企业官网建设流程全解析

agentic-stack 记忆系统深度解析：working/episodic/semantic/personal 四层结构，让 AI 越用越懂你

【免费下载链接】agentic-stackOne brain, many harnesses. Portable .agent/ folder (memory + skills + protocols) that plugs into Claude Code, Cursor, Windsurf, OpenCode, OpenClaw, Hermes, or DIY Python — and keeps its knowledge when you switch.项目地址: https://gitcode.com/gh_mirrors/ag/agentic-stack

agentic-stack 是一个可移植的.agent/记忆与技能层，一次安装即可接入 Claude Code、Cursor、Windsurf、OpenCode、Codex、Hermes 等 13 种 AI 编码工具（harness）。它的核心记忆系统采用working / episodic / semantic / personal 四层结构，分别模拟人类的工作记忆、情景记忆、语义记忆和个人偏好——切换工具时，AI 的"脑子"原封不动地跟你走，知识只增不丢。

为什么 AI 编码助手总是"失忆"？

用过 AI 编程工具的人都有这种体验：

• 上周刚被它纠正过的部署坑，这周它又踩了一遍；
• 你说过 10 遍"用中文回复"，新会话里它又变回英文；
• 从 Claude Code 换到 Cursor，所有约定从零开始。

根源在于：大多数工具的"记忆"是会话级的——关掉终端，知识清零。agentic-stack 的解法很直接：把记忆从工具里拆出来，放进一个普通的文件夹.agent/，让所有工具共享同一套"脑"。

官方架构文档一句话总结设计哲学："the harness is dumb"（工具是笨的），知识、遥测和可复用产物全部存放在本地文件里。详见 docs/architecture.md。

四层记忆结构：一张图看懂

.agent/memory/下就是四个目录，各管一段"记忆生命周期"：

1️⃣ working/：AI 的"草稿纸"

记录当前任务的实时状态：目标是什么、假设改成了什么、做到哪一步。它刻意保持"易失"——约 2 天后自动归档。这样做的好处是每次新会话开始时，AI 拿到的是干净、聚焦的上下文，而不是几个月前烂尾任务的残骸。

REVIEW_QUEUE.md也放在这一层，记录待人工审阅的候选经验，超过 10 条或挂起超过 7 天会提醒你在动手前先审阅。

2️⃣ episodic/：按"显著性"打分的流水账

这是记忆的原料仓。每次工具调用（Bash / Edit / Write）都会被钩子（hook）自动记录成一条 JSONL 日志，字段包括领域、动作、结果、重要度（1–10 分）和一段反思笔记。

每条记录都会被计算一个显著性分数（salience），公式在 docs/demo/src/scenes/Memory.tsx 中写得很清楚：

salience = age_decay × pain × importance × recurrence（时间衰减 × 痛感 × 重要度 × 出现次数）

翻译成人话：又旧又琐碎的事会被逐渐遗忘，而反复出现、痛感强烈的教训会越陈越香。这正是"越用越懂你"的数学基础。

3️⃣ semantic/：提炼出的"永久经验"

episodic 里反复出现的模式，经过提炼后会沉淀为一条经验（lesson），追加写入semantic/lessons.jsonl（唯一事实源），并渲染成LESSONS.md供所有会话自动加载。

关键约束：LESSONS.md禁止手工编辑，只能通过审阅工具链写入或撤回（retract），保证每条经验都有出处、有决策历史。

4️⃣ personal/：只属于你的偏好

personal/PREFERENCES.md是每个会话第一个被读取的文件：你怎么称呼、用什么语言、解释要简洁还是详细、测试策略、提交信息风格……

安装时的引导向导会自动预填这 6 个问题，你也可以随时手改。注意这条铁律：personal 层的内容永远不会被合并进 semantic 层——"我个人喜欢简短回复"和"这个项目里 RLS 策略必须更新"是完全不同性质的知识，混在一起会互相污染。

记忆如何流转：从"踩坑"到"经验"

四层之间不是静态存储，而是一个自动循环。官方称之为dream cycle（做梦循环），完整生命周期见 docs/architecture.md：

1. 记录：技能（skills）在每次动作后写入 episodic 记忆；
2. 聚类：每晚 3 点，auto_dream.py把反复出现的模式聚簇成"候选经验"，只做机械的文件操作（聚类、暂存、预过滤、衰减），不做任何推理，所以可以无人值守地跑在 cron 里；
3. 审阅：宿主 AI 用 CLI 工具审阅候选——graduate.py（接受，必须给理由）、reject.py（拒绝，保留决策历史）、reopen.py（重新入队）、retract_lesson.py（撤回已毕业的经验）；
4. 毕业：被接受的教训追加进lessons.jsonl，LESSONS.md自动重渲染；
5. 召回：后续会话遇到相似任务时自动加载相关经验。

这套设计的精髓是机器负责搬运，人（或宿主 Agent）负责判断——没有"无人值守的推理"，每条经验入库都带着理由和审计痕迹。

动手用起来：三个关键命令

安装只需一步（macOS / Linux）：

brew tap codejunkie99/agentic-stack https://github.com/codejunkie99/agentic-stack brew install agentic-stack cd your-project && agentic-stack claude-code

之后值得记住的只有三个命令：

配合每晚会梦（cron 里挂一行auto_dream.py即可，命令在 docs/getting-started.md 里有完整写法），大约两周后你会明显感觉到变化：它会先查旧经验再动手、失败后带反思地记录、甚至主动提议重写表现差的技能。

💡小贴士：显著性分数对"内容词"很敏感。手动补记重要事件时，笔记要具体（"生产环境缺 RESEND_API_KEY 导致部署失败"），而不是"did stuff"——后者没有内容词，聚类时会被当成噪音。

换工具不换脑子：四层结构的真正价值

四层记忆最终服务于一个目标：harness 无关性。

• 在 Claude Code 里积累的经验，agentic-stack add cursor之后，Cursor 会话读取的仍是同一份LESSONS.md和PREFERENCES.md；
• 升级工具链（agentic-stack upgrade）只刷新基础设施脚本，绝不覆盖personal/semantic/episodic/working 四层里的任何内容；
• 项目间迁移也有向导：./install.sh transfer会打包偏好、已接受的教训、技能和各层记忆文件，目标端校验 SHA-256 后合并。

换句话说：git log .agent/memory/就是这台 AI 的自传。

总结：一份值得抄的记忆设计清单

agentic-stack 的四层记忆结构，对任何想给 AI 助手加"长期记忆"的团队都是可复用的模板：

• ✅分层设防：按生命周期分 working（2 天）/ episodic（90 天）/ semantic（永久）/ personal（永久），各有独立的保留策略；
• ✅量化遗忘：用age_decay × pain × importance × recurrence打分，让"记住什么"成为可计算的事；
• ✅机器搬运、人工判断：dream cycle 只暂存候选，入库必须走 graduate/reject 工具链并留下理由；
• ✅物理隔离：个人偏好与通用经验永不合并，避免知识污染；
• ✅文件即状态：全部记忆就是可读、可 git 的本地文件，零遥测、零厂商锁定。

想让 AI 越用越懂你，先给它一块不会失忆的"地盘"。

【免费下载链接】agentic-stackOne brain, many harnesses. Portable .agent/ folder (memory + skills + protocols) that plugs into Claude Code, Cursor, Windsurf, OpenCode, OpenClaw, Hermes, or DIY Python — and keeps its knowledge when you switch.项目地址: https://gitcode.com/gh_mirrors/ag/agentic-stack