本文解读开源项目 OpenMemory 的知识结构。
分区记忆#
OpenMemory 是数字化复刻了生物脑记忆系统，按标准认知心理学对人类的长时记忆划分为 Episodic、Semantic、Procedural、Emotional、Reflective 五层记忆：
- 外显记忆（可主动口述、有意识回忆）
- Episodic 情景记忆：带时间、场景的个人经历（海马体主导）
- Semantic 语义记忆：客观事实、知识、偏好（新皮层存储）
- 内隐记忆（无意识、技能 / 条件反射）
- Procedural 程序记忆：操作流程、习惯、技能（基底神经节）
- Emotional 情绪记忆：事件附带情绪感受（杏仁核）
- 元认知记忆（人类独有）
- Reflective 反思记忆：自我复盘、总结经验、修正认知（前额叶）
OpenMemory 直接把这五类脑内独立记忆系统，拆成五个隔离存储分区，每一层对应独立向量编码、独立遗忘衰减速率、独立检索逻辑。
人类大脑机构请参考大脑组成
1. Episodic 情景记忆（对应人脑自传事件记忆）
心理学依据
Tulving 1972 年提出，「精神时间旅行」，存储绑定时间、上下文、对话内容，依赖海马体时序编码，人能回忆 “那天发生了什么完整过程”。
工程设计
- 存储：时间戳、事件时序、原始对话内容、会话 ID，不压缩原文；
- 检索：支持时间区间过滤、事件时序检索，还原完整聊天上下文；
- 遗忘：衰减速度中等，近期对话保留完整，久远会话自动提炼下沉至语义层；
业务例子
昨天和用户聊代码报错、上周一起梳理项目需求的完整对话。
对应 MemGPT：Recall Memory。
2. Semantic 语义记忆（客观事实长期知识库）
心理学依据
脱离场景的纯粹知识、客观事实、用户固定偏好，无需回忆事件就能直接 “知道”。长期存储在大脑新皮层，遗忘最慢、权重最高。
工程设计
- 存储：结构化事实、静态知识、用户偏好；
- 特性：冲突检测（用户信息更新自动覆盖旧事实）；
- 遗忘：五层里衰减最慢，长期置顶；
业务例子
代码编码规范、性能最佳实践、用户不吃香菜、编程语言偏好 Python。
对应 MemGPT：Core Memory + Archival Memory 合并能力。
3. Procedural 程序记忆（技能/流程内隐记忆）
心理学依据
非陈述性内隐记忆，“怎么做”。例如骑车、游泳、穿裤子、固定工作流程，无需刻意复述，重复使用会强化记忆强度。保存在基底神经节。
工程设计
- 存储：任务步骤、工具调用流程、固定操作习惯；
- 机制：重复执行同类任务自动强化记忆权重；
- 遗忘：低频流程快速衰减，高频操作长期保留；
业务例子
爬虫标准流程、Hermes Agent 调用 MCP 的固定步骤；
MemGPT 无对应分层，是 OpenMemory 独有的工程扩展。
4. Emotional 情绪记忆（情绪条件记忆）
心理学依据
杏仁核绑定事件情绪，同样一件事，带强烈情绪的记忆留存更久；情绪会影响检索优先级，负面/正面感受作为记忆权重加成。
工程设计
- 存储：用户沟通情绪、语气偏好、敏感话题、正负反馈；
- 机制：高情绪权重记忆检索优先展示；
- 遗忘：情绪强度越高，遗忘曲线衰减越慢；
业务例子
用户讨厌被催促、遇到报错会烦躁、喜欢简洁回答。
MemGPT 的三层记忆完全缺失情绪维度。
5. Reflective 反思记忆（元认知复盘记忆）
心理学依据
前额叶高级元认知，人类独有的自我复盘：总结过往错误、提炼经验、修正自身行为策略，属于对 “记忆的记忆”。
工程设计
- 存储：Agent 自我反思总结、历史失误、优化方案、长期经验沉淀；
- 机制：每次对话结束自动生成反思条目存入本层；
- 检索：做长期规划、复杂任务时优先调取；
业务例子
上次给用户方案太复杂被否决、以后优先输出极简代码、避开冗余解释。
MemGPT 体系无独立反思分区，反思逻辑需要开发者自行实现。
整体流程#
- 输入内容
- 判断记忆类型：Episodic/Semantic/Procedural/Emotional/Reflective
- 存入不同 memory sector
- 生成 embedding + 关键词 + 元数据 + 时间信息
- 建立记忆之间的关联图（Hierarchical Storage Graph / Temporal Graph）
- 查询时综合：语义相似度（Relevance）+ 关键词 + 最近性（Recency/Decay）+ 重要性（Importance/Recalled） + 关联路径
- 被召回的记忆会被强化；长期不用的记忆会衰减
有几个特点：
- 长期记忆不是聊天记录
聊天记录是 raw log，memory 是被筛选、结构化、可召回、可衰减的信息。 - 记忆有类型
情景（Episodic）/ 语义（Semantic）/ 程序（Procedural）/ 情绪（Emotional）/ 反思（Reflective）。 - 时间是一等公民
sequence/created_at/recalled_at/valid_from/valid_to，不是简单的覆盖。 - 记忆会强化和遗忘
经常被查到的记忆 salience 提升；长期不用的记忆衰减。 - 召回应可解释
不只是返回“这个向量最相似”，还应该能解释哪些 memory 被命中、分数来自哪里、是否通过关联图扩展出来、为什么它排在前面。
核心概念可以参考文档：Concepts
SimHash and Hamming distance#
SimHash (Similar Hash) 是一种局部敏感哈希（LSH, Locality Sensitive Hashing）。
核心特性：相似内容 → 哈希值相似；完全不同内容 → 哈希差异大。
普通哈希（MD5、SHA256）：输入微小改动，输出完全随机雪崩
text → 分词 + 权重
vec = 64-bit 0
for word in words:
h = hash64(word)
for i in 0~63:
if bit_i(h) == 1: vec[i] += weight
else: vec[i] -= weight
simhash_bits[i] = 1 if vec[i]>0 else 0其中 hash64() 可以是 MD5 的前 64-bit 或 后 64-bit（性能较差），也可以是 MurmurHash64 / CityHash64 / XXHash64
相似度判断：汉明距离（Hamming distance）。
定义：两个等长二进制串对应位置上不同比特的数量
例：1011 vs 1001 → Hamming distance = 1
两个 simhash 指纹对比，统计相同位置 bit 值不相等的数量 = 汉明距离。
以 64 位 simhash 经验阈值为例：
- 汉明距离 ≤3：高度相似（几乎同一篇，仅少量修改）
- 汉明距离 ≤5：近似文本
- 距离越大，内容差异越大
参考资料#
- OpenMemory 项目： https://github.com/CaviraOSS/OpenMemory