Goldentrii/AgentRecall-X

解決的問題

AgentRecall 為 AI 代理提供了一個長期記憶系統，專注於從人類修正中學習。大多數記憶工具僅著重於資訊檢索，而 AgentRecall 會追蹤修正是否真的在不同會話中改變了代理的行為，防止代理重複相同的錯誤。

工作原理

該系統實作一個「學習迴圈」，由受控的修正日誌與測量工具組成。它將記憶分為五個不同層級：情景記憶（會話日誌）、語義記憶（主題聚類的事實）、程序性記憶（IF-THEN 规則）、敘事記憶（專案階段）與修正記憶（行為校準規則）。

透過 MCP 伺服器、SDK 或 CLI 與代理整合，採用基於會話的工作流程：/arstart 加載上下文，/arrecall 搜尋知識，/arsave 儲存並累積學習，/arreflect 統合記憶。檢索透過關鍵字匹配與 Reciprocal Rank Fusion (RRF) 的組合處理，支援可選的向量搜尋。

適用對象

使用 AI 代理（特別是 Claude Code、Cursor、Windsurf 或 VS Code）的開發者，希望代理能在專案與會話之間持續記住使用者偏好與技術修正。

主要亮點

• 行為測量： 追蹤「注意率」與「幻影梯度步」，以量化修正是否真正停止錯誤。
• 多層記憶： 採用受認知心理學啟發的分類法，將資料組織為日誌、房間、技能與意識。
• 本地優先： 預設將所有記憶儲存為本地 markdown 檔案，確保隱私且零雲端依賴。
• 自動整合： 包含可選的「夢想」模式，用於夜間自主模式挖掘與記憶衰減管理。
• 作戰室儀表板： 本地優先的視覺化介面，用於監控代理學習與專案狀態。