🌳 Memory-Like-A-Tree：让 AI Agent 的记忆像树一样生长

从一个令人头疼的问题说起

如果你长期和 AI Agent 打交道，一定遇到过这种尴尬：同一个问题，你昨天才和它讨论过，今天换个说法问，它就一脸茫然——"抱歉，我没有这个信息。"又或者，Agent 在一个项目里积累了大半年经验，下一个项目来了，全得从头开始，那些宝贵的经验教训像沙子一样从指缝溜走。

Memory-Like-A-Tree 正是为了解决这个痛点而生。它的核心理念简单而优雅：让知识像真正的树一样生长、凋零、化为养分。

---

一棵"真正的树"的启发

开发者的灵感来自真实的自然现象。一棵真正的树：

• 🌱 新知识像种子一样萌芽——刚种下的记忆，置信度最高，也最需要呵护
• 🌿 常用知识茁壮成长——被反复引用、使用的记忆，置信度不断上升，成为"绿叶"
• 🍂 不用的知识自然凋零——长时间没被访问的记忆，置信度逐渐下降，变成"黄叶"
• 🪨 落叶化作养分——置信度低于阈值的记忆不会消失，而是归档到"土壤"，精华被提取反哺新知识

这套自然机制解决了一个关键问题：哪些记忆该保留，哪些该淘汰？ 交给置信度自动判断，无需人工干预。

---

架构设计：简洁而精巧

项目采用本地文件系统 + JSON 数据库的轻量架构，所有数据存储在 ~/.memory-like-a-tree/ 目录下：

~/.memory-like-a-tree/
├── workspace/          # 工作空间（知识来源，唯一源）
│   ├── MEMORY.md      # 长期记忆
│   └── memory/        # 按月份组织的记忆文件
├── data/              # 数据目录
│   ├── confidence-db.json   # 置信度数据库
│   └── archive/             # 归档区
└── core/              # 核心代码
    ├── indexer.py     # 索引器：扫描 workspace，建立置信度索引
    ├── memory_tree.py # 树管理：CRUD、状态查询、可视化
    ├── search.py       # 搜索：全文 + 语义混合搜索
    ├── decayer.py     # 衰减器：每日凌晨自动执行置信度衰减
    ├── cleaner.py     # 清理器：归档低置信度记忆，提取精华
    └── memory_tree_api.py  # 统一 API：供 Agent 调用的 SDK

核心数据结构 confidence-db.json 记录每条记忆的置信度分值，通过 indexer.py 定期扫描 workspace 文件夹来更新索引。

---

核心功能：从记录到自动遗忘的全流程

置信度生命周期

每条记忆都有四个状态，通过置信度数值自动流转：

状态	置信度范围	含义	行为
🌿 绿叶	≥ 0.8	知识稳固可靠	正常提供使用
🍂 黄叶	0.5–0.8	知识开始衰退	降权但不丢弃
🍁 枯叶	0.3–0.5	知识接近遗忘	即将归档
🪨 土壤	< 0.3	知识已归档	精华提取+存储

置信度的升降规则非常直观：被搜索到 → 置信度 +0.1；长时间不访问 → 每日自动 -0.02。

多 Agent 团队支持

系统天然支持多 Agent 协作场景。通过配置 agents.yaml 可以为每个 Agent 定义独立 workspace，实现：

• 个人记忆隔离：每个 Agent 有自己的知识分支
• 团队知识共享：可搜索其他 Agent 的记忆（scope=team）
• 跨 Agent 知识流动：归档时可指定将精华同步到公共 Obsidian 库

Obsidian 双向同步

如果团队使用 Obsidian 作为知识管理工具，项目提供了 sync_workspace_to_obsidian.py 脚本，可以将归档的精华自动同步到 Obsidian Vault 的"03-精华库"目录，打通个人知识管理和 Agent 记忆管理。

Cron 自动化

系统设计了三个定时任务，确保"树"能够自主运转：

• 每 2 小时：indexer.py --watch — 扫描新增/变更的记忆
• 每天凌晨 2 点：decayer.py --run — 执行置信度衰减
• 每天凌晨 3 点：cleaner.py --auto-cleanup — 归档低置信度记忆

配置一次，长期自动运行。

---

使用体验：上手门槛极低

极简安装

# 仅需 Python 3.8+ 和 Git
git clone https://github.com/loryoncloud/Memory-Like-A-Tree.git
cd memory-like-a-tree

写记忆就像写笔记

在 MEMORY.md 中用 Markdown 格式记录知识：

## [P0] 我的核心工作原则
<!-- TTL: never -->

1. 代码审查先看设计再看细节
2. 重要决策必须写 ADR

## [P2] 今天学到的技巧
<!-- TTL: 30d -->

Python 的 functools.lru_cache 可以缓存函数结果。

Agent 集成：几行代码搞定

from memory_tree_api import MemoryTreeAPI

api = MemoryTreeAPI(agent="dev")

# 搜索相关记忆
results = api.search("代码审查")
# → 返回置信度 ≥ 0.3 的相关记忆

# 获取推荐知识
recommendations = api.get_recommendations(task="设计新 API")
# → 根据当前任务推荐最相关的记忆

# 添加新记忆
api.add_memory(title="HTTP 缓存策略", content="...", priority="P1")

---

局限与争议：不完美的真实一面

1. 纯 CLI，缺少可视化界面

目前系统完全依赖命令行操作，没有 Web UI 或桌面客户端。查看"记忆树"的健康状态需要执行 python3 memory_tree.py visualize，对非技术用户不够友好。

2. 全文搜索 ≠ 语义搜索

当前搜索模块基于关键词匹配（可能使用了 TF-IDF 或 BM25），而非语义向量检索。对于同义词、近义查询能力有限。随着知识库增大，这一局限性会越发明显。

3. 缺乏冲突解决机制

当同一个知识点被多个 Agent 以不同版本记录时，系统没有合并或冲突检测逻辑，可能导致记忆不一致。

4. 依赖文件系统

所有数据存储在本地 JSON 文件，不支持分布式部署。多个机器上的 Agent 无法共享同一棵树。

---

技术实现：代码质量评估

维度	评估
架构类型	模块化 CLI 工具，无 Web 框架
主力技术栈	Python 3.8+、标准库为主（json、pathlib、argparse）
代码结构	按功能分模块（indexer/cleaner/decayer/search），模块边界清晰
AI 框架	非 AI 模型推理项目，是 AI 应用基础设施
代码质量	有类型注解，函数文档完善，异常处理到位
测试覆盖	README 中未见测试目录，测试覆盖不明确
文档质量	优秀——README 超 9000 字，图文并茂，FAQ 完整
数据隐私	完全本地存储，无云端同步，用户数据完全自主

---

行业意义与趋势

在 AI Agent 大规模落地的 2026 年，"Agent 记忆"已经从一个锦上添花的功能变成了必备基础设施。Memory-Like-A-Tree 提出的置信度驱动生命周期概念，与人类记忆的遗忘曲线（艾宾浩斯曲线）高度吻合，是一个符合认知科学的设计思路。

它的意义不止于工具本身，更代表了一种趋势：未来的 AI Agent 不仅要有工具调用能力，更要有自主管理知识资产的能力。

---

总结

维度	评分
创意 ⭐⭐⭐⭐⭐	自然隐喻驱动的设计理念，独树一帜
功能 ⭐⭐⭐⭐	覆盖生命周期全流程，功能闭环完整
易用 ⭐⭐⭐	CLI 上手简单，但缺乏 GUI 限制受众
代码 ⭐⭐⭐⭐	模块化清晰，文档详尽，无 AI 依赖
潜力 ⭐⭐⭐⭐	切入 AI Agent 基础设施赛道，需求真实

适合谁用：有多个 AI Agent 协作需求、技术能力较强的开发团队。

不适合谁：非技术用户、需要分布式协作的团队、需要语义搜索的场景。

🌳 种一棵树最好的时间是十年前，其次是现在。让你的 AI Agent 也种下第一棵树吧。