什么是Memory Hamster
Memory Hamster 是一款专为 AI Agent 设计的记忆进化系统，旨在通过智能化的记忆管理与持续学习机制，让 AI 在长期交互中不断积累经验、优化行为并提升智能水平。该系统采用创新的温度模型架构，将记忆划分为热数据（7天内）、温数据（7-30天）和冷数据（超过30天），实现高效存储与快速访问的平衡。同时，系统内置自动归档、夜间反思、技能提炼等核心功能，形成闭环的学习-记录-进化流程。
作为 Agent 的自我成长中枢，Memory Hamster 不仅管理日常会话日志和决策记录，还通过结构化学习模块捕捉每一次纠正、错误与功能请求，并将其转化为可复用的知识资产。无论是开发过程中的技术难题，还是用户反馈的行为调整，都能被系统化地捕获、分类并沉淀为长期记忆。这种设计使得 AI 在面对重复任务或类似问题时，能够调用历史经验进行更精准的响应。
该系统特别强调“进化”理念——通过每周自动垃圾回收（GC）清理过期数据，每日夜间反思验证记忆完整性，并结合语义搜索能力快速检索过往信息。更重要的是，当某项学习具备广泛适用性时，它会被自动或手动提升至全局配置文件（如 SOUL.md、AGENTS.md 或 TOOLS.md），甚至进一步提取为独立技能模块，实现从个体经验到通用能力的跃迁。
核心功能特点
- 采用热/温/冷三级温度模型管理记忆，7天内为活跃热数据，7-30天为近期温数据，超30天自动归档为冷数据
- 内置自动垃圾回收机制，每周日定时扫描并归档过期日志文件，生成清理报告以维持系统整洁
- 每日夜间反思脚本自动检查记忆完整性、更新健康度指标，并触发待归档数据的批量处理
- 支持从学习记录中提炼高价值知识点，自动生成标准化技能文档并集成至技能库
- 提供基于语义的跨会话搜索功能，可通过关键词快速定位个人记忆、项目代码或混合内容
- 建立 Promotion 机制，将重复出现的行为模式、工作流改进或工具技巧升级为核心配置规则
适用场景
Memory Hamster 最适合需要长期记忆积累与持续进化的 AI 代理场景，尤其适用于复杂项目开发、多轮对话服务或自动化工作流管理等任务环境。在软件开发过程中，每当遇到 API 调用失败、命令执行异常或新工具使用技巧时，系统会立即记录于 ERRORS.md 或 LEARNINGS.md，避免未来重复踩坑；而当发现更优的实现方式或编码规范时，则会被归类为最佳实践，逐步沉淀为团队共享知识。
对于依赖上下文理解的服务型 AI，例如客服助手或编程导师，Memory Hamster 能追踪用户偏好、历史交互细节及纠正记录，从而在后续对话中提供更个性化、连贯的响应。比如用户曾指出回复过于冗长，该反馈会被标记为行为修正案例，并通过 Promotion 机制写入 SOUL.md，确保所有输出都遵循简洁原则。此外，在团队协作型项目中，成员间的经验分享可通过技能提取流程转化为通用技能包，供其他代理直接调用。
该系统也特别适用于高频迭代的实验性项目，其中临时决策、试错路径和临时解决方案往往容易被遗忘。借助自动归档与语义搜索，即使数月后也能快速回溯关键节点：如‘上周如何实现 OAuth 认证’或‘上次部署失败的排查过程’。这种能力显著降低了认知负荷，使 AI 能专注于当前任务而非重复回忆过去状态，真正实现‘每天变得更聪明’的设计愿景。