企业官网建设流程全解析

如果你在用LLM4AD_Next（下一代自动算法设计平台）做算法进化，最怕的就是"每次都从零开始"：上一轮验证过的优秀启发式、踩过的坑、项目特有的评测口径，换个任务就全忘了。本文带你用 MindMemOS 为 LLM4AD_Next 配置长期记忆，完整覆盖「全局 / 项目 / 任务」三层记忆的模型绑定、检索模式、注入策略和高级调优，新手照着做 5 分钟即可上手。

一、为什么需要长期记忆 🧠

传统算法设计工具只关注"这一次跑得怎么样"，而 LLM4AD_Next 的长期记忆能力把已验证的经验在每次启动任务时带回提示词：

• ✅ 减少重复试错——优秀算法经验、错误反思会被自动召回；
• ✅ 项目内逐步积累——同一个项目的任务共享项目记忆，成果越滚越多；
• ✅ 跨项目复用——全局记忆属于当前用户，新项目也能直接受益。

长期记忆是可选能力：每个任务可以选择不启用记忆、用仅限本次运行的临时记忆（默认），或服务与模型就绪后使用长期记忆。

二、三层记忆如何协同：全局 → 项目 → 任务

越靠前的层复用范围越广，越靠后的层越贴近当前问题。

1️⃣ 全局记忆：跨项目的新任务"预装经验"

全局记忆属于当前用户，适合在启动任务之前主动沉淀：

• 已验证有效的算法设计经验、启发式策略（good_algorithm）；
• 特定领域的术语、约束与评价原则（domain_knowledge）；
• 失败得到的错误反思、常见陷阱（error_reflection）；
• 代码风格、资源预算等长期偏好（general_insight）。

💡 原则：稳定、通用、值得反复使用的才进全局层；短期试验噪声不要写入。

2️⃣ 项目记忆：沉淀当前项目的共同上下文

项目记忆只属于当前项目，不会混入其他项目。它保存该项目特有的背景、数据特征、评测口径和已验证结论，支持直接新增、编辑、禁用卡片，也可以从任务记忆中挑选高价值经验确认后提升为项目记忆——避免把一次偶然结果变成默认前提。

3️⃣ 任务记忆：服务当前运行、产生候选经验

任务记忆记录本轮运行的有效思路、失败原因和待验证线索。运行期间它会按你的注入策略参与检索与注入；任务结束后，可以从中筛选真正有复用价值的内容，提升为项目记忆。原始任务卡片不会因提升操作被修改。

三、快速上手：三步完成 MindMemOS 配置

第 1 步：启动 MindMemOS 服务

MindMemOS 的部署由 docker/compose.mindmemos.yml 编排，包含 4 个容器：

记忆卡片的抽取规范（实体类型、必填字段、标签规则）预设在 docker/mindmemos/config/presets/llm4ad_memory_card.json 中，保证每次提取出的卡片都"有名有机制有证据"，而不是空泛的"性能提升了"。

第 2 步：绑定 Chat 与 Embedding 模型

在 Web UI 进入「全局记忆」→「默认策略」，完成两个模型绑定：

1. Chat 模型：把手动输入和任务过程整理为结构化记忆卡片；
2. Embedding 模型：把记忆转换为向量，供新任务按相关性检索。

⚠️ 两个注意点：

• 绑定按用户生效；只有部署已启用 MindMemOS 且当前用户完成绑定后，任务创建页才会出现"长期记忆"选项；
• 首次绑定 Embedding 模型后，模型与向量维度会被锁定（更换会使已存向量失效），需要更换时请联系部署管理员。

第 3 步：创建任务时选择「长期记忆」

任务创建页有三种记忆模式：

在 YAML 配置中，记忆总开关与实现类型位于memory段（memory.type取mindmemos_cloud即接入 MindMemOS），完整字段定义见 src/llm4ad/config/memory.py，官方指南见 docs/zh/guides/memory.md。

四、共享记忆怎么选：自动检索 vs 手动固定

全局记忆和项目记忆属于"共享范围"，配置项为retrieval_mode：

• 自动检索（auto，推荐）：系统从已启用的全局/项目记忆中按当前任务相关性召回内容，可分别控制是否包含两个范围、以及每个范围每次提示词最多注入多少条（user_memory_limit/project_memory_limit）。适合大多数探索型任务。
• 手动固定（manual）：挑选指定卡片（pinned_card_ids）固定注入，运行时不再自动检索共享记忆。适合复现实验、严格控制上下文，或只想验证某一条经验的场景。

手动固定只控制全局和项目范围；任务记忆仍按下面的注入策略参与。

五、任务记忆注入策略：TopK / 权重 / 随机

任务记忆始终先检索候选，再按task_injection_mode决定注入方式：

• TopK（默认）：按检索相关性注入最相关的前 N 条（task_memory_limit控制上限，默认 5），大多数任务的首选；
• 权重模式（weight）：按 λ×相似度 + (1-λ)×新鲜度 做加权抽样。task_injection_lambda越大越偏向"和当前问题相关"的经验，越小越偏向"最近产生的"经验，默认 0.5 各占一半；
• 随机模式（random）：从候选中均匀随机注入，增加探索多样性，适合希望避免思路过早固化的任务。

💡 经验法则：追求稳定收益用 TopK；发现进化后期"近亲繁殖"时，切到权重模式调低 λ 或改用随机模式引入新鲜经验。

六、高级设置：按需调优的 5 个参数

通常在任务配置的高级设置里保持默认即可，需要针对质量、成本或稳定性调优时再动：

重排（rerank）与分数阈值的配置入口已保留，但当前部署暂不提供重排能力，相关设置不会生效。

七、命令行管理记忆：llm4ad memory

除了 Web UI，还可以用交互式 TUI 直接管理记忆卡片：

# 管理全局记忆（未配置时会进入界面引导填写连接与模型） llm4ad memory # 管理某个任务的记忆（从 config.yaml 读取 task_id / project_name） llm4ad memory -f config.yaml

TUI 支持浏览、新增、编辑、启用/禁用记忆卡片，快捷键驱动（ctrl+s保存、esc取消），实现见 src/llm4ad/memory/tui.py 与 src/llm4ad/memory/cli_commands.py。

CLI 连接信息保存在~/.llm4ad/settings.yaml（memory段：base_url、jwt_secret等，默认指向http://127.0.0.1:18000），模型提供方（chat/embedding/rerank）也在同一文件配置，默认已预填 OpenAI 地址，只需补 API Key，详见 src/llm4ad/memory/config.py。若 TUI 提示缺依赖，执行pip install 'llm4ad[mindmemos]'即可。

八、常见坑与最佳实践清单 ✅

1. 记忆服务不可用/模型未绑定→ 长期记忆不可选。别慌，先用临时记忆跑任务，完成绑定后再切换；
2. 被禁用的卡片不会被检索到——自动检索、手动固定均跳过enabled: false的卡片，复盘时注意检查；
3. 层级放对位置：稳定通用的知识 → 全局；项目专属结论 → 项目；短期试验线索 → 留在任务层，别把噪声写进全局；
4. 提升要确认：任务记忆提升为项目记忆必须用户确认，这是防止"一次偶然结果变成默认前提"的护栏；
5. 复现实验：切到manual固定注入，锁死上下文，实验才可比。

完整配置样例可参考 src/llm4ad/consultant/_templates/complete.yaml 中的memory段，以及示例任务 examples/applications/tsp_benchmark_python/tsp_benchmark_config.yaml。

写在最后

用一句话概括 LLM4AD_Next 的长期记忆工作流：先绑模型，再备全局经验，随后按任务选"长期记忆 + 自动检索/TopK"，跑完后把高价值任务卡片提升为项目记忆。把稳定的知识放在正确的层级，你的每一次算法进化就都不再是"从零开始"。🚀