记忆系统

CountBot 的长期记忆系统基于文件存储实现，核心目标是让模型可以把稳定事实沉淀到工作空间中，并通过统一的 memory 工具完成追加、搜索、读取和统计。

设计理念

长期记忆落在工作空间里，用户可以直接查看和编辑。
存储结构尽量简单，便于审计、迁移和手工修复。
上层通过统一工具接口访问，不要求业务代码感知底层文件格式。
会话历史超出窗口后，可以自动总结并沉淀到长期记忆。

存储位置

默认记忆文件位于：

workspace/memory/MEMORY.md

每一行表示一条记忆记录，格式大致如下：

日期|来源|内容项1；内容项2；内容项3

常见来源包括：

web-chat
telegram
dingtalk
feishu
cron
auto-overflow

MemoryStore

底层实现位于 backend/modules/agent/memory.py，核心类为 MemoryStore。

当前主要能力包括：

class MemoryStore:
    def append_entry(self, source: str, content: str) -> int:
        ...

    def read_lines(self, start: int, end: Optional[int] = None) -> str:
        ...

    def search(self, keywords: List[str], max_results: int = 15, match_mode: str = "or") -> str:
        ...

    def get_recent(self, count: int = 10) -> str:
        ...

    def get_stats(self) -> dict:
        ...

这意味着记忆系统不仅支持“写入”，还支持：

按行读取
关键词检索
最近若干条回看
基础统计

统一工具接口

对模型暴露的主要入口是 backend/modules/tools/memory_tool.py 中的 memory 工具。

它把底层文件能力整理成更稳定的操作：

追加记忆
搜索记忆
读取指定行
获取最近记忆
查看统计信息

这样模型不需要直接操作 MEMORY.md，而是通过工具调用访问。

自动总结与沉淀

记忆系统和会话管理是联动的。

当前代码里，当会话历史超过窗口限制时，backend/modules/session/manager.py 会尝试：

找出超出窗口的旧消息
调用总结逻辑生成摘要
将摘要以 auto-overflow 来源写入长期记忆

对应入口可以在以下位置看到：

backend/modules/session/manager.py
backend/api/chat.py

这套机制的意义是：会话窗口可以保持轻量，但重要信息不会因为消息裁剪而完全丢失。

API 入口

除了工具调用，后端还暴露了记忆相关接口，位于 backend/api/memory.py。

当前可以从接口层完成：

查看统计信息
获取最近记忆
关键词搜索

如果你在前端或外部脚本里做诊断，这些接口会比直接读文件更方便。

使用建议

把稳定事实写进记忆，不要把一次性上下文全部塞进去。
内容尽量结构化，方便之后搜索。
对用户偏好、项目约定、周期性任务特别有价值。
如果发现总结质量不理想，优先调整沉淀规则，而不是堆大历史窗口。

文件	说明
`backend/modules/agent/memory.py`	`MemoryStore` 的文件读写实现
`backend/modules/tools/memory_tool.py`	对模型暴露的统一记忆工具
`backend/modules/session/manager.py`	历史溢出后的自动总结与沉淀
`backend/api/memory.py`	记忆相关 API
`workspace/memory/MEMORY.md`	默认长期记忆文件

设计理念​

存储位置​

MemoryStore​

统一工具接口​

自动总结与沉淀​

API 入口​

使用建议​

相关文件​