TypedMemory – AI代理的长期记忆与反思

TypedMemory 是一个专为 AI 代理设计的开源长期记忆与反思库，旨在克服现有记忆系统普遍存在的“最后写入胜出”缺陷。在典型的代理记忆中，当新信息与旧信息冲突时，旧信息会被静默覆盖，导致代理的行为难以调试和追踪。TypedMemory 通过引入类型化记忆模型来解决这一问题：每个记忆都带有类型（如声明、决策、风险、观察等）、置信度、结构化来源（包含文档ID、块ID和跨度）以及工作区命名空间。当新记忆与现有记忆冲突时，系统不会简单地覆盖，而是根据预设的冲突策略（如替换、保留、取代、强化或标记）进行处理，从而保留完整的审计轨迹。

该库的核心操作包括四个动词：remember（提取并存储新信息）、recall（基于语义检索相关信息）、reflect（运行演化管道，自动检测矛盾、偏好漂移、目标解析和非破坏性摘要）和 forget（显式删除）。reflect 方法尤其强大，它能够触发一系列演化操作，每个操作都会生成带有时间戳和原因的 EvolutionRecord，确保每一个变化都可追溯。例如，在工程设计中，“使用 SQLite”和“改用 PostgreSQL”这两条决策记忆会通过“取代”策略保持链接，而两条风险记忆则通过“标记”策略被交叉链接为矛盾。

TypedMemory 提供了多种内置的域配置文件（如 engineering_design、research_paper、legal 等），每个配置文件定义了可用的记忆类型和对应的冲突策略。用户还可以通过 Python、JSON 或 YAML 自定义配置文件。存储方面，库支持内存、JSONL文件和 SQLite 三种后端，均支持索引、模式迁移和嵌入持久化。检索机制融合了语义相似度（余弦）、时间衰减和置信度分数，即使没有外部嵌入服务也能通过 token 重叠进行回退。

该库的典型应用场景包括：调试产生幻觉的代理（通过 typedmem history 查看每次状态变化）、构建长期偏好的对话代理、多文档研究中的结构化溯源（REINFORCE 策略合并重复事实）、以及多租户代理（工作区隔离不同领域）。TypedMemory 的设计哲学是让记忆成为活的知识层，而不是静态的日志。零运行时依赖（仅使用标准库），LLM 客户端、YAML 加载和高级嵌入器均为可选扩展。通过 CLI 工具和丰富的示例代码，开发者可以快速上手，在 Python 3.10+ 环境中通过 pip 安装使用。