ai-brain-learning-memory-pro

AI 大脑学习记忆方法论 · 进阶工程版

给谁看：AI 开发者、认知科学爱好者、agent 架构师。如果你想要"概念 + 例子 + 速查"，先读基础版 ai-brain-learning-memory（已改到 v2.4.0，通俗友好）。本版专讲怎么把方法论写成能跑的代码和系统。 与基础版的关系：基础版 = 为什么 + 是什么；本版 = 怎么做（代码 / 配置 / 评测 / 防御）。两者配套，不重复概念，只补工程。

---

0. 工程总览（一张图看懂系统）

┌─────────────┐   编码(价值判断)   ┌──────────────────────┐
│  当前会话    │ ───────────────▶ │  三层记忆存储          │
│ (工作记忆)   │                   │  · 当日日志 → 情节      │
└─────────────┘   提取(先读后做)   │  · MEMORY.md → 语义    │
       ▲                          │  · skills/ → 程序性    │
       │                          └──────────┬───────────┘
       │           复习(五节点自动化)          │ 写入带溯源 + 不可信输入门
       └─────────────────────────────────────┘
                   遗忘曲线 / 间隔重复 / 记忆投毒防御

关键工程决策（本节结论，后面逐条展开）：

1. 记忆不是「一个向量库」，而是三类存储 + 各自生命周期。
2. 写入即带溯源元数据（来源 / 信任级），这是抗投毒的命门。
3. 提取时把所有记忆当不可信输入，关键动作先核实。
4. 复习靠**制度（自动化）**而非自觉。
5. 用 memory_eval_battery.py 量化记忆系统质量，而不是凭感觉。

---

1. 参考实现：三层记忆（Python 伪代码）

下面是一套最小可运行骨架，把基础版的三层映射到代码。生产环境请替换为 agent-memory / Mem0 / Zep 等成熟库，但分层思想不变。

import json, os, datetime
from pathlib import Path

MEM_ROOT = Path(os.environ.get("MEM_ROOT", "~/agent_memory"))  # 你的记忆根目录

class MemoryStore:
    def __init__(self, root: Path):
        self.root = Path(root)
        self.root.mkdir(parents=True, exist_ok=True)

    # ---- 语义记忆：MEMORY.md（用户级/项目级）----
    def write_semantic(self, text: str, scope="user", source="chat", trust="medium"):
        path = self.root / ("MEMORY.md" if scope == "user" else "project_MEMORY.md")
        entry = f"\n- {text}  <!-- src={source} trust={trust} ts={datetime.date.today()} -->"
        with open(path, "a", encoding="utf-8") as f:
            f.write(entry)

    # ---- 情节记忆：当日日志（append-only）----
    def write_episodic(self, event: str, source="chat"):
        today = datetime.date.today().isoformat()
        path = self.root / f"{today}.md"
        with open(path, "a", encoding="utf-8") as f:
            f.write(f"\n- [{datetime.datetime.now():%H:%M}] {event}  <!-- src={source} -->")

    # ---- 程序性记忆：技能（动作型，落 skills/）----
    def skill_exists(self, name: str) -> bool:
        return (self.root.parent / "skills" / name / "SKILL.md").exists()

    # ---- 提取：先读语义+最近情节，再行动 ----
    def retrieve(self, scope="user", days=7):
        out = []
        sem = self.root / ("MEMORY.md" if scope == "user" else "project_MEMORY.md")
        if sem.exists():
            out.append(sem.read_text(encoding="utf-8"))
        for d in range(days):
            day = (datetime.date.today() - datetime.timedelta(days=d)).isoformat()
            log = self.root / f"{day}.md"
            if log.exists():
                out.append(log.read_text(encoding="utf-8"))
        return "\n".join(out)

工程要点：

• 每条写入都带 src / trust / ts 注释——这就是「溯源元数据」，第 4 节的防御靠它。
• retrieve 永远先读记忆再行动，对应基础版「阶段3·提取」。
• 程序性记忆（技能）不走这个 store，而是独立 skills//SKILL.md——代码即记忆（CoALA）。

---

2. 与 agent-memory 工具集成

基础版提到 agent-memory（底层记忆存取 Python 库）。工程上推荐直接用成熟库，而不是自己造轮子：

集成检查清单：

• 写入接口统一带溯源参数（source / trust / timestamp）
• 读取接口默认「会话开始先读语义+最近情节」
• 冲突解决：以「最新 + 带时间戳」为准
• 敏感明文（密码 / 令牌 / 密钥）在写入层硬性拦截，绝不落盘

---

3. 评测电池：memory_eval_battery.py

本技能自带 scripts/memory_eval_battery.py——一个配置层自评工具，按 6 个维度（0–5 分）量化记忆系统设计是否达标。它不依赖真实凭据、纯本地跑。

怎么跑：

python scripts/memory_eval_battery.py --root <你的记忆根目录> --out security_results.json

6 维含义与达标线：

解读：综合 ≥ 4.5 为优秀；任一维 < 3 必须修。脚本输出 JSON，可进 CI、可重跑、可附发布说明（对应发布规矩的「安全稳定性验证门」）。

注：基础版声称「实测全 5.0」，那是配置层自评口径（系统在本地闭环、零真实凭据下的设计合规度），不代表真实对抗强度——真实红队另算。

---

4. 记忆投毒防御：OWASP ASI06 的代码落地

基础版讲了投毒的原理（MINJA / MemoryGraft / AgentPoison）。工程上怎么挡？三道闸：

闸一：写入带溯源（每条记忆可追踪）

def safe_write(self, text, source, trust):
    # 强制三件套，缺一不让写
    assert source and trust and datetime.date.today()
    self.write_semantic(f"{text}  <!-- src={source} trust={trust} ts={datetime.date.today()} -->")

闸二：提取即「不可信输入」门

def act_on_memory(self, action, memory_text):
    CRITICAL = {"转账", "改价", "发消息", "删文件", "外发"}
    if any(k in action for k in CRITICAL):
        # 关键动作：记忆只是参考，必须先核实来源 + 问人确认
        if not self.verify_source(memory_text) or not self.ask_human(action):
            return "BLOCKED: 需人工确认"
    return do(action)

闸三：定期审计（异常即隔离）

def audit(self):
    for entry in self.scan_all():
        if entry.trust == "unverified" and entry.age > 30:
            self.quarantine(entry)   # 隔离，不删除，留痕复核

四条本质差异（写进防御逻辑）：时间解耦（单点看正常≠安全）、隐式信任（记忆无质疑）、复合效应（一条毒污染全部未来）、检测困难（LLM 检测器漏 66%）。所以默认不信任记忆，关键动作必核实。

---

5. 复习四节点的自动化配置（rrule）

基础版「第四节」列了当日/每周/30天/季度五节点。工程上用调度器的 rrule 落地（以 WorkBuddy automation 为例）：

路径用环境变量 MEM_ROOT 注入，不在技能里硬编码绝对路径（避免泄露本地布局，也便于多环境）。

---

6. 认知科学证据 → 工程决策映射

基础版有 9 条人脑学习法。这里给「研究 → 我必须在系统里做什么」的硬映射：

设计记忆系统时，逐条对照此表打勾。缺一条，对应的人脑能力就「工程上没实现」。

---

7. 工程版自检清单

□ 存储分层：情节/语义/程序性三类是否各自独立存储+独立生命周期？
□ 溯源：每条写入是否带 source/trust/timestamp？
□ 提取门：关键动作（转账/改价/发消息/删/外发）是否先核实+问人？
□ 敏感拦截：密码/令牌/密钥写入层是否硬拒？
□ 复习调度：当日/周/月/季四节点是否真有自动化在跑？
□ 评测：memory_eval_battery.py 是否跑过、综合≥4.5、无维<3？
□ 容量：MEMORY.md 是否守 ≤4000(用户)/≤3000(项目) 字符？
□ 审计：能否隔离异常记忆而不破坏整体？

---

8. 参考文献与出处

工程设计与证据依据，见 references/调研出处与证据.md（pro 版，含工程启示列）。模块对照：

---

版权与许可

© 2026 注册老炮 原创。本技能按 MIT 许可证开源（见 LICENSE.md）。

知识版权声明：本技能中的合成知识、方法论、参考实现与编排体系归「注册老炮」所有。未经授权，禁止复制、转售、二次分发，或用于训练任何机器学习/人工智能模型（含微调、蒸馏、检索增强等）。引用请注明出处。

免责声明：本作品按「现状」（AS IS）提供，作者不作任何明示或默示担保；因使用本作品产生的任何后果由使用者自行承担。本技能为 AI 学习方法论与工程参考，不构成专业建议。