Decision → Action → Outcome → Lesson
    │         │        │         │
   Store    Track    Record    Learn

🧠 一郎心智

一郎的心智——将所有记忆层统一为一个智能系统。

一郎心智 是面向AI代理的终极统一记忆系统，将5种经过验证的记忆方法融合为一个连贯的架构。以其创造者对持久、智能记忆的愿景命名。

🏗️ 架构概览

┌─────────────────────────────────────────────────────────────────┐
│ 🧠 一郎心智 │
│ 永不遗忘的心智 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ⚡ 热层（工作内存） 🔥 温层（神经网络） │
│ ┌─────────────────────┐ ┌─────────────────────┐ │
│ │ SESSION-STATE.md │◄────────►│ 联想记忆 │ │
│ │ • 实时状态 │ 同步 │ • 扩散召回 │ │
│ │ • WAL协议 │ │ • 因果链 │ │
│ │ • 压缩后存活 │ │ • 矛盾检测 │ │
│ └─────────────────────┘ └─────────────────────┘ │
│ │ │ │
│ ▼ ▼ │
│ 💾 冷层（向量） 📚 归档层（长期） │
│ ┌─────────────────────┐ ┌─────────────────────┐ │
│ │ LanceDB存储 │ │ MEMORY.md + 每日日志 │ │
│ │ • 语义搜索 │ │ • Git-Notes图谱 │ │
│ │ • 自动提取 │ │ • 云备份 │ │
│ │ • 重要性评分 │ │ • 人类可读 │ │
│ └─────────────────────┘ └─────────────────────┘ │
│ │
│ 🧹 卫生引擎 🎓 学习引擎 │
│ • 自动清理 • 决策追踪 │
│ • 去重 • 错误学习 │
│ • Token优化 • 实体演化 │
└─────────────────────────────────────────────────────────────────┘

✨ 核心功能

1. 智能记忆路由

根据查询类型自动选择最佳检索方法：

查询类型	方法	速度
近期上下文	热层（SESSION-STATE）	<10ms
事实与偏好

冷层（向量搜索） | ~50ms | | 因果关系 | 温层（神经图谱） | ~100ms | | 长期决策 | 归档层（Git-Notes） | ~200ms |

2. 自动记忆生命周期

捕获 → 提取 → 处理 → 存储 → 召回 → 清理
│ │ │ │ │ │
输入 Mem0/自动 重要性 4层 智能 定期
捕获 提取 评分 存储 路由 卫生

3. 带扩散激活的神经图谱

• - 非关键词搜索 — 通过图谱遍历找到概念相关的记忆
• 20种突触类型 — 时间、因果、语义、情感连接
• 赫布学习 — 记忆随使用而强化
• 矛盾检测 — 自动检测冲突信息

4. 经验学习

决策 → 行动 → 结果 → 教训
│ │ │ │
存储 追踪 记录 学习

• - 追踪决策及其结果
• 从错误中学习
• 基于过往模式提出建议

5. 智能卫生

• - 自动清理垃圾记忆
• 去重相似条目
• 优化Token使用
• 月度维护模式

🚀 快速开始

安装

bash clawhub install ichiro-mind

设置

bash

初始化一郎心智

ichiro-mind init

配置MCP

ichiro-mind setup-mcp

基本用法

python from ichiro_mind import IchiroMind

初始化

mind = IchiroMind()

存储记忆（自动路由到相应层）

mind.remember( content=用户偏好深色模式, category=偏好, importance=0.9 )

通过智能路由召回

result = mind.recall(用户偏好什么模式？)

从经验中学习

mind.learn( decision=开发时使用SQLite, outcome=大数据时变慢, lesson=数据集>1GB时使用PostgreSQL )

📝 记忆层详解

热层 — SESSION-STATE.md

使用预写日志协议的实时工作内存。

markdown

SESSION-STATE.md — 一郎心智热层

当前任务

构建统一记忆系统

活跃上下文

• - 用户：兵步一郎
• 项目：一郎心智
• 技术栈：Python + LanceDB + 神经图谱

关键决策

• - [x] 使用4层架构
• [ ] 实现MCP接口

待办事项

• - [ ] 编写SKILL.md
• [ ] 创建Python核心

WAL协议：在响应之前写入，而非之后。

温层 — 神经图谱

带扩散激活的联想记忆。

python

带关系存储

mind.remember(
content=生产环境使用PostgreSQL,
type=决策,
tags=[数据库, 基础设施],
relations=[
{type: 由...引起, target: 性能问题},
{type: 导致, target: 更好的可扩展性}
]
)

深度召回

memories = mind.recall_deep( query=数据库决策, depth=2 # 跟随因果链 )

冷层 — 向量存储

使用LanceDB进行语义搜索。

python

从对话中自动捕获

mind.auto_capture(text=用户喜欢极简UI)

语义搜索

results = mind.search(用户界面偏好)

归档层 — 持久存储

人类可读的长期记忆。

workspace/
├── MEMORY.md # 精选长期记忆
└── memory/
├── 2026-03-07.md # 每日日志
├── decisions/ # 结构化决策
├── entities/ # 人物、项目、概念
└── lessons/ # 学到的经验

🛠️ 高级功能

记忆卫生

bash

审计记忆

ichiro-mind audit

清理垃圾

ichiro-mind cleanup --dry-run ichiro-mind cleanup --confirm

优化Token

ichiro-mind optimize

经验回放

python

在做出类似决策前

similar = mind.get_lessons(context=数据库选择)

返回过往决策和结果

实体追踪

python

追踪演化的实体

mind.track_entity( name=兵步一郎, type=人物, attributes={ 角色: 创造者, 兴趣: [AI, 自动化], 偏好: {UI: 极简, 文档: 双语} } )

更新实体

mind.update_entity(兵步一郎, {最后联系: 2026-03-07})

🔌 MCP集成

添加到 ~/.openclaw/mcp.json：

json
{
mcpServers: {
ichiro-mind: {
command: python3,
args: [-m, ichiro_mind.mcp],
env: {
ICHIROMINDBRAIN: default
}
}
}
}

📊 性能

操作	延迟	吞吐量
热层召回	<10ms	10K ops/s
温层召回

~100ms | 1K ops/s | | 冷层搜索 | ~50ms | 500 ops/s | | 归档层读取 | ~200ms | 100 ops/s | | 存储记忆 | ~20ms | 5K ops/s |

🎯 使用场景

1. 1. 长期运行项目 — 跨会话永不丢失上下文
2. 复杂决策 — 追踪决策树和结果
3. 用户关系 — 记住偏好、历史、怪癖
4. 错误预防 — 从错误中学习，建议替代方案
5. 知识积累 — 随时间构建领域专长

🧠 理念

记忆不是存储——它是智能。

一郎心智将记忆视为一等公民：

• - 记忆之间有关系
• 记忆随时间演化
• 记忆争夺注意力
• 记忆不使用时衰退