编码代理的持续记忆架构：从会话捕获到经验回放

编码代理的 "失忆" 问题是当前 AI 辅助开发的核心痛点。每次开启新会话，代理对代码库的上下文理解、用户的工作偏好、过往的经验教训都归零重建。这种 "一夜情" 式的交互模式严重限制了长期协作的可能性。komi-learn 与 claude-memory-compiler 等项目正在探索一种持续记忆架构，通过自我改进反馈循环和经验回放机制，让代理从交互中学习并优化策略。

三层架构设计

持续记忆系统的核心在于将会话数据转化为可检索、可复用的结构化知识。claude-memory-compiler 采用的架构可分为三层：会话捕获层、知识提取层、经验回放层。

会话捕获层通过 Claude Code 的 Hooks 机制实现自动化。在 .claude/settings.json 中配置 SessionEnd 和 PreCompact 两个触发点，确保会话结束或压缩前自动捕获完整对话记录。这种设计避免了人工标记的遗漏，捕获的原始数据以时间戳命名存入 daily/YYYY-MM-DD.md 格式。

知识提取层调用 Claude Agent SDK 对原始会话进行语义分析。不同于简单的日志存储，该层会提取关键决策、经验教训、代码模式、潜在陷阱等结构化信息。Anthropic 已明确个人使用 Claude Agent SDK 包含在现有订阅中，无需额外 API 计费。

经验回放层负责将分散的每日日志编译为可交叉引用的知识文章。compile.py 脚本将日志按概念分类存入 knowledge/concepts/、connections/、qa/ 目录，并生成 index.md 索引文件。SessionStart Hook 自动将该索引注入新会话上下文，形成记忆闭环。

可落地的配置参数

实现这一架构需要关注以下关键参数：

Hook 触发时机：SessionEnd 在会话正常结束时触发，PreCompact 作为安全网在上下文压缩前触发。建议同时配置两者，确保高价值会话不被遗漏。

编译触发条件：默认设置为本地时间 18:00 后首次会话结束时自动触发。可通过 uv run python scripts/compile.py 手动执行，适合需要即时归档的场景。

知识库规模阈值：claude-memory-compiler 明确建议，个人规模（50-500 篇文章）下使用结构化索引而非 RAG。当文章数量超过 2000 篇、索引超出上下文窗口时，才需要考虑向量检索方案。

检索策略：采用 query.py 进行索引引导检索，无需向量数据库或嵌入计算。这种方式在个人知识库场景下，利用 LLM 的语义理解能力优于简单的余弦相似度匹配。

自改进循环的工程实践

Hermes Agent 提供了另一种实现思路，通过 FTS5 全文搜索 + LLM 摘要、Honcho 用户建模、自主技能创建三个机制实现持续学习。这种架构让代理不仅能回忆过往会话，还能基于重复模式自动生成可复用的技能函数。

在实际部署中，建议设置以下监控点：

• 健康检查：定期运行 lint.py 检测断链、孤立条目、矛盾信息和过时内容。结构性检查不消耗 API 额度。
• 存储管理：每日日志按日期归档，编译后的知识文章定期备份。建议设置 90 天的滚动清理策略，避免存储膨胀。
• 版本控制：将 .claude/ 目录和知识库纳入 Git 管理，使记忆、提示词和经验教训像代码一样版本化。

局限与权衡

这种架构需要明确的技术投入。与即插即用的 SaaS 方案不同，开发者需要自行管理持久化存储、处理状态同步、应对 API 演进。此外，当前实现主要针对个人使用场景，团队协作时的并发写入和知识合并仍需额外设计。

对于追求长期 AI 协作的开发者而言，这种 trade-off 是值得的。编码代理从 Stateless 工具进化为具备持续学习能力的协作伙伴，标志着 AI 辅助开发进入新阶段。

参考来源

• claude-memory-compiler: 为 Claude Code 提供持续记忆能力的开源实现
• Hermes Agent: Self-Improving AI with Persistent Memory: Nous Research 的自改进代理框架技术解析

ai-systems