Storage 07
Hierarchical Memory
像 OS 一样管理记忆
交互
添加消息以增加上下文使用量。达到 92% 时触发压缩。观察低优先级信息被归档的过程。
Context Window 使用率73/100 tokens (73%)
Core Memory (核心)
System Prompt15t
用户画像8t
当前任务12t
Recall (近期)
对话记录 (近)20t
对话记录 (中)18t
Archival (归档)
对话记录 (远)15t
积累的事实10t
用户偏好5t
Context Window 就是 RAM
这个来自 MemGPT/Letta（21K stars）的类比是理解层级 Memory 最直观的方式：
| 操作系统 | Agent Memory | 特性 |
|---|---|---|
| RAM | Context Window | 快速、容量小、易失 |
| 磁盘 | 外部 Memory 存储 | 慢速、容量大、持久 |
| Page table | Agent 的 Memory 管理策略 | 决定换入/换出的内容 |
| Page fault | Agent 意识到需要某条 Memory | 触发检索与换入 |
"MemGPT 的核心洞察是：Context Window 是 RAM，不是磁盘。Agent 应该像操作系统内核管理 page table 一样，自行管理自己的 Memory 层级。"
Letta 的三层架构
Core Memory
始终在上下文中。包含 system prompt、用户画像、当前任务。Agent 可直接编辑。
常驻 RAM
Recall Memory
近期对话历史。可搜索，可换入上下文。随时间过期。
热缓存
Archival Memory
长期存储在 vector 数据库中。按需检索。容量无限。
冷存储
关键设计：Agent 自己决定换入和换出的内容。Letta 提供 Memory 操作工具（如 core_memory_append、archival_memory_search），Agent 学习何时使用它们。
OpenViking 的文件系统隐喻
OpenViking（4K stars，ByteDance）使用了不同的直觉模型：虚拟文件系统。
L0（上下文内）：活跃文件，直接在 prompt 中
L1（热缓存）：近期文件摘要，快速检索
L2（冷存储）：全部文件，通过 viking://find 搜索
Agent 使用类 shell 命令：
$ viking://ls — 列出当前目录
$ viking://find "user preferences" — 搜索 Memory
L1（热缓存）：近期文件摘要，快速检索
L2（冷存储）：全部文件，通过 viking://find 搜索
Agent 使用类 shell 命令：
$ viking://ls — 列出当前目录
$ viking://find "user preferences" — 搜索 Memory
核心原则
无论是操作系统类比还是文件系统，洞察都一样：并非所有 Memory 都需要同时在上下文中。好的层级 Memory 解决两个问题：何时换入（检测 page fault）和何时换出（基于重要性/时效性评分进行淘汰）。
下一节
存储架构已介绍完毕（文件、vector、graph、层级）。现在进入操作层面。第一步：如何从对话中提取值得记住的信息。