面向 AI 应用的**用户记忆层（Memory Layer）**，致力于解决一个更具体的问题：如何让任何 chatbox、copilot、agent 或 workflow assistant 在不重新训练模型的前提下，真正"记住用户"。\n\n## GoodMemory 的定位与边界\n\nGoodMemory 的设计哲学非常清晰：它**不替代**现有的技术栈组件，而是作为一层补充。具体来说，它不替代：\n\n- **LLM**：不修改或替换底层模型\n- **Agent Framework**：不取代现有的 agent 框架\n- **向量数据库**：不替代专门的向量存储方案\n- **RAG 系统**：不取代检索增强生成架构\n\nGoodMemory 的本质是一个 **Personal Context Engine**，专注于记忆的生命周期管理。它的核心不是"存更多"，而是回答六个关键问题：\n\n1. **记什么**——什么样的信息值得被记住？\n2. **何时更新**——记忆何时需要刷新或修正？\n3. **如何检索**——在什么时候、以什么方式召回记忆？\n4. **如何压缩**——如何在有限上下文窗口中高效呈现记忆？\n5. **为什么引用**——记忆被引用的理由是什么？\n6. **如何删除**——何时、如何遗忘不再相关的记忆？\n\n此外，GoodMemory 还关注跨 agent、跨项目、跨租户的记忆边界控制，确保记忆在正确的范围内生效。\n\n## 核心 API 设计：记忆的五个闭环\n\nGoodMemory 的 API 设计非常简洁，围绕记忆的完整生命周期构建了五个核心操作：\n\n### 1. remember() —— 存储记忆\n\n当用户与 AI 交互时，系统可以调用 `remember()` 将关键信息存入记忆层。记忆可以按用户 ID、会话 ID 等维度进行作用域划分。\n\n### 2. recall() —— 检索记忆\n\n在需要上下文时，`recall()` 会根据查询和检索策略（retrieval profile）从记忆中召回相关信息。支持不同的检索场景，如通用对话、代码助手等。\n\n### 3. buildContext() —— 构建上下文\n\n`buildContext()` 将召回的记忆转换为适合注入 LLM 提示词的格式（如 Markdown），并处理上下文压缩和优先级排序。\n\n### 4. feedback() —— 反馈优化\n\n通过反馈机制，系统可以学习哪些记忆在特定场景下更有用，持续优化检索质量。\n\n### 5. forget() —— 遗忘管理\n\n记忆不是永久存储。`forget()` 支持基于策略的遗忘，如过期删除、用户主动删除、或基于相关性的自动清理。\n\n## 快速上手与集成示例\n\nGoodMemory 的使用非常直观。以下是一个基础集成示例：\n\n```typescript\nimport { createGoodMemory } from \"goodmemory\";\n\n// 创建记忆实例\nconst memory = createGoodMemory({\n  storage: { provider: \"memory\" },\n});\n\n// 存储用户对话记忆\nawait memory.remember({\n  scope: { userId: \"u-1\", sessionId: \"s-1\" },\n  messages: [\n    {\n      role: \"user\",\n      content: \"Remember that the migration rollout is blocked.\",\n    },\n  ],\n});\n\n// 在新会话中检索记忆\nconst recall = await memory.recall({\n  scope: { userId: \"u-1\", sessionId: \"s-2\" },\n  query: \"How should I answer this user?\",\n  retrievalProfile: \"general_chat\",\n});\n\n// 构建 LLM 可用的上下文\nconst context = await memory.buildContext({\n  recall,\n  output: \"markdown\",\n});\n```\n\n项目还提供了针对不同场景的示例：\n\n- **基础对话集成**：`examples/basic-chat.ts`\n- **代码助手场景**：`examples/coding-agent.ts`\n\n## 记忆分类与架构设计\n\nGoodMemory 借鉴认知科学中的记忆分类，将记忆划分为四种类型：\n\n### 语义记忆（Semantic Memory）\n关于事实和概念的记忆，如用户的职业、兴趣领域、常用工具等。\n\n### 情景记忆（Episodic Memory）\n关于具体事件和经历的记忆，如过去的对话、完成的任务、遇到的问题等。\n\n### 程序记忆（Procedural Memory）\n关于"如何做"的记忆，如用户的偏好流程、常用操作模式等。\n\n### 运行时记忆（Runtime Memory）\n当前会话中的临时上下文，如正在进行的任务状态。\n\n这种分类让系统能够针对不同类型的记忆采用不同的存储、检索和压缩策略。\n\n## 评测与可观测性\n\nGoodMemory 内置了完整的评测链路，支持：\n\n- **Persona 数据集**：基于真实用户画像的测试数据\n- **Replay Fixtures**：可复现的测试场景\n- **A/B 对比**：Baseline vs GoodMemory 的效果对比\n- **结构化评测输出**：支持人工和自动化的质量评估\n\n项目还提供了 CLI 工具用于查看评测产物和追踪记录：\n\n```bash\n# 检查特定运行\nbun run cli -- inspect --run-dir reports/eval/live/<run-id> --case-id <case-id>\n\n# 查看追踪\nbun run cli -- trace --run-dir reports/eval/live/<run-id> --case-id <case-id>\n\n# 导出数据\nbun run cli -- export --run-dir reports/eval/live/<run-id> --case-id <case-id> --output /tmp/case.json\n```\n\n## 实际意义与应用场景\n\nGoodMemory 的价值在于为 AI 应用提供了一种**开箱即用的记忆能力**，而无需从零构建复杂的记忆管理系统。典型的应用场景包括：\n\n- **个人助手**：记住用户的偏好、习惯和长期目标\n- **代码助手**：记住项目结构、技术栈和开发习惯\n- **客服系统**：记住客户历史问题和解决方案\n- **工作流自动化**：记住跨会话的任务状态和上下文\n\n对于开发者而言，GoodMemory 提供了一种"可插拔"的解决方案——可以在不改变现有架构的情况下，为任何 AI 应用添加记忆能力。\n\n## 总结与展望\n\nGoodMemory 代表了一种新的思路：与其让 LLM 变得更"大"来容纳更多上下文，不如在应用层构建一个智能的记忆管理系统。这种分层架构的优势在于：\n\n1. **模型无关**：不依赖特定 LLM，可与任何模型配合使用\n2. **场景可定制**：针对不同应用类型配置不同的记忆策略\n3. **可观测可评测**：提供完整的评测和调试工具\n4. **隐私可控**：支持细粒度的作用域和边界控制\n\n随着 AI 应用从"一次性对话"向"长期陪伴"演进，用户记忆将成为核心能力之一。GoodMemory 为这一趋势提供了一个务实且可落地的技术方案。