Convergent memory

Convergent Memory

把长期记忆从单个 agent 框架里剥离出来，存为本地 Markdown 文件夹，让任何有文件工具的 agent 读这个库就继承全部记忆。md 是协议，文件夹层级是结构，收敛是写入动作。

核心命题：收敛就是在判定哪些信息值得被反复召回，召回就是让 agent 直读这些文件来 代替每轮手动注入提示词。 库里反复被读到的，就是被反复召回的；收敛把值得召回的提前 摆到该在的位置、随时更新好，agent 读库即继承，无需谁手动喂。

换个角度看它是什么：把上下文压缩从「运行时、由专门的压缩子 agent 现做」搬到 「会话间、由同一个对话模型离线做」。 一轮对话结束时触发，模型结合本轮对话 + 上一次 召回，重写出下一会话该召回的内容——等于上一轮的自己给下一轮的自己写一封信。下一会话 的模型先读这封信（召回），再读用户当下的提示词。所以这里不需要独立的压缩模块或检索 模块：压缩器就是对话模型本身，召回就是 read，且全在会话之间离线备好。

库结构约定

记忆库根目录下按语义分三层（文件夹名可由模型按需演化，语义不变）：

• 发散层（根目录散落 md）：未收敛的灵感、随手记、当日笔记、待办/待修项。 本质是「本来想对 AI 说的话，先存着」的输入队列——预备注入语料。收敛把其中值得 反复召回的提纯进收敛层，召回时让 AI 直读这些文件，代替每轮手动注入。直读全量。
• 收敛层（权威源）：当前画像/方法论/情境画像。整版可重写，是注入的主体。
  • 常驻子层：每轮都读（核心画像）。
  • 情境子层：按话题召回，不全量注入。
• 归档层：已收敛留痕的源文件。默认不读，翻旧账才检索。

开局读取规则

1. 必读收敛层的常驻子层（核心画像）。
2. 情境子层按当前话题语义召回，无关话题不注入。
3. 扫一遍发散层，识别待收敛项（扫什么见下「收敛信号优先级」）。
4. 默认跳过归档层、同步目录、.obsidian/、配置文件。
5. 库体量在人眼可扫范围内（约几万 tokens）时直读全量，不引入向量化或外挂记忆插件。 召回机制是在库大到读不完后才需要的，不要提前上拐杖。

收敛信号优先级（扫发散层时抓什么）

不是逐字读全文，是带着这四类信号去扫，按优先级排序（参考 Claude Code dream 的信号四分类）：

1. 用户纠正（最高）："其实不是…"「你写错了」「我说的是…」——直接改写画像的硬信号。
2. 偏好/原则："我喜欢…"「永远别…」「以后都…」——进核心画像或方法论。
3. 决策/转变："我决定…"「改用…」「想通了…」——心路演化，常需 merge 进已有情境文件。
4. 复现模式："又…"「每次都…」「老毛病」——反复出现才值得固化，单次出现先放着。

单次、模糊、情绪化的句子不急着收敛，等它复现或被用户确认再处理。

收敛协议（写入时遵守）

1. 重写优先于追加：遇到同主题已有内容，做 merge-rewrite——合并、去冗余、降秩重写， 而不是新建文件或往后堆段落。类比：多个矩阵合并后求更小的秩，多余的归档。
2. 只提纯不生产：进画像的每一条都必须能在对话里找到用户原话或明确推理。做约分 （去冗余），不做代数（凭空造项）。越界的漂亮话直接打回。
   • 好结论：具体、可行动、有支撑。如「推他动手而非给鼓励」「找深圳 AI Agent 实习中」。
   • 坏结论：模糊（「他说了些关于实习的事」）、或已在画像里的重复（「他挺技术的」）。
3. 矛盾即改写并留痕：新信息和旧画像冲突时，删旧写新，但标注演化轨迹—— （更新于 YYYY-MM-DD，原为：X）。这个库记的是心路转变（臣服、无观众状态那类）， 丢掉「我曾经怎么想」就丢了演化本身，所以改写要留痕，不是无声覆盖。
4. 自包含、可移植：每份收敛文件能独立被另一个 agent 读懂，不依赖会话上下文。
5. 收敛与回应分离：收敛是把事实沉淀进库；回应是解用户当下的困惑。两件事，分开做。

归档流程（收敛 ≠ 可归档）

完整三步，按能力分工：

1. 高能力模型把发散笔记收敛进画像；
2. agent 回应该笔记里的困惑，用户看完、心里有答案；
3. 低成本模型把源文件移进归档层（不删除，保留留痕）。

整理时默认只读发散层 + 收敛层，不读归档层（省 token）。

收敛触发时机（什么时候做收敛）

触发时机是确定性规则，不交给模型「觉得该收敛了」——那既费 token 又不可控。收敛质量才交给模型判断。四种触发方式，按场景选：

1. 用户喊（最稳）：用户说「收敛一下」「整理进画像」时做。默认方式。
2. 会话结束时：一段对话收尾时扫发散层、沉淀本轮信号。类比 Claude Code dream 的退出钩子。
3. 定时批处理：距上次收敛超过约定时长（如 24h）才做一次，用一个时间戳记录上次收敛时间判定，不是每轮都跑。库小时这条非必须。
4. 复杂任务后追问：单轮里发生了密集动作（如 8+ 次工具调用、跨 2 类以上工具）时，问一句「这轮要不要沉淀进库」。借 hermes-memory 的触发器思路，但只追问、不自动写——确定性触发、收敛仍交模型判断。

参考对比：Claude Code 的 dream 是「24h 定时 + 退出钩子批量 merge」；hermes-agent 是「每回合实时写、后端自愈矛盾」。本协议偏 dream 路线——本地 md、批量重写、人可读；只借 hermes 的「复杂任务触发器」当确定性信号，不抄它的后端自愈（那要绑记忆服务，违背本地直读）。

安全护栏

• 删除、归档、覆盖旧版、移动文件一律保留确认门。
• 移动操作只列清单交给用户/低成本模型执行，不在收敛步骤里替用户移动。
• 引用外部 agent 产出的总结前先验证来源，警惕名字撞车与未经核实的源码断言。

边界（不要被新平台勾走）

• vs 托管记忆平台（Dify/Mem0/Zep 类）：它们要求把数据搬进它的库，制造第二数据源、 交出数据主权。本协议数据原地不动，方向相反。
• vs 向量记忆库：向量化只决定"命中谁"，属归档层的可选优化，不是收敛本身。
• vs MCP server：MCP 是对外暴露的接口层，只在需要让外部 agent 即插即用时才做； 自己用有文件工具的 agent 直读 md，连 MCP 都不需要。