神经记忆增强系统

核心功能: 本技能提供中文交互、基础持久化召回、时使用等能力。

神经记忆增强系统（基础版）

基于扩散激活机制的联想记忆系统，通过神经图谱遍历实现概念关联召回，而非关键词匹配。当查询"我们之前对认证模块做了什么决策"时，系统同时激活时间、实体、概念三类神经元，通过图谱遍历找到交集，即使没有共享关键词也能发现关联记忆。

核心能力

1. 扩散激活召回（nmem_recall）

通过神经图谱遍历实现联想式记忆检索，支持2级深度控制：

• depth=0（即时）：耗时 <10ms，用于快速事实查询和最近上下文
• depth=1（标准）：耗时约50ms，默认召回深度，平衡速度与覆盖面

参数：query（查询文本）、depth（0-1）、max_tokens（返回上限，默认500）

输出：按激活强度排序的记忆列表，每条含 content、type、priority。

2. 结构化记忆存储（nmem_remember）

将信息存储为带类型标记的神经元节点，支持基础记忆类型：

fact（事实）、decision（决策）、preference（偏好）、todo（待办）、error（错误）

参数：content（记忆内容）、type（记忆类型）、tags（标签数组）、priority（0-10，默认5）

3. 记忆生命周期管理

每条记忆经历基础生命周期阶段，基于艾宾浩斯遗忘曲线自然衰减：

• 短期记忆：写入后默认状态，激活权重最高
• 工作记忆：被反复访问后提升，30天内多次召回则强化

超过90天未访问的记忆激活权重逐步降低，但不会删除，可通过召回恢复。

输出: 返回记忆生命周期管理的执行结果,包含操作状态和输出数据。

4. 会话上下文注入（nmem_context）

会话启动时获取最近活跃记忆，将其注入当前上下文：

参数：limit（返回条数，默认10）、since（时间过滤，如"24h"）

输出：最近活跃的记忆列表，按时间倒序排列。

使用流程

领先步：初始化大脑环境

执行 nmem init 创建默认大脑，生成 ~/.neuralmemory/ 目录结构。在工具配置文件中添加 neural-memory 服务端点，配置环境变量 NEURALMEMORY_BRAIN 指定当前活跃大脑。执行 nmem stats 验证大脑统计信息。

第二步：会话启动时注入上下文

会话开始时调用 nmem_context 获取最近活跃记忆，将其注入当前上下文。如果用户提及特定主题，立即调用 nmem_recall 以该主题为查询进行标准深度召回。

第三步：对话中存储与召回关键记忆

在对话过程中根据事件类型调用 nmem_remember 存储决策、错误、偏好等信息。当用户询问过去的事件时，使用 nmem_recall 进行关联召回。

结果处理: 执行完成后,查看输出结果确认操作状态。成功时输出包含处理摘要和结果数据;失败时根据错误信息排查问题,参考错误处理章节获取恢复步骤。

错误处理

示例

示例：存储项目决策并关联召回

场景：团队决定生产环境使用 数据库数据库，开发环境使用 SQLite数据库。

# 存储决策记忆
nmem_remember(
  content="生产环境使用数据库数据库，开发环境使用SQLite数据库",
  type="decision",
  tags=["database", "infrastructure", "environment"],
  priority=8
)
# 返回: fiber_id="fib_20260718_001"

# 存储关联事实
nmem_remember(
  content="部署脚本使用Docker容器化，包含pg_dump定时备份",
  type="fact",
  tags=["database", "deploy", "backup"],
  priority=6
)
# 返回: fiber_id="fib_20260718_002"

# 召回：查询生产环境数据库配置
nmem_recall(
  query="数据库配置 生产环境",
  depth=1,
  max_tokens=500
)
# 返回: fib_001(激活强度0.95) + fib_002(激活强度0.72，通过突触传播)

FAQ

Q1: 扩散激活召回和向量搜索有什么本质区别？

向量搜索基于嵌入相似度找到与查询文本相近的文档，依赖语义嵌入模型。扩散激活召回通过神经图谱遍历找到概念关联的记忆，即使没有共享关键词或嵌入相似度低也能发现关联。

Q2: 记忆衰减后还能恢复吗？

可以。衰减只是降低激活权重，记忆本身不会被删除。使用 depth=1 召回可以沿突触路径传播到低权重记忆并重新激活，或手动调用 nmem_remember 重新强化该记忆。

Q3: 系统是否依赖外部LLM或嵌入服务？

核心功能完全不依赖外部LLM或嵌入服务。扩散激活、突触连接、衰减机制均为纯算法实现（正则匹配 + 图谱遍历 + 权重计算）。

依赖说明

运行环境

• Agent平台：支持 SKILL.md 的任意 AI Agent（Claude Code / Cursor / Codex / Gemini CLI 等）
• 操作系统：Windows / macOS / Linux
• Python环境：Python 3.8+（neural-memory 包依赖）
• 本地存储：可写的 ~/.neuralmemory/ 目录

依赖项

环境配置

在工具配置文件中注册 neural-memory 服务端点：

{
  "protocolServers": {
    "neural-memory": {
      "command": "python3",
      "args": ["-m", "neural_memory.mcp"],
      "env": {
        "NEURALMEMORY_BRAIN": "default"
      }
    }
  }
}

API Key 配置

• 核心功能无需任何 API Key

可用性分类

• 分类：MD+EXEC（Markdown指令驱动，需exec执行命令行操作）
• 说明：通过自然语言指令驱动Agent执行记忆存储与召回操作

已知限制

1. 召回深度受限：基础版仅支持 depth=0 和 depth=1 两级召回，无法进行深度因果链追踪和跨域关联。
2. 突触类型有限：基础版仅支持时序和语义类突触，无法建立因果、情感、冲突等高级关联。
3. 无矛盾检测：基础版不自动检测冲突记忆，新旧矛盾需用户手动识别和处理。
4. 无版本快照：基础版不支持大脑版本快照与回滚，误操作无法撤销。
5. 无跨大脑移植：基础版不支持在多个大脑之间转移记忆，仅限单一大脑使用。

升级提示

当前为基础版，以下高级能力需升级至完整版解锁：

• 深度因果链追踪（depth=2/3）：耗时约200-500ms，用于跨域关联和因果链推理，沿 CAUSED_BY 和 LEADS_TO 突触遍历完整推理路径。
• 20种类型化突触：涵盖时序、因果、语义、情感、冲突、组合、参考、相似、强化、上下文共10大类20种突触类型，构建多维记忆图谱。
• 矛盾检测与冲突解决：自动扫描同主题记忆，通过 CONTRADICTS 突触标记冲突对，召回时返回矛盾记忆对供用户确认。
• 赫布学习强化：频繁共同召回的记忆突触权重自动增加，长期未激活的突触自然衰减，实现自适应记忆优化。
• 大脑版本快照与回滚：对整个记忆图谱创建快照，支持回滚到历史状态，操作前自动备份。
• 跨大脑记忆移植：在独立大脑之间转移筛选后的记忆，支持 merge/replace/append 三种模式，自动检测冲突。
• 会话自动提取（nmem_auto）：自动从对话文本中提取决策、事实、错误、待办等记忆条目，无需人工逐条存储。

升级至完整版以获取全部8项核心能力、8个领域专属错误处理场景和3个完整实战案例。

安全注意事项

使用前请确认已阅读依赖说明章节，确保运行环境满足安全要求。

效率量化分析

差异化对比

核心功能

• 自动化执行: 基于指令驱动的自动化流程
• 文件处理: 支持多种文件格式的读取、解析和写入操作
• API集成: 通过标准化接口调用外部服务并处理响应
• 命令执行: 在安全沙箱中执行系统命令并收集结果
• 信息检索: 快速搜索和过滤目标数据