讓 AI Agent 擁有記憶——Ghost In Shell 分層記憶架構設計

你有沒有想過一個問題：為什麼你的 AI 助手每次開新對話，都像是第一次見面？

它忘了你上次交代的偏好、忘了你們討論過的技術決策、忘了你最討厭簡體字。每一次，你都得從頭教起。這不是 AI 不夠聰明——而是它根本沒有記憶系統。

我花了三個月的時間，從零建構了一套分層記憶架構。它現在每天自動運行，跨越四個不同的 AI CLI（Claude Code、Gemini CLI、GitHub Copilot、Codex），共享同一套記憶——而且不會爆 token。

這套系統叫做 Ghost In Shell，已經開源。以下是它的設計哲學與核心架構。

問題：現有方案全部不及格

常見做法	致命缺陷
把所有知識塞進 system prompt	Token 燒錢大法——500+ 行每次都載入
用一個大檔案存所有東西	無限膨脹，context window 爆掉
依賴對話歷史	新 session = 完全失憶
外掛向量資料庫	架設複雜、檢索延遲、過度工程

解法：五層分層記憶 + 認知引擎

Ghost In Shell 的記憶架構靈感來自 CPU 快取層級（L1/L2/L3）——越常用的資料離核心越近，越冷的資料按需載入。

┌─────────────────────────────────────────┐
│        Always Loaded (~230 lines)        │
│  ┌──────────────┐  ┌─────────────────┐  │
│  │ L0 MEMORY.md │  │ L1 fact.yml     │  │
│  │  路由索引     │  │  熱層事實       │  │
│  └──────────────┘  └─────────────────┘  │
├─────────────────────────────────────────┤
│        Load on Demand (按需載入)          │
│  ┌──────────────────────────────────┐   │
│  │ L1 fact_archive.yml  (冷層工具)  │   │
│  │ L1 fact_decisions.yml (決策紀錄) │   │
│  │ L1 episodic.jsonl    (情節記憶)  │   │
│  │ L0.5 scratchpad.md   (任務暫存)  │   │
│  └──────────────────────────────────┘   │
├─────────────────────────────────────────┤
│   v4 Cognitive Layer (背景認知層)         │
│  ┌──────────────────────────────────┐   │
│  │ associations.jsonl  (關聯圖譜)   │   │
│  │ principles_candidates.jsonl      │   │
│  │ .retrieval_buffer.jsonl          │   │
│  └──────────────────────────────────┘   │
└─────────────────────────────────────────┘

效果：每次 session 只載入 ~230 行（而非 500+），認知層在背景自動強化有用記憶、淘汰過時資訊。

核心設計：每一層做一件事

L0: MEMORY.md — 路由器，不是資料庫

這是記憶系統的入口。它只存「去哪裡找什麼」的索引，不存實際知識。目標 < 200 行。就像圖書館的目錄卡——你不會在卡片上寫完整本書的內容。

L1 熱層: fact.yml — 每次必載的核心事實

YAML 格式，存放使用者偏好、系統配置、絕對規則、工具清單。目標 < 150 行。這是 Agent 的「短期工作記憶」——你的名字、時區、語言偏好、禁用詞表。

L1 冷層: 按需載入的專業知識

工具完整配置（fact_tools_detail.yml）、歷史決策（fact_decisions.yml）——只在需要時才讀取，避免浪費 token。

L1 情節層: episodic.jsonl — 教訓與里程碑

JSON Lines 格式，目前累積 398 條記錄。每一條都有重要度（1-10）、標籤、時間戳。這是 Agent 的「長期經驗記憶」——它記得上次部署失敗是因為什麼、哪個 API 有坑。

v4 認知層: 讓記憶自己「思考」

這是最有趣的部分。認知層不只是被動儲存——它主動建立記憶之間的關聯。

associations.jsonl 是一張圖譜，記錄記憶之間的因果、延續、相似關係。當你問「上次部署失敗」時，系統不只找到那條記錄，還會連帶拉出相關的修復方案、後續改進、類似問題。

記憶強度公式：

strength = base(imp/10) + retrieval(count * 0.08) + assoc(edges * 0.05) - decay(weeks * 0.03)

base：重要度（1-10）的 10%
retrieval：使用次數 x 0.08——越常被提取的記憶越強
assoc：關聯邊數 x 0.05——連結越多的記憶越不容易遺忘
decay：週數 x 0.03——遺忘曲線，但可被 retrieval 和 assoc 抵消

這模擬了人類記憶的核心機制：常用的記得住，有關聯的記得住，太久沒用的會淡忘。

多 CLI 共享記憶：四個 Agent，一個大腦

我的工作環境同時運行四個 AI CLI：Claude Code（主力）、Gemini CLI（超長 context）、GitHub Copilot（Code Review）、Codex（備用）。它們全部共享同一套記憶系統。

CLI	角色	記憶共享
Claude Code	本體——全功能開發	完整讀寫
Gemini CLI	分靈體——超長文件處理	完整讀寫
GitHub Copilot	異界審判官——Code Review	完整讀寫
Codex CLI	備用執行器	完整讀寫

每個 CLI 啟動時會透過 wrapper 自動注入 runtime metadata（VOID_MEMORY_RUNTIME、VOID_MEMORY_EXECUTOR、VOID_MEMORY_SESSION_ID），session 結束時自動寫回記憶。多執行器同時寫入時有 file lock 機制防衝突。

自動化：記憶不需要人類維護

自動化排程	頻率	做什麼
Session Logger	每次 session 結束	自動記錄本次工作摘要
Trigger Check	每次 session 結束	檢查是否需要整合記憶
Daily Review	每日 23:00	自動審查 + 衰減計算
Weekly Consolidate	每週日 19:00	整合教訓、萃取原則