对话一结束就失忆：MindForge 做本机 Agent 记忆库
一个 AI Agent 能记住你多久？大多数产品的答案是：这次对话结束为止。
11 月 8 日，开源项目 MindForge 发布 v6.4.0，想解决的就是这件事：给 Agent 一套能长期保存、随取随用、并且完全留在本机的记忆。项目由顾冯雨一个人维护，他 2008 年 1 月出生，今年 18 岁，中专在读。从 3 月 30 日建仓到现在，核心包写了 5.9 万行 Python 代码，连测试一共 8.3 万行。
Agent 的失忆，不是模型不够聪明
现在常见的做法有两种：把历史对话塞进上下文窗口，或者把记忆托管在云端向量数据库。前者的问题是可计算成本——对话越长，每次请求携带的 token 越多，窗口再扩也有边界；后者的问题不在技术，而在位置——关于用户的事实离开了用户的设备，每次召回还要多一次网络往返。
更麻烦的是，记忆检索和知识库检索并不是一回事。RAG 找的是“哪段资料能回答这个问题”，记忆要回答的是“关于这个人，哪些事实此刻仍然成立”。事实会过期，也会互相矛盾：上个月住在盐城，这个月搬到南京；三个月前在考虑养猫，后来因为过敏放弃。只做相似度排序，系统会把过期的、冲突的记忆一起端上来。
MindForge 切入的角度因此不是“存更多”，而是“管生命周期”——该记什么、该忘什么、两条记忆打架时信谁。
把记忆留在本机：四层结构、多路检索、一个 SQLite 文件
它的第一条设计原则是本地优先。存储用 SQLite 加 FTS5，整个记忆库就是一个文件，可以跟着环境迁移；不依赖云端，也就没有网络延迟和额外的数据托管。
结构上，记忆被分成四层：感官、短期、长期、永久。新内容先进入短期层，再按重要度和访问频次，沿艾宾浩斯遗忘曲线逐步晋升或衰减；高价值条目反复强化后进入长期甚至永久层，低价值条目自然淡出。这套分层决定的是“什么该被忘掉”，而不是把所有内容平铺在一个向量索引里。
检索侧也不是单一向量搜索。按设计，向量、FTS5 全文、TF-IDF、模糊匹配、查询扩展和 Cross-Encoder 重排几路结果融合成一份排序，再叠加覆盖率、重要度、访问频次与时间衰减的权重。对外提供 MCP、Python SDK、命令行和 REST 四套接口——仅 MCP 就注册了 87 个工具，命令行有 200 多条子命令，Agent 客户端不用改架构就能接上。记忆正文用 AES-256-GCM 加密落盘，密钥派生在 v6.3.1 从 PBKDF2 换成 scrypt；隐私分四级，STRICT 级记忆在普通检索中不返回。
在一台 2 核 CPU、3 GB 内存的云主机上（Python 3.12，未安装可选的向量扩展），这套系统跑出了这些数字：全量测试 1219 项通过、1 项跳过，耗时 208 秒，与仓库标注的 1220 项一致；批量写入 1 万条记忆 396 毫秒，约合每秒 2.5 万条；在 10 万条规模的库上，单条写入中位 11.8 毫秒，检索中位 4.7 毫秒、P95 66 毫秒；整个库文件 52.8 MB，平均每条记忆 553 字节。
另一组测试看“找得准不准”：写入 300 条带唯一合同编号的客户记录，再用编号发起 50 次查询，前十条结果全部命中目标。把一条记忆标成 STRICT 后，同样的检索不再返回它——隐私分级不是文档里的说法，而是检索路径上的实际过滤。跨会话的事实也能召回：先记下“在考虑养一只英短，但担心掉毛”，隔几次会话再问“之前的项目叫什么”，系统能从旧记录里翻出“项目改名为 MindForge，之前叫 ClawMemory”。
它也有清楚的短板。不安装向量扩展时只剩三路检索，换个说法提问就召回不到——用“养猫要注意什么”去查上面那条英短记忆，结果为空。中文口语的实体抽取同样不稳：让它从四条记忆里抽知识图谱，实体数是 0；把“住在盐城”改成“搬到南京”，冲突检测也没有报出来。这些能力代码里都有，但对中文常识推理的覆盖还不够。作者在文档里标注了零依赖模式的召回限制，没有把“六路检索”写成默认能力。
一个值得注意的细节是延迟。项目自己的基准显示，引擎内直接调用的写入中位 2.0 毫秒、检索 2.9 毫秒，但走命令行子进程会变成 698 毫秒，差出来的几乎全是 Python 解释器启动。v6.4.0 因此加了常驻守护进程，把引擎留在长生命周期进程里，单次请求降到 2.5 毫秒。这类问题不是功能清单能暴露的，是被真实使用逼出来的。
一个人七个月，和一份还没落地的商业计划
时间线很清楚：2026 年 3 月 30 日建仓；7 月 17 日第一个公开提交，名字还是 ClawMemory；8 月底，作者删掉了自己写的实验性降级加密，理由是安全标准不允许它存在；10 月 2 日更名 MindForge；10 月 31 日 v6.0 把多 Agent 记忆空间转正；11 月 8 日发布 v6.4.0。整个过程没有团队，也没有融资。
顾冯雨的背景谈不上光鲜：中专在读，非名校，也没有大厂履历。他在项目主页写得很直接——“学历不能定义一个人的上限，但代码可以证明一个人的态度”。这句话有少年气，但仓库里的东西是可验证的：持续集成、1220 项测试、可复现的基准脚本，以及一套专门用来识别“加密写入更快”这类测量伪影的对照方法。
目标用户也比较明确：做端侧或私有化部署的 Agent 团队、要求数据不出内网的行业客户，以及不想为记忆再买一套云服务的独立开发者。商业模式还停留在早期：以 MIT 协议开源、核心功能免费，可能的收费方向是企业私有化部署与技术支持，但尚未形成产品；现阶段没有融资，优先级是把 PyPI 首发做完，再补向量数据库后端、Web 仪表盘和插件生态。
记忆系统最难的地方，从来不是“存下来”，而是判断“什么值得记、什么时候该忘”。一个 18 岁的开发者用七个月，把这件事做成了一个能安装、能测试、能被 Agent 直接调用的系统。它离成熟的商业产品还有距离，但至少证明了一件事：给 Agent 装记忆，不必先假设用户愿意把一切交给云端。
