为AI智能体构建持久记忆：LLM监督与四图架构解析

1. 项目概述：为AI智能体构建持久记忆的“大脑”

如果你用过Claude Code、OpenClaw这类AI智能体开发工具，一定遇到过这样的困扰：每次开启新会话，智能体就像得了“健忘症”，完全不记得上次聊了什么。你费尽心思教会它的项目结构、关键决策、甚至刚刚讨论过的代码逻辑，只要窗口一关，一切归零。更糟的是，在长对话中，智能体受限于上下文窗口，会自动压缩早期信息，那些至关重要的设计思路和约束条件，可能在你最需要的时候被悄悄“遗忘”。

这正是mnemon-dev/mnemon要解决的核心痛点。它不是一个普通的记忆库，而是一个LLM监督的持久化记忆系统，专门为AI智能体设计。你可以把它理解为智能体的“外置大脑”——一个独立运行、跨会话共享、且能随着时间积累知识的记忆中枢。最吸引人的是，它采用了一种名为“LLM监督”的架构模式：你的主智能体（比如Claude Opus）扮演“指挥官”，负责判断什么值得记住、什么时候该回忆；而Mnemon这个独立的二进制程序则扮演“执行者”，负责所有确定性的计算工作，比如存储、图索引、搜索和记忆衰减。这种分工既保证了记忆的智能性，又避免了在记忆管道中嵌入另一个LLM带来的额外成本和复杂性。

想象一下这样的场景：你正在用Claude Code开发一个微服务项目。第一天，你详细解释了服务的架构、数据库选型（为什么用PostgreSQL而不是MongoDB）以及API设计规范。第二天，当你继续开发时，Claude不仅能立刻回忆起这些上下文，还能基于之前的决策给出连贯的建议。甚至一周后，当你问“我们当初为什么选择这种认证方案？”时，它能从记忆图中精准提取出当时的讨论和权衡点。这就是Mnemon带来的“复利效应”——记忆越积累，价值越大。

2. 核心设计思路：为什么是“LLM监督”与“四图架构”？

2.1 打破传统记忆方案的局限

在深入Mnemon之前，我们先看看市面上常见的几种AI记忆方案，以及它们各自的短板：

1. LLM嵌入式记忆：像Mem0、Letta这类工具，直接在记忆处理管道中内置了一个LLM。每次记忆操作（存储、检索）都需要调用一次API推理。优点是记忆质量高，但代价是额外的token消耗和延迟，成本会随着使用频率线性增长。
2. 文件注入式记忆：比如Claude自带的“代码记忆”功能，本质是在会话开始时将一个文件的内容读入上下文。它无法实现跨会话记忆，且受限于上下文窗口大小，无法处理大量历史信息。
3. MCP服务器模式：通过Model Context Protocol（MCP）将记忆功能暴露为工具供LLM调用。这解决了标准化问题，但记忆逻辑（该记什么、怎么记）仍然需要开发者自己实现，缺乏一套开箱即用的、基于认知语义的协议。

Mnemon的“LLM监督”模式巧妙地避开了这些陷阱。它不替代你的主LLM做判断，也不在管道中增加新的推理环节。你的Claude订阅本身就是智能层，Mnemon只是为它提供了一个标准化的“记忆操作手册”和高效执行的“记忆仓库”。

2.2 “四图架构”：超越向量检索的关联记忆

大多数记忆工具依赖向量相似度搜索（即RAG的常见做法）。这有个根本问题：它只能找到“语义相似”的内容，但无法捕捉记忆之间丰富的关系类型。比如：

• 时间关系：“在讨论A方案之后，我们决定采用B方案。”
• 实体关系：“用户‘张三’是‘项目X’的管理员。”
• 因果关系：“因为服务器负载过高，所以我们决定引入缓存。”
• 语义关系：“微服务架构”和“领域驱动设计”在概念上相关。

Mnemon底层采用四图混合存储：

• 时序图：按时间顺序连接记忆节点，维护事件的先后脉络。
• 实体图：识别并链接人物、地点、组织、项目等实体。
• 因果图：建立“原因-结果”、“问题-解决方案”等逻辑链条。
• 语义图：传统的向量嵌入空间，用于相似性匹配。

这种设计让记忆召回变得“意图感知”。当你问“我们上次关于这个错误的解决方案是什么？”，系统不仅会搜索语义相关的“错误”记录，还会沿着因果图找到与之链接的“解决方案”节点，结果更精准。

2.3 意图原生协议：让LLM用“母语”操作记忆

这是Mnemon另一个精妙的设计。传统的数据库操作使用INSERT、SELECT这类SQL词汇，这对LLM来说是一种“外语”，需要额外学习且容易出错。Mnemon定义了三个核心原语，直接映射到LLM的认知词汇表：

1. remember：对应“记住这个”。LLM判断一段信息有价值后，就发出这个指令。背后会自动处理去重、冲突检测，并选择合适的图进行关联存储。
2. link：对应“关联那个”。用于显式地在两条已有记忆之间建立特定类型（时序、因果等）的连接。
3. recall：对应“回忆一下”。发起一次记忆检索。默认会启动混合检索：同时进行基于图的遍历（沿着关系链查找）和可选的向量搜索，然后用RRF（倒数排名融合）算法合并结果，确保召回率和准确率的平衡。

这个协议的输出也是为LLM量身定做的——结构化的JSON，包含了记忆内容本身、关联的边、重要性分数、访问次数等丰富的“信号”，而不仅仅是干巴巴的数据库行。这让LLM能更全面地理解记忆的上下文和价值。

3. 系统集成与工作流：钩子驱动的无感记忆

Mnemon追求“零用户侧操作”。安装配置好后，你完全不用手动运行mnemon命令。记忆的整个生命周期由智能体通过**钩子（Hooks）**自动驱动。我们以与Claude Code的集成为例，拆解这个无缝的流程：

3.1 四大生命周期钩子

当你执行mnemon setup后，它会自动检测你的Claude Code环境，并部署以下四个钩子文件到你的项目或全局目录（如~/.claude/hooks/）：

1. Prime钩子 (session_start.sh)：在会话开始时触发。它的核心任务是加载“行为指南”（guide.md）到上下文中。这份指南是记忆系统的“宪法”，详细规定了智能体在什么情况下应该回忆记忆、什么样的信息值得被记住、以及如何将记忆操作委托给子智能体（以节省主上下文的token）。没有它，智能体就不知道记忆规则。

2. Remind钩子 (user_prompt_submit.sh)：在用户提交问题后、LLM开始思考前触发。它会提醒智能体：“在回答之前，先根据当前问题，回忆一下相关的历史记忆，并判断是否需要将对话中的新信息记下来。”这确保了智能体的思考是建立在已有知识基础上的。

3. Nudge钩子 (stop.sh)：在LLM生成完回答后触发。这是一个“事后检查”点，提醒智能体回顾刚才的交互：“在刚才的对话中，有没有产生值得长期保存的洞察或结论？如果有，现在记住它。”

4. Compact钩子 (pre_compact.sh)：在Claude Code即将进行上下文压缩前触发。这是防止记忆丢失的关键防线。它会指令智能体：“上下文马上要被裁剪了，请快速扫描即将被移除的旧消息，提取出其中最关键的见解，并保存到持久化记忆中。”

3.2 技能文件与行为指南的分工

除了钩子，Mnemon还会部署两个关键文件：

• 技能文件 (SKILL.md)：相当于“工具说明书”。它用Claude能理解的格式，定义了remember、link、recall这三个命令的语法、参数和示例。智能体通过阅读这个文件来学会如何“使用”Mnemon。
• 行为指南 (~/.mnemon/prompt/guide.md)：相当于“操作规程”或“决策手册”。它规定了何时以及为何要使用那些技能。例如：

  回忆的时机：当用户的问题涉及项目历史、技术决策、或个人偏好时，应主动发起recall。记忆的标准：以下信息值得remember：1) 重要的技术决策及原因；2) 复杂的项目上下文；3) 用户明确表示重要的信息；4) 从错误中总结的教训。子代理委托：执行remember命令时，应委托给一个更轻量级的模型（如Claude Sonnet）来执行，以节省主会话（Opus）的token。

实操心得：定制你的记忆规则guide.md是高度可定制的。如果你主要用Claude做代码审查，可以强化“记住代码坏味道和修复模式”的规则。如果是用于创意写作，则可以改为侧重“记住角色设定和情节伏笔”。修改这个文件，是让Mnemon贴合你工作流的最有效方式。文件采用Markdown格式，逻辑清晰，Claude理解起来毫无压力。

3.3 子代理委托：高效省钱的执行策略

这是一个非常实用的设计细节。记忆的“判断”（记什么）由强大的主模型（如Claude Opus）做出，但实际的“执行”（运行mnemon remember命令）可以委托给一个更便宜、更快的子模型（如Claude Sonnet或Haiku）。

为什么这样做？因为执行remember命令本身只是一个格式化的调用，不需要很强的推理能力。在主会话中执行会占用宝贵的长上下文token，而委托出去则几乎零成本。行为指南里通常会包含这样的指令：

“当你决定要记住一段信息时，请生成一个包含完整记忆内容的JSON块，并指示子代理‘请执行：mnemon remember [JSON]’。”

这样，记忆操作就被优雅地“卸载”了，保持了主会话的整洁和高效。

4. 安装、配置与多平台集成实战

4.1 核心安装与验证

Mnemon是Go语言编写的单二进制文件，安装极其简单。对于macOS或Linux用户，首推Homebrew：

brew install mnemon-dev/tap/mnemon

对于Go开发者，也可以直接通过go install安装：

go install github.com/mnemon-dev/mnemon@latest

安装后，务必验证一下：

mnemon --version # 输出类似：mnemon version 0.1.0

4.2 集成Claude Code：一键配置

这是最常用的场景。在你的项目根目录或任意目录下，运行：

mnemon setup

这个命令会启动一个交互式配置向导：

1. 自动检测：它会查找你的Claude Code安装和配置文件。
2. 模式选择：询问你是进行**项目级（Local）安装还是全局（Global）**安装。
   • 项目级：记忆钩子和技能只对当前项目生效。推荐用于大多数情况，隔离性好。
   • 全局：安装到~/.claude/目录，对所有Claude Code项目生效。方便，但如果你有项目不需要记忆功能，可能会产生干扰。
3. 部署文件：根据你的选择，自动创建或修改~/.claude/hooks/下的钩子脚本，并部署SKILL.md技能文件。
4. 生成指南：在~/.mnemon/prompt/目录下创建初始的guide.md行为指南。

配置完成后，重启你的Claude Code会话。你会发现，在会话开始后，系统消息里会自动加载一段关于记忆系统的说明，记忆功能就此生效。

4.3 集成OpenClaw

OpenClaw是另一个流行的AI智能体框架。Mnemon通过插件机制与之集成，命令更简洁：

mnemon setup --target openclaw --yes

--yes参数表示非交互式，直接使用默认配置。这条命令会：

• 将Mnemon技能作为插件安装到~/.openclaw/plugins/。
• 配置OpenClaw的网关，使其能调用Mnemon。
• 同样部署行为指南。

完成后，需要重启OpenClaw网关进程来加载新插件。

4.4 集成NanoClaw（容器化环境）

NanoClaw在Linux容器中运行智能体，集成方式略有不同，体现了Mnemon设计的灵活性：

1. 在宿主机上安装Mnemon：使用上述任一方法在运行NanoClaw的机器上安装mnemon二进制。

2. 在NanoClaw项目中使用技能：NanoClaw的Claude Code技能目录中，有一个现成的/add-mnemon技能。在项目内运行这个技能，Claude会帮你：

   • 修改项目的Dockerfile，将宿主机上的mnemon二进制和配置目录挂载到容器内。
   • 添加一个容器内可用的Mnemon技能。
   • 配置存储卷，确保容器的记忆能持久化到宿主机。

3. 隔离与共享：一个精妙的设计是，你可以为每个WhatsApp群组（NanoClaw的典型用例）配置独立的记忆存储，避免交叉干扰。同时，也可以设置一个全局的只读记忆库，用于共享一些公共知识（如公司规章制度）。

注意事项：容器挂载路径在配置容器卷挂载时，要确保宿主机上的~/.mnemon目录（或你自定义的MNEMON_DATA_DIR）有正确的权限，允许容器内的进程读写。通常需要将目录的所有者改为容器运行时使用的用户ID（如1000）。

4.5 记忆存储隔离：多项目并行不悖

你可能会担心，所有项目都用同一个记忆库，会不会混乱？Mnemon提供了命名存储功能来完美解决。

假设你同时进行“工作项目A”和“个人学习B”：

# 创建两个独立的记忆库 mnemon store create work_project_a mnemon store create personal_learning_b # 切换到工作项目上下文 mnemon store set work_project_a # 或者通过环境变量设置 export MNEMON_STORE=work_project_a # 现在，所有在这个终端/session中运行的mnemon命令，都会读写`work_project_a`这个库。 # 当你切换到个人学习时： export MNEMON_STORE=personal_learning_b

这样，你可以通过环境变量MNEMON_STORE，为不同的终端会话、不同的自动化脚本指向不同的记忆库，实现完全隔离。默认的存储名是default。

5. 高级功能与深度配置解析

5.1 混合检索策略：图遍历与向量搜索的融合

Mnemon的recall命令之所以强大，在于其默认启用的意图感知混合检索。其工作流程如下：

1. 查询解析：首先，系统会尝试从你的查询中提取意图和关键实体。
2. 图遍历检索：以上述实体为起点，在时序、实体、因果、语义四图中进行遍历，寻找直接和间接关联的节点。例如，查询“上周解决的数据库超时问题”，系统会先在实体图中找到“数据库”，在因果图中找到“超时”和“解决”的关系链，在时序图中限定“上周”的范围。
3. 向量语义检索（可选）：如果你配置了本地的Ollama服务，Mnemon会使用你指定的嵌入模型（如nomic-embed-text）将查询和所有记忆内容进行向量化，执行近邻搜索。
4. 结果融合：使用**RRF（倒数排名融合）**算法合并两种检索方式的结果。RRF的基本原理是，一个记忆项在两种检索结果中的排名越靠前（排名数字越小），其最终得分越高。公式可以简化为：score = 1/(k + rank_in_graph) + 1/(k + rank_in_vector)。这保证了即使某条记忆在向量搜索中不相似，但只要在图关系中高度相关，也能被召回。

如何启用向量搜索？

1. 确保已安装并运行 Ollama 。
2. 拉取一个嵌入模型，如：ollama pull nomic-embed-text。
3. 设置环境变量（或写入配置）：

   export MNEMON_EMBED_ENDPOINT=http://localhost:11434 export MNEMON_EMBED_MODEL=nomic-embed-text

   重启你的智能体会话，混合检索即自动生效。

5.2 记忆的生命周期管理：衰减、强化与清理

记忆不是只进不出的。Mnemon实现了模拟人类记忆的保留生命周期：

• 重要性衰减：每条记忆都有一个初始的重要性分数。如果一条记忆长时间不被recall访问，其重要性会随时间缓慢衰减。这模拟了“不常用的记忆会变模糊”。
• 访问计数强化：每次成功召回一条记忆，它的访问次数就会增加，并轻微提升其重要性分数。这模拟了“经常回忆的知识更牢固”。
• 垃圾回收：系统会定期（或手动触发）扫描所有记忆。重要性分数低于某个阈值的、且长时间未被访问的记忆，会被标记为“可清理”。在下次压缩或手动清理时，这些记忆会被归档或删除，释放空间。

你可以通过命令行工具查看和管理记忆的生命周期状态：

# 查看记忆库状态，包括记忆数量、平均重要性等 mnemon status # 手动触发垃圾回收（谨慎使用） mnemon gc --dry-run # 先预览哪些记忆会被清理 mnemon gc --confirm # 执行清理

5.3 去重与冲突解决

当智能体试图remember一条看似重复的信息时，Mnemon不会简单丢弃或重复存储，而是执行智能去重：

1. 语义去重：计算新记忆与已有记忆的语义相似度（如果启用了嵌入）。如果相似度超过阈值（如95%），则视为重复。
2. 冲突检测：如果新记忆与旧记忆在关键事实（如“项目截止日期”）上表述矛盾，系统会检测到冲突。
3. 解决策略：默认策略是“跳过”完全重复的，“合并”相似但互补的（将新信息补充到旧节点中），对于冲突的，可以选择“保留两者并标记冲突”或“用新的覆盖旧的”（取决于配置）。所有这些行为都可以在guide.md中通过提示词引导智能体去处理。

5.4 环境变量详解

Mnemon的配置主要通过环境变量完成，以下是核心变量：

环境变量	默认值	描述
MNEMON_DATA_DIR	~/.mnemon	所有记忆数据、配置和日志的根目录。可以改为网络存储路径实现多机共享（需注意文件锁）。
MNEMON_STORE	default	当前会话使用的记忆库名称。用于实现多租户隔离。
MNEMON_LOG_LEVEL	info	日志级别 (debug,info,warn,error)。调试问题时设为debug可以看到详细的钩子调用和记忆操作日志。
MNEMON_EMBED_ENDPOINT	http://localhost:11434	Ollama API地址。如果你将Ollama部署在另一台机器或Docker容器中，需要修改此地址。
MNEMON_EMBED_MODEL	nomic-embed-text	用于生成文本嵌入向量的模型名称。确保Ollama中已拉取该模型。

配置建议：对于普通用户，通常只需要关心MNEMON_STORE来切换项目。高级用户可以通过MNEMON_DATA_DIR将记忆库放在同步盘（如iCloud Drive, Dropbox）中，实现不同电脑间的记忆同步（但需注意并发写入可能带来的问题）。

6. 故障排查与常见问题实录

即使设计再精良，在实际部署和运行中也可能遇到问题。以下是我在深度使用Mnemon过程中遇到的一些典型情况及解决方法。

6.1 钩子未触发，记忆功能不生效

症状：Claude Code会话开始后，没有看到关于记忆系统的提示，对话中也不会自动回忆或记忆。

排查步骤：

1. 检查钩子安装位置：运行ls -la ~/.claude/hooks/（全局安装）或ls -la .claude/hooks/（项目安装）。确认能看到session_start.sh,user_prompt_submit.sh等文件。
2. 检查钩子内容：查看session_start.sh，确认其内容包含加载guide.md的命令。有时安装脚本可能因权限问题未能成功写入。
3. 检查Claude Code版本：某些旧版本的Claude Code可能对钩子的支持不完整。确保你使用的是最新版本。
4. 查看Mnemon日志：设置export MNEMON_LOG_LEVEL=debug，然后重新启动Claude Code。在~/.mnemon/logs/目录下查看最新的日志文件，搜索“hook”、“prime”等关键词，看是否有错误信息。

常见原因与解决：

• 权限问题：钩子脚本没有执行权限。运行chmod +x ~/.claude/hooks/*.sh。
• 路径问题：guide.md不在~/.mnemon/prompt/目录下。重新运行mnemon setup --force可以重新部署所有文件。
• 配置冲突：如果你同时有全局和项目级钩子，Claude Code可能会以某种优先级加载。建议清理掉一个，只保留一种安装方式。

6.2 记忆召回结果不相关或为空

症状：智能体似乎尝试了recall，但返回的结果风马牛不相及，或者说“没有相关记忆”。

排查步骤：

1. 确认记忆已存储：手动运行mnemon list --limit 5查看最近是否成功存储了记忆。如果没有，说明remember环节可能失败了。
2. 检查guide.md规则：回忆的触发和判断极度依赖指南中的规则。检查你的~/.mnemon/prompt/guide.md，看其中关于“何时回忆”的规则是否过于严格或模糊。
3. 测试混合检索：手动运行一个召回测试，分别观察图检索和向量检索的结果：

   # 模拟一个查询，查看详细输出 mnemon recall "项目架构设计" --verbose

   在输出中，你会看到分别来自“graph”和“vector”（如果启用）的结果列表。如果某一项结果为空，说明对应的检索路径有问题。
4. 检查向量模型：如果启用了向量搜索，运行ollama ps确认嵌入模型正在运行。尝试用 Ollama 直接测试该模型：ollama run nomic-embed-text "test sentence"。

常见原因与解决：

• 指南规则不当：智能体可能因为你的问题不符合指南中定义的“值得回忆”的场景，而根本没有发起recall。尝试在对话中更明确地提及历史，或修改guide.md放宽回忆条件。
• 图关系未建立：新存储的记忆是孤立的节点，没有通过link与其他记忆建立关系。导致图遍历检索时无法通过关系链找到它。确保你的指南鼓励智能体在remember时也思考关联性。
• 向量模型不匹配：使用的嵌入模型不适合你的语言或领域（例如，用英文模型处理中文）。尝试更换Ollama中的嵌入模型，并更新MNEMON_EMBED_MODEL环境变量。

6.3 性能问题：响应变慢或内存占用高

症状：集成Mnemon后，感觉Claude Code的响应速度变慢，或者系统资源占用明显增加。

排查步骤：

1. 检查记忆库大小：运行mnemon status，查看记忆节点和边的数量。如果数量巨大（例如超过10万），检索和去重操作自然会变慢。
2. 监控钩子执行时间：在debug日志级别下，观察每个钩子脚本的执行耗时。特别是pre_compact.sh，在长上下文压缩时，它需要扫描大量文本，可能比较耗时。
3. 检查Ollama资源：如果启用了向量搜索，Ollama服务可能会占用大量CPU和内存。使用系统监控工具（如htop）查看ollama进程的资源使用情况。

优化建议：

• 定期清理：对于不再活跃的项目，使用mnemon store export备份后，删除旧的存储库，或使用mnemon gc清理低重要性记忆。
• 调整指南：修改guide.md，让智能体更“挑剔”地选择记忆内容，避免存储过多琐碎信息。例如，增加“只有影响未来决策的结论才值得记忆”这样的规则。
• 升级硬件或调整配置：如果使用Ollama，考虑为机器增加内存，或者为Ollama分配更少的线程（通过Ollama的启动参数）。
• 禁用向量搜索：如果对语义检索需求不强，可以暂时注释掉环境变量MNEMON_EMBED_MODEL，回退到纯图检索，性能会有显著提升。

6.4 与OpenClaw/NanoClaw集成失败

症状：在OpenClaw中调用Mnemon技能无响应，或在NanoClaw容器中找不到mnemon命令。

排查步骤：

1. OpenClaw：
   • 确认插件已安装：检查~/.openclaw/plugins/目录下是否有mnemon相关文件。
   • 检查OpenClaw网关配置：确认网关的配置文件中正确引用了Mnemon插件。
   • 查看OpenClaw网关日志：通常有详细的插件加载和错误信息。
2. NanoClaw：
   • 确认宿主机安装：在宿主机上运行which mnemon确认二进制文件存在且路径正确。
   • 检查Dockerfile挂载：使用/add-mnemon技能后，检查生成的Dockerfile，确认volumes部分正确挂载了宿主机上的~/.mnemon目录和mnemon二进制路径到容器内。
   • 检查容器内路径：进入容器 (docker exec -it <container_name> /bin/bash)，检查挂载的目录和文件是否存在，以及权限是否正确。

解决思路：这类集成问题多半是路径或配置错误。仔细对比Mnemon的安装路径、容器的挂载路径以及框架期望的插件路径。使用绝对路径而非相对路径通常是更安全的选择。

7. 开发与扩展：理解代码结构与未来方向

对于想要贡献代码或基于Mnemon进行二次开发的开发者，了解其代码结构和设计哲学至关重要。

7.1 项目结构与核心模块

Mnemon的Go代码结构清晰，遵循了标准项目布局：

• cmd/mnemon/：存放所有CLI命令的入口定义（基于Cobra框架），如remember.go,recall.go,store.go。
• internal/：核心业务逻辑，外部项目不应直接导入。
  • graph/：四图（时序、实体、因果、语义）的数据结构和算法实现。
  • storage/：存储抽象层。目前主要是sqlite/实现，未来可以轻松添加postgres/,neo4j/等适配器。
  • memory/：记忆生命周期管理（衰减、GC、去重）的核心逻辑。
  • embedding/：向量嵌入相关的客户端和接口，目前主要对接Ollama。
• pkg/：可以安全对外暴露的库，如协议定义、工具函数等。
• docs/：设计文档和图表。
• scripts/：构建和开发脚本。

核心流程追踪：以一次remember调用为例：

1. CLI层 (cmd/mnemon/remember.go) 解析参数。
2. 调用internal/memory/manager.go的Remember方法。
3. Manager 调用internal/storage接口存储原始内容。
4. 同时，启动异步任务，通过internal/graph模块分析内容，提取实体、因果关系，并创建相应的图节点和边。
5. 如果启用了嵌入，还会调用internal/embedding客户端生成向量并存储。
6. 最后，更新记忆的元数据（如重要性、访问时间）。

7.2 编译与测试

对于开发者，项目提供了完善的Makefile：

# 克隆代码 git clone https://github.com/mnemon-dev/mnemon.git cd mnemon # 安装依赖 (Go modules会自动处理) go mod download # 运行单元测试 make test # 构建二进制文件到当前目录 make build # 输出 ./bin/mnemon # 构建并安装到 $GOBIN (通常是 ~/go/bin) make install # 运行端到端集成测试（需要本地运行Claude Code测试环境） make test-e2e

开发建议：在修改核心逻辑（如图算法、存储层）后，务必运行make test。项目包含了对去重、衰减、混合检索等复杂逻辑的单元测试，能有效防止回归错误。

7.3 未来架构：记忆网关与协议抽象

Mnemon的愿景不仅是做一个工具，更是定义一套LLM与记忆系统交互的协议标准。当前版本将协议（remember/link/recall）和存储引擎（SQLite）耦合在一起，但这只是开始。

未来的方向是清晰的分层架构：

• 协议层：定义标准的、意图原生的记忆操作API（gRPC或HTTP）。任何智能体框架（Claude Code, OpenClaw, 自定义Agent）都可以通过这个协议与记忆系统对话。
• 适配器层：实现协议层到不同存储后端的转换。SQLite适配器是第一个，未来可以有PostgreSQL适配器（适合多实例共享）、Neo4j适配器（原生图数据库性能更优）、甚至云服务适配器。
• 存储层：具体的数据库。

这种解耦带来巨大灵活性：

• 智能体侧优化：不同框架可以基于同一协议，独立优化何时调用recall、如何构建remember的提示词。
• 存储侧优化：数据库专家可以专注于为图遍历、向量混合查询设计更高效的索引和算法，而不必关心上层的LLM交互逻辑。

如果你对实现新的存储适配器感兴趣，可以重点关注internal/storage/interface.go中定义的接口。实现这些接口，并在cmd/mnemon/serve.go中注册新的适配器，理论上就能让Mnemon支持任何一种数据库后端。

7.4 贡献指南

项目社区欢迎各种贡献：

• 报告Bug：在GitHub Issues中提供清晰的重现步骤、环境信息和日志。
• 功能建议：先查阅docs/DESIGN.md中的未来方向，然后在Issues中讨论你的想法。
• 提交代码：Fork仓库，在特性分支上开发，确保通过make test，然后提交Pull Request。代码风格遵循标准的Go规范，并使用有意义的提交信息。

一个对新手友好的贡献起点是丰富文档，尤其是翻译、添加更多集成示例（如与其他LLM CLI的集成）或编写教程。另一个方向是开发辅助工具，比如一个图形化的记忆库浏览器，或者一个分析记忆图谱的可视化工具。