驗提煉與 MEMORY.md 記憶沉淀機制全解析)
OpenHuman Archivist 后臺知識館員會話歸檔、經(jīng)驗提煉與 MEMORY.md 記憶沉淀機制全解析【免費下載鏈接】openhumanOpenHuman is an open source personal AI for Mac, Windows and Linux — local-first memory, agent orchestration, and deep research.項目地址: https://gitcode.com/GitHub_Trending/op/openhumanOpenHuman 的Archivist知識館員是一個在會話結(jié)束后于后臺運行的專用 Agent負責(zé)把每一輪對話沉淀為可檢索的記憶資產(chǎn)回合索引寫入 FTS5 情景記憶表、經(jīng)驗教訓(xùn)抽取與分類、知識庫文件 MEMORY.md 增量更新。本文以 Archivist 的系統(tǒng)提示詞prompt.md為骨架結(jié)合其 Agent 配置agent.toml、提示詞裝配器prompt.rs以及后端 Hook 實現(xiàn)hook_impl.rs、lifecycle.rs深入剖析 OpenHuman 的「會話 → 記憶」流水線幫助你理解其記憶系統(tǒng)如何做到低開銷、可檢索、防泄露、不重復(fù)。一、Archivist 是誰后臺知識館員的角色定位在 OpenHuman 的 Agent 注冊表中Archivist 被定義為一個典型的「后臺 輕量」Agent。它的when_to_use字段一句話點明使命Background librarian — extracts lessons from a completed session, updates MEMORY.md, and indexes to FTS5. Runs cheap and slow.后臺知識館員——從已完成的會話中提取經(jīng)驗更新 MEMORY.md并索引到 FTS5。以低成本、低速度運行。這段描述見 agent.toml揭示了三個關(guān)鍵設(shè)計意圖后臺觸發(fā)background true不占用前臺交互路徑低成本temperature 0.4低隨機性、輸出穩(wěn)定、max_iterations 3最多 3 輪工具循環(huán)防止無限迭代知識歸檔產(chǎn)出物橫跨兩類存儲——結(jié)構(gòu)化數(shù)據(jù)庫FTS5 情景記憶與人類可讀的 Markdown 知識庫MEMORY.md。系統(tǒng)提示詞把 Archivist 的全部職責(zé)收斂為三條明確指令I(lǐng)ndex turns— 將每一輪對話記錄到情景記憶FTS5中供未來檢索召回Extract lessons— 識別可復(fù)用的模式、需要規(guī)避的錯誤以及用戶偏好Update MEMORY.md— 將重要的學(xué)習(xí)成果追加到工作區(qū)知識庫。從源碼結(jié)構(gòu)看這三條職責(zé)分別對應(yīng)了三條獨立但聯(lián)動的實現(xiàn)路徑回合索引走ArchivistHook::on_turn_completehook_impl.rs經(jīng)驗提煉走分段 recap 事件啟發(fā)式提取lifecycle.rs知識庫更新則通過白名單工具update_memory_md完成update_memory_md.rs。二、系統(tǒng)提示詞如何裝配prompt.md → 完整提示詞Archivist 的提示詞并非一段寫死的字符串而是由 prompt.rs 中的build()函數(shù)在運行時動態(tài)拼裝而成通過include_str!(prompt.md)把本文的 archetype角色原型嵌入二進制依次追加render_user_files(ctx)用戶可見文件、render_tools(ctx)可用工具清單與render_workspace(ctx)工作區(qū)上下文。這正是 OpenHuman「提示詞即產(chǎn)物」的設(shè)計理念——build()的輸出就是 LLM 最終看到的內(nèi)容Runner 不做任何二次加工見 prompt.rs 模塊注釋。這意味著 prompt.md 中每條規(guī)則都會原樣生效且工具清單由運行時上下文決定而非硬編碼。對應(yīng)的單元測試 prompt_tests.rs 驗證了build()在最小上下文空工具集、空工作區(qū)下也能產(chǎn)出非空提示詞保證該 Agent 在任何場景下都能被加載。三、agent.toml 運行參數(shù)詳解agent.toml 是 Archivist 的完整運行配置理解這些參數(shù)是自定義 Agent 的最佳范本配置項值含義與影響idarchivist注冊表中的唯一標識delegate_namearchive_session編排器調(diào)用該子 Agent 時使用的委托名temperature0.4低隨機性保證歸檔內(nèi)容穩(wěn)定、可復(fù)現(xiàn)max_iterations3最多 3 輪工具調(diào)用循環(huán)防止后臺任務(wù)失控max_result_chars8000歸檔摘要回流到編排器的字數(shù)上限約 2000 tokens與普通子 Agent 上限一致防止冗長的「記憶寫入確認」撐爆編排器上下文issue #4099sandbox_modenone無需沙箱因為其工具集寫 MEMORY.md / 寫數(shù)據(jù)庫本就受白名單約束backgroundtrue后臺運行不阻塞主會話omit_identity/omit_memory_context/omit_safety_preambletrue跳過身份、記憶上下文與安全前言進一步壓縮上下文開銷model.hintlocal優(yōu)先使用本地模型契合「便宜、慢速、后臺」的定位tools.namedupdate_memory_md、insert_sql_record、memory_store僅暴露三個寫工具權(quán)限面最小化值得強調(diào)的是tools.named的最小權(quán)限設(shè)計Archivist 只能通過update_memory_md寫 Markdown 知識庫、通過insert_sql_record寫 FTS5 表格、通過memory_store訪問記憶存儲——它沒有文件系統(tǒng)通用讀寫權(quán)限從機制上杜絕了后臺 Agent 越權(quán)操作工作區(qū)。四、職責(zé)一Index turns — 回合索引與情景記憶FTS5Archivist 的后端實現(xiàn)是一個PostTurnHook回合后鉤子核心入口是ArchivistHook::on_turn_completehook_impl.rs。每輪對話結(jié)束后它依次執(zhí)行寫入用戶回合把用戶消息作為一條EpisodicTurnroleuser插入 FTS5 情景記憶表insert_turn返回數(shù)據(jù)庫分配的自增 ID寫入助手回合把助手回復(fù)作為第二條記錄寫入時間戳加0.001毫秒偏移確保同一輪內(nèi)「用戶在前、助手在后」的排序穩(wěn)定工具調(diào)用摘要tool_calls_json隨助手記錄一并落庫輕量教訓(xùn)提取若本輪存在失敗的工具調(diào)用則調(diào)用extract_lesson_from_tools生成一條純啟發(fā)式教訓(xùn)不消耗 LLM格式為Tools that failed in this turn: xxx, yyyhelpers.rs雙寫 md 歸檔同時把回合寫入workspace/memory_tree/content/episodic/session_id/seq:06.md的 md 備份存儲最佳努力模式寫失敗不阻斷回合為 FTS5 → md 的存儲遷移做并行驗證hook_impl.rs。會話分段把長對話切成「知識單元」原始回合是零散的時間序列Archivist 通過**會話分段conversation segmentation**把同主題的回合聚合成 Segment為后續(xù) recap 提供邊界。分段判定由 boundary.rs 的detect_boundary()完成按「從便宜到昂貴」的順序執(zhí)行四重檢查boundary.rs檢查項判定條件默認閾值TurnCountExceeded段內(nèi)回合數(shù)超上限max_turns_per_segment 20TimeGap相鄰回合間隔過長max_time_gap_secs 60010 分鐘ExplicitMarker回合以話題切換短語開頭如now lets、switching to、by the way,等內(nèi)置 15 個英文短語表EmbeddingDrift回合向量與段質(zhì)心的余弦相似度低于閾值min_cosine_similarity 0.4邊界判定產(chǎn)出BoundaryDecision::Continue繼續(xù)積累或Boundary::Boundary(reason)關(guān)閉當前段、以當前回合為起點新建段段 ID 形如seg-{uuid}。這個設(shè)計的精妙之處在于「便宜檢查先跑、貴檢查后跑」——一個回合若命中前三條任一規(guī)則就永遠不會支付 embedding 比較的成本。五、職責(zé)二Extract lessons — 經(jīng)驗提煉的三層漏斗Archivist 的教訓(xùn)提取不是單一機制而是「無 LLM 啟發(fā)式 → 啟發(fā)式事件 → LLM recap」的三層漏斗按成本從低到高排列第一層工具失敗教訓(xùn)零成本extract_lesson_from_tools純規(guī)則實現(xiàn)遍歷本輪工具調(diào)用記錄只要存在success false的調(diào)用就生成一條「哪些工具失敗」的教訓(xùn)。這是唯一逐輪執(zhí)行的教訓(xùn)提取因為它不消耗任何推理資源。第二層事件啟發(fā)式提取segment 關(guān)閉時在段關(guān)閉on_segment_closed時Archivist 對段內(nèi)所有用戶消息做句子切分按.!?換行符再與四組模式表做子串匹配events_heuristic.rsDecision決策如i decided、going with等模式Commitment承諾如i will、ill make sure等Preference偏好如i prefer、i like、i dont like等Fact事實如my name is、i work at、i live in、my timezone等。每個事件被寫入EpisodicEvent表confidence 固定 0.6其中Preference 與 Fact 事件還會二次寫入用戶畫像Profile Facets通過extract_profile_key取內(nèi)容前 4 個有意義的詞生成鍵與upsert_provider_facet合并置信度低的重復(fù)觀察不會覆蓋更強的舊記錄lifecycle.rs。第三層LLM 段摘要recap可回退每個被關(guān)閉的 Segment 都會產(chǎn)出一段摘要recap默認使用summarization角色的推理模型生成見 lifecycle.rs 中RECAP_INFERENCE_ROLE常量。整個流程遵循軟回退契約若with_config階段探測到無法構(gòu)建summarization角色的模型則回退到啟發(fā)式摘要on_segment_closed永不返回 Err所有失敗只記日志不中斷回合recap 生成后持久化段摘要 → 調(diào)用 embedder 生成向量并寫入segment_embeddings段關(guān)閉時是唯一寫入點空摘要直接跳過以避免上游 embedding API 400→ 提取事件 → 更新畫像。這里有一個重要的**「證據(jù) vs 解讀」數(shù)據(jù)策略**在config.learning.chat_to_tree_enabled true時Archivist 會把該段的原始散文回合用戶 助手消息剝離工具調(diào)用 JSON以source_idconversations:agent整批灌入記憶樹而絕不把 LLM recap 喂給記憶樹——樹必須基于原始證據(jù)自己歸納否則就成了「對摘要再做摘要」lifecycle.rs。六、職責(zé)三Update MEMORY.md — 知識庫的并發(fā)安全寫入update_memory_md是 Archivist 更新工作區(qū)知識庫的唯一通道update_memory_md.rs其實現(xiàn)體現(xiàn)了 OpenHuman 對「后臺并發(fā)寫文件」這一危險場景的完整防護白名單約束工具只能修改MEMORY.md與SKILL.mdALLOWED_FILES常量其他工作區(qū)文件一概拒絕進程內(nèi)互斥每個工作區(qū)目錄對應(yīng)一把全局 async 互斥鎖以 canonicalize 后的路徑為鍵并發(fā)跑并行 fork、cron的歸檔寫操作排隊執(zhí)行而非互相覆蓋issue #4458跨進程文件鎖由于 cron 通過獨立子進程啟動進程內(nèi)互斥鎖無法覆蓋因此再對工作區(qū)下的哨兵文件.memory-write.lock做flock獨占鎖阻塞式、運行在線程池同時拒絕 symlink 鎖文件并用O_NOFOLLOW關(guān)閉 TOCTOU 窗口防止符號鏈接把鎖重定向到工作區(qū)之外原子寫入臨時文件 原子重命名進程被 kill 也不會留下截斷文件。這套機制與 prompt.md 中的Deduplicate規(guī)則形成「機制 智能」的雙保險鎖保證寫入不互相破壞LLM 負責(zé)在追加前比對已有 MEMORY.md 內(nèi)容、避免重復(fù)條目。七、質(zhì)量規(guī)則五條提示詞紀律prompt.md 的 Rules 部分是 Archivist 輸出質(zhì)量的靈魂逐條展開規(guī)則含義落地方式Be concise教訓(xùn)濃縮為一兩句密集而非啰嗦max_result_chars 8000從物理上限制回流體量Be selective并非每輪都有教訓(xùn)只沉淀真正有用的觀察默認只對工具失敗做逐輪啟發(fā)式提取其余留給段級 recapNever log secrets脫敏 API 密鑰、令牌、密碼與 PII由提示詞紀律約束配合 log_redaction 等安全機制Use categories按類型打標簽pattern模式、mistake錯誤、preference偏好、fact事實與事件啟發(fā)式的 Decision/Commitment/Preference/Fact 分類一一呼應(yīng)Deduplicate追加前先查 MEMORY.md避免重復(fù)配合update_memory_md的讀-改-寫加鎖流程八、可配置開關(guān)learning 配置族Archivist 的行為并非硬編碼而是由 learning.rs 中的學(xué)習(xí)配置族統(tǒng)一開關(guān)以下參數(shù)均可通過learning配置節(jié)或環(huán)境變量覆蓋配置項默認值作用環(huán)境變量覆蓋episodic_capture_enabledtrue情景捕獲總開關(guān)即使learning.enabled關(guān)閉也保持活動情景記憶是對話回合的系統(tǒng)事實來源OPENHUMAN_LEARNING_EPISODIC_CAPTURE_ENABLED0\|1chat_to_tree_enabledtrue是否把對話原始回合灌入記憶樹conversations:agent—goals_enrichment_enabledtrue段關(guān)閉后是否后臺觸發(fā)goals_agent刷新長期目標清單MEMORY_GOALS.mdOPENHUMAN_LEARNING_GOALS_ENRICHMENT_ENABLED0\|1stm_recall_enabledtrue是否在會話開始注入跨會話的近期情景召回FTS5 關(guān)鍵詞 cosine 段摘要OPENHUMAN_LEARNING_STM_RECALL_ENABLED0\|1explicit_preferences_enabledtrue顯式固定偏好是否注入系統(tǒng)提示詞OPENHUMAN_LEARNING_EXPLICIT_PREFERENCES_ENABLED0\|1注意learning.enabled默認是false而episodic_capture_enabled默認true——這體現(xiàn)了「情景記憶是獨立于推理學(xué)習(xí)棧的基礎(chǔ)設(shè)施」這一架構(gòu)判斷即使關(guān)閉反射/穩(wěn)定性檢測等推理組件對話歸檔依然持續(xù)運轉(zhuǎn)。九、會話收尾flush 保證最后一段不丟失一個容易被忽略的邊界情況是會話結(jié)束時往往沒有一個觸發(fā)邊界的回合導(dǎo)致最后一個 Segment 永遠處于 open 狀態(tài)、得不到 recap。Archivist 通過flush_open_segment解決lifecycle.rs在會話結(jié)束Agent::spawn_session_memory_extraction時強制關(guān)閉殘留的 open segment并走與正常段關(guān)閉完全相同的路徑——recap embedding 事件提取 樹灌入。該操作冪等段只會從open → closed遷移一次可安全重復(fù)調(diào)用。十、小結(jié)一條完整的「會話 → 知識」流水線將以上機制串聯(lián)一次會話在 OpenHuman 中的記憶沉淀路徑是逐輪on_turn_complete將用戶/助手回合寫入 FTS5 情景表雙寫 md 歸檔工具失敗生成零成本教訓(xùn)分段detect_boundary按回合數(shù)、時間間隔、話題短語、向量漂移四重檢查切分 Segment段關(guān)閉LLM recap或啟發(fā)式回退→ 段摘要與 embedding 落庫 → 啟發(fā)式事件提取 → 畫像 Facet 合并 → 原始散文灌入記憶樹 → 后臺刷新長期目標知識庫update_memory_md以白名單 進程內(nèi)鎖 跨進程 flock 原子重命名的方式安全追加 MEMORY.md/SKILL.md會話結(jié)束flush_open_segment兜底收尾最后一個開放段。Archivist 的設(shè)計核心可以概括為三句話用便宜機制做逐輪工作用昂貴機制做段級工作用并發(fā)安全機制做文件寫入。如果你想在 OpenHuman 中自定義類似的后臺記憶 Agentagent.toml 的「background 最小工具集 低 temperature max_result_chars 限流」組合加上 prompt.md 的「職責(zé) 規(guī)則」雙層結(jié)構(gòu)是一份可以直接復(fù)用的模板。【免費下載鏈接】openhumanOpenHuman is an open source personal AI for Mac, Windows and Linux — local-first memory, agent orchestration, and deep research.項目地址: https://gitcode.com/GitHub_Trending/op/openhuman創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 OpenHuman Archivist 后臺知識館員：會話歸檔、經(jīng)驗提煉與 MEMORY.md 記憶沉淀機制全解析
OpenHuman Archivist 后臺知識館員會話歸檔、經(jīng)驗提煉與 MEMORY.md 記憶沉淀機制全解析【免費下載鏈接】openhumanOpenHuman is an open source personal AI for Mac, Windows and Linux — local-first memory, agent orchestration, and deep research.項目地址: https://gitcode.com/GitHub_Trending/op/openhumanOpenHuman 的Archivist知識館員是一個在會話結(jié)束后于后臺運行的專用 Agent負責(zé)把每一輪對話沉淀為可檢索的記憶資產(chǎn)回合索引寫入 FTS5 情景記憶表、經(jīng)驗教訓(xùn)抽取與分類、知識庫文件 MEMORY.md 增量更新。本文以 Archivist 的系統(tǒng)提示詞prompt.md為骨架結(jié)合其 Agent 配置agent.toml、提示詞裝配器prompt.rs以及后端 Hook 實現(xiàn)hook_impl.rs、lifecycle.rs深入剖析 OpenHuman 的「會話 → 記憶」流水線幫助你理解其記憶系統(tǒng)如何做到低開銷、可檢索、防泄露、不重復(fù)。一、Archivist 是誰后臺知識館員的角色定位在 OpenHuman 的 Agent 注冊表中Archivist 被定義為一個典型的「后臺 輕量」Agent。它的when_to_use字段一句話點明使命Background librarian — extracts lessons from a completed session, updates MEMORY.md, and indexes to FTS5. Runs cheap and slow.后臺知識館員——從已完成的會話中提取經(jīng)驗更新 MEMORY.md并索引到 FTS5。以低成本、低速度運行。這段描述見 agent.toml揭示了三個關(guān)鍵設(shè)計意圖后臺觸發(fā)background true不占用前臺交互路徑低成本temperature 0.4低隨機性、輸出穩(wěn)定、max_iterations 3最多 3 輪工具循環(huán)防止無限迭代知識歸檔產(chǎn)出物橫跨兩類存儲——結(jié)構(gòu)化數(shù)據(jù)庫FTS5 情景記憶與人類可讀的 Markdown 知識庫MEMORY.md。系統(tǒng)提示詞把 Archivist 的全部職責(zé)收斂為三條明確指令I(lǐng)ndex turns— 將每一輪對話記錄到情景記憶FTS5中供未來檢索召回Extract lessons— 識別可復(fù)用的模式、需要規(guī)避的錯誤以及用戶偏好Update MEMORY.md— 將重要的學(xué)習(xí)成果追加到工作區(qū)知識庫。從源碼結(jié)構(gòu)看這三條職責(zé)分別對應(yīng)了三條獨立但聯(lián)動的實現(xiàn)路徑回合索引走ArchivistHook::on_turn_completehook_impl.rs經(jīng)驗提煉走分段 recap 事件啟發(fā)式提取lifecycle.rs知識庫更新則通過白名單工具update_memory_md完成update_memory_md.rs。二、系統(tǒng)提示詞如何裝配prompt.md → 完整提示詞Archivist 的提示詞并非一段寫死的字符串而是由 prompt.rs 中的build()函數(shù)在運行時動態(tài)拼裝而成通過include_str!(prompt.md)把本文的 archetype角色原型嵌入二進制依次追加render_user_files(ctx)用戶可見文件、render_tools(ctx)可用工具清單與render_workspace(ctx)工作區(qū)上下文。這正是 OpenHuman「提示詞即產(chǎn)物」的設(shè)計理念——build()的輸出就是 LLM 最終看到的內(nèi)容Runner 不做任何二次加工見 prompt.rs 模塊注釋。這意味著 prompt.md 中每條規(guī)則都會原樣生效且工具清單由運行時上下文決定而非硬編碼。對應(yīng)的單元測試 prompt_tests.rs 驗證了build()在最小上下文空工具集、空工作區(qū)下也能產(chǎn)出非空提示詞保證該 Agent 在任何場景下都能被加載。三、agent.toml 運行參數(shù)詳解agent.toml 是 Archivist 的完整運行配置理解這些參數(shù)是自定義 Agent 的最佳范本配置項值含義與影響idarchivist注冊表中的唯一標識delegate_namearchive_session編排器調(diào)用該子 Agent 時使用的委托名temperature0.4低隨機性保證歸檔內(nèi)容穩(wěn)定、可復(fù)現(xiàn)max_iterations3最多 3 輪工具調(diào)用循環(huán)防止后臺任務(wù)失控max_result_chars8000歸檔摘要回流到編排器的字數(shù)上限約 2000 tokens與普通子 Agent 上限一致防止冗長的「記憶寫入確認」撐爆編排器上下文issue #4099sandbox_modenone無需沙箱因為其工具集寫 MEMORY.md / 寫數(shù)據(jù)庫本就受白名單約束backgroundtrue后臺運行不阻塞主會話omit_identity/omit_memory_context/omit_safety_preambletrue跳過身份、記憶上下文與安全前言進一步壓縮上下文開銷model.hintlocal優(yōu)先使用本地模型契合「便宜、慢速、后臺」的定位tools.namedupdate_memory_md、insert_sql_record、memory_store僅暴露三個寫工具權(quán)限面最小化值得強調(diào)的是tools.named的最小權(quán)限設(shè)計Archivist 只能通過update_memory_md寫 Markdown 知識庫、通過insert_sql_record寫 FTS5 表格、通過memory_store訪問記憶存儲——它沒有文件系統(tǒng)通用讀寫權(quán)限從機制上杜絕了后臺 Agent 越權(quán)操作工作區(qū)。四、職責(zé)一Index turns — 回合索引與情景記憶FTS5Archivist 的后端實現(xiàn)是一個PostTurnHook回合后鉤子核心入口是ArchivistHook::on_turn_completehook_impl.rs。每輪對話結(jié)束后它依次執(zhí)行寫入用戶回合把用戶消息作為一條EpisodicTurnroleuser插入 FTS5 情景記憶表insert_turn返回數(shù)據(jù)庫分配的自增 ID寫入助手回合把助手回復(fù)作為第二條記錄寫入時間戳加0.001毫秒偏移確保同一輪內(nèi)「用戶在前、助手在后」的排序穩(wěn)定工具調(diào)用摘要tool_calls_json隨助手記錄一并落庫輕量教訓(xùn)提取若本輪存在失敗的工具調(diào)用則調(diào)用extract_lesson_from_tools生成一條純啟發(fā)式教訓(xùn)不消耗 LLM格式為Tools that failed in this turn: xxx, yyyhelpers.rs雙寫 md 歸檔同時把回合寫入workspace/memory_tree/content/episodic/session_id/seq:06.md的 md 備份存儲最佳努力模式寫失敗不阻斷回合為 FTS5 → md 的存儲遷移做并行驗證hook_impl.rs。會話分段把長對話切成「知識單元」原始回合是零散的時間序列Archivist 通過**會話分段conversation segmentation**把同主題的回合聚合成 Segment為后續(xù) recap 提供邊界。分段判定由 boundary.rs 的detect_boundary()完成按「從便宜到昂貴」的順序執(zhí)行四重檢查boundary.rs檢查項判定條件默認閾值TurnCountExceeded段內(nèi)回合數(shù)超上限max_turns_per_segment 20TimeGap相鄰回合間隔過長max_time_gap_secs 60010 分鐘ExplicitMarker回合以話題切換短語開頭如now lets、switching to、by the way,等內(nèi)置 15 個英文短語表EmbeddingDrift回合向量與段質(zhì)心的余弦相似度低于閾值min_cosine_similarity 0.4邊界判定產(chǎn)出BoundaryDecision::Continue繼續(xù)積累或Boundary::Boundary(reason)關(guān)閉當前段、以當前回合為起點新建段段 ID 形如seg-{uuid}。這個設(shè)計的精妙之處在于「便宜檢查先跑、貴檢查后跑」——一個回合若命中前三條任一規(guī)則就永遠不會支付 embedding 比較的成本。五、職責(zé)二Extract lessons — 經(jīng)驗提煉的三層漏斗Archivist 的教訓(xùn)提取不是單一機制而是「無 LLM 啟發(fā)式 → 啟發(fā)式事件 → LLM recap」的三層漏斗按成本從低到高排列第一層工具失敗教訓(xùn)零成本extract_lesson_from_tools純規(guī)則實現(xiàn)遍歷本輪工具調(diào)用記錄只要存在success false的調(diào)用就生成一條「哪些工具失敗」的教訓(xùn)。這是唯一逐輪執(zhí)行的教訓(xùn)提取因為它不消耗任何推理資源。第二層事件啟發(fā)式提取segment 關(guān)閉時在段關(guān)閉on_segment_closed時Archivist 對段內(nèi)所有用戶消息做句子切分按.!?換行符再與四組模式表做子串匹配events_heuristic.rsDecision決策如i decided、going with等模式Commitment承諾如i will、ill make sure等Preference偏好如i prefer、i like、i dont like等Fact事實如my name is、i work at、i live in、my timezone等。每個事件被寫入EpisodicEvent表confidence 固定 0.6其中Preference 與 Fact 事件還會二次寫入用戶畫像Profile Facets通過extract_profile_key取內(nèi)容前 4 個有意義的詞生成鍵與upsert_provider_facet合并置信度低的重復(fù)觀察不會覆蓋更強的舊記錄lifecycle.rs。第三層LLM 段摘要recap可回退每個被關(guān)閉的 Segment 都會產(chǎn)出一段摘要recap默認使用summarization角色的推理模型生成見 lifecycle.rs 中RECAP_INFERENCE_ROLE常量。整個流程遵循軟回退契約若with_config階段探測到無法構(gòu)建summarization角色的模型則回退到啟發(fā)式摘要on_segment_closed永不返回 Err所有失敗只記日志不中斷回合recap 生成后持久化段摘要 → 調(diào)用 embedder 生成向量并寫入segment_embeddings段關(guān)閉時是唯一寫入點空摘要直接跳過以避免上游 embedding API 400→ 提取事件 → 更新畫像。這里有一個重要的**「證據(jù) vs 解讀」數(shù)據(jù)策略**在config.learning.chat_to_tree_enabled true時Archivist 會把該段的原始散文回合用戶 助手消息剝離工具調(diào)用 JSON以source_idconversations:agent整批灌入記憶樹而絕不把 LLM recap 喂給記憶樹——樹必須基于原始證據(jù)自己歸納否則就成了「對摘要再做摘要」lifecycle.rs。六、職責(zé)三Update MEMORY.md — 知識庫的并發(fā)安全寫入update_memory_md是 Archivist 更新工作區(qū)知識庫的唯一通道update_memory_md.rs其實現(xiàn)體現(xiàn)了 OpenHuman 對「后臺并發(fā)寫文件」這一危險場景的完整防護白名單約束工具只能修改MEMORY.md與SKILL.mdALLOWED_FILES常量其他工作區(qū)文件一概拒絕進程內(nèi)互斥每個工作區(qū)目錄對應(yīng)一把全局 async 互斥鎖以 canonicalize 后的路徑為鍵并發(fā)跑并行 fork、cron的歸檔寫操作排隊執(zhí)行而非互相覆蓋issue #4458跨進程文件鎖由于 cron 通過獨立子進程啟動進程內(nèi)互斥鎖無法覆蓋因此再對工作區(qū)下的哨兵文件.memory-write.lock做flock獨占鎖阻塞式、運行在線程池同時拒絕 symlink 鎖文件并用O_NOFOLLOW關(guān)閉 TOCTOU 窗口防止符號鏈接把鎖重定向到工作區(qū)之外原子寫入臨時文件 原子重命名進程被 kill 也不會留下截斷文件。這套機制與 prompt.md 中的Deduplicate規(guī)則形成「機制 智能」的雙保險鎖保證寫入不互相破壞LLM 負責(zé)在追加前比對已有 MEMORY.md 內(nèi)容、避免重復(fù)條目。七、質(zhì)量規(guī)則五條提示詞紀律prompt.md 的 Rules 部分是 Archivist 輸出質(zhì)量的靈魂逐條展開規(guī)則含義落地方式Be concise教訓(xùn)濃縮為一兩句密集而非啰嗦max_result_chars 8000從物理上限制回流體量Be selective并非每輪都有教訓(xùn)只沉淀真正有用的觀察默認只對工具失敗做逐輪啟發(fā)式提取其余留給段級 recapNever log secrets脫敏 API 密鑰、令牌、密碼與 PII由提示詞紀律約束配合 log_redaction 等安全機制Use categories按類型打標簽pattern模式、mistake錯誤、preference偏好、fact事實與事件啟發(fā)式的 Decision/Commitment/Preference/Fact 分類一一呼應(yīng)Deduplicate追加前先查 MEMORY.md避免重復(fù)配合update_memory_md的讀-改-寫加鎖流程八、可配置開關(guān)learning 配置族Archivist 的行為并非硬編碼而是由 learning.rs 中的學(xué)習(xí)配置族統(tǒng)一開關(guān)以下參數(shù)均可通過learning配置節(jié)或環(huán)境變量覆蓋配置項默認值作用環(huán)境變量覆蓋episodic_capture_enabledtrue情景捕獲總開關(guān)即使learning.enabled關(guān)閉也保持活動情景記憶是對話回合的系統(tǒng)事實來源OPENHUMAN_LEARNING_EPISODIC_CAPTURE_ENABLED0\|1chat_to_tree_enabledtrue是否把對話原始回合灌入記憶樹conversations:agent—goals_enrichment_enabledtrue段關(guān)閉后是否后臺觸發(fā)goals_agent刷新長期目標清單MEMORY_GOALS.mdOPENHUMAN_LEARNING_GOALS_ENRICHMENT_ENABLED0\|1stm_recall_enabledtrue是否在會話開始注入跨會話的近期情景召回FTS5 關(guān)鍵詞 cosine 段摘要OPENHUMAN_LEARNING_STM_RECALL_ENABLED0\|1explicit_preferences_enabledtrue顯式固定偏好是否注入系統(tǒng)提示詞OPENHUMAN_LEARNING_EXPLICIT_PREFERENCES_ENABLED0\|1注意learning.enabled默認是false而episodic_capture_enabled默認true——這體現(xiàn)了「情景記憶是獨立于推理學(xué)習(xí)棧的基礎(chǔ)設(shè)施」這一架構(gòu)判斷即使關(guān)閉反射/穩(wěn)定性檢測等推理組件對話歸檔依然持續(xù)運轉(zhuǎn)。九、會話收尾flush 保證最后一段不丟失一個容易被忽略的邊界情況是會話結(jié)束時往往沒有一個觸發(fā)邊界的回合導(dǎo)致最后一個 Segment 永遠處于 open 狀態(tài)、得不到 recap。Archivist 通過flush_open_segment解決lifecycle.rs在會話結(jié)束Agent::spawn_session_memory_extraction時強制關(guān)閉殘留的 open segment并走與正常段關(guān)閉完全相同的路徑——recap embedding 事件提取 樹灌入。該操作冪等段只會從open → closed遷移一次可安全重復(fù)調(diào)用。十、小結(jié)一條完整的「會話 → 知識」流水線將以上機制串聯(lián)一次會話在 OpenHuman 中的記憶沉淀路徑是逐輪on_turn_complete將用戶/助手回合寫入 FTS5 情景表雙寫 md 歸檔工具失敗生成零成本教訓(xùn)分段detect_boundary按回合數(shù)、時間間隔、話題短語、向量漂移四重檢查切分 Segment段關(guān)閉LLM recap或啟發(fā)式回退→ 段摘要與 embedding 落庫 → 啟發(fā)式事件提取 → 畫像 Facet 合并 → 原始散文灌入記憶樹 → 后臺刷新長期目標知識庫update_memory_md以白名單 進程內(nèi)鎖 跨進程 flock 原子重命名的方式安全追加 MEMORY.md/SKILL.md會話結(jié)束flush_open_segment兜底收尾最后一個開放段。Archivist 的設(shè)計核心可以概括為三句話用便宜機制做逐輪工作用昂貴機制做段級工作用并發(fā)安全機制做文件寫入。如果你想在 OpenHuman 中自定義類似的后臺記憶 Agentagent.toml 的「background 最小工具集 低 temperature max_result_chars 限流」組合加上 prompt.md 的「職責(zé) 規(guī)則」雙層結(jié)構(gòu)是一份可以直接復(fù)用的模板。【免費下載鏈接】openhumanOpenHuman is an open source personal AI for Mac, Windows and Linux — local-first memory, agent orchestration, and deep research.項目地址: https://gitcode.com/GitHub_Trending/op/openhuman創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考