首屏
一句话：Agent 的记忆中间件——把人类记忆的编码、巩固、检索、遗忘做成工程机制，让 Agent 压缩上下文后仍记得线索、且实战真的变强。
六个数：ScriptMem 92.6%（头对头 85 vs 56）｜ LongMemEval-S +13pp ｜ 真实编码耗时省 40–50% ｜ 续接 −51% ｜ AML 首测 文本47.36/代码56.33 ｜ 40 任务镜像 35%→90%
主视觉：图 1 详细架构图
S0 产品形态：一个没有界面、但每轮都在工作的中间件
musemem 挂在 Pi agent 上，没有 UI，却在每次对话里做四件事：
- 编码：每轮结束（turn_end）把情景证据以 append-only JSONL 写入（内容哈希当 ID，天然防重复），轮次+1、证据衰减。
- 巩固：借宿主的上下文压缩事件触发，每次压缩恰好 1 次廉价 LLM 调用，把证据蒸馏成 L1 语义事实卡；每张卡强制带 sourceRefs 指回原始证据，对不上就拒收——防 AI 自己编记忆。同类 todo 成功≥3/失败≥2 自动成 L2 程序性卡，零 LLM。
- 检索与注入：每轮开始前（before_agent_start）按相关性+强度排序、在字符预算内注入提示词；BM25 与语义嵌入 max-blend 混合（谁强听谁的，不做加权平均）。
- 遗忘与治理：衰减按轮次钟（隔几轮）而非挂钟；Dream 离线只做治理标签（同义合并、冷记忆归档休眠），归档≠删除；
memory get <id>随时取回全文——压缩的是呈现，不是存储。
双 scope：SESSION 情景证据（会话隔离、会衰减）+ PROJECT 笔记（跨会话、永不衰减）。首因目标被确定性钉死（强度 0.95、独立注入、永不压缩）。
S1 需求与洞察
HMW：如何让 Agent 在持续对话与上下文压缩后，仍记住信息线索并切实提高实战效果？
- 全量上下文：体积无界、成本爆炸。
- 摘要压缩：压掉细节、无法溯源、“摘要的摘要”层层流失。
- 简单向量记忆：只存不巩固、不会遗忘、无溯源，AI 编的记忆照单全收。
S2 市场与现状
| 现有方案 | 失效原因 |
|---|---|
| 全量上下文 / 长窗口 | 体积无界、成本与延迟随历史线性增长 |
| 摘要式压缩 | 细节丢失、不可溯源、级联压缩后信息层层流失 |
| 简单向量库记忆 | 只存不巩固、无遗忘机制、无溯源，幻觉记忆入库 |
| 业界记忆产品（如 MemoraX） | 同场头对头 ScriptMem 56%（我方 85%）；路线相近但检索与治理弱 |
S3 方案与规划：把认知科学转译成工程机制
| 认知科学依据 | 工程落点 |
|---|---|
| ACT-R 激活衰减 | 轮次钟衰减（事件密度驱动，非挂钟） |
| Bjork 双强度（RS/SS） | 检索打分同时用”想不想得起”与”存得深不深” |
| 系统巩固（Squire & Alvarez） | L0 证据→L1 事实→L2 程序（hippocampal→neocortical） |
| 互补学习系统（McClelland） | 快学习证据层 + 慢学习事实/程序层 |
| 编码特异性（Tulving & Thomson） | 时间元数据随记录索引，作检索线索 |
| 扩散激活 | 联想涌现（注入预算内占 25%，待单独消融） |
关键工程决定：
- max-blend 混合检索：平均会把”意思对但关键词没撞上”的记录稀释；取 max 让两条腿各自发挥。
- fail-closed：嵌入没了退纯关键词；LLM 失败静默降级纯确定性档；熔断 3 次自动停用——任何部件坏了就降级，绝不硬撑。
- 溯源拒收：L1 卡无 sourceRefs 或指不回证据即拒收。
- 有界注入：激活阈值管相关性 + 8k 字符硬预算管总量（对照”全量倾倒”体积无界）。
（详细架构见图 1；生命周期见图 2；检索见图 3。）
S4 开发与迭代：bench 驱动开发
- 每个基准暴露的真缺陷都修复并加回归测试（6+ 例）；所有 runner 断点续跑；声明噪音带：±2.5pp 以内的”提升”不承认。
- 五代实战 bench 演化（每代由上一代教训驱动）：
- v1 探索者：MEM 93% vs OFF 86%，差距太小——OFF 现场翻文件就能重建→文件可推导的知识测不出记忆价值。
- v2 对话独有知识（首胜）：纠正→行为笔记→跨会话注入闭环成立；rubric MEM 94% vs OFF 81%，耗时省 40–50%。
- v3 阴性结果：证明”强摘要器下显式约束不需要记忆也能活”——划定了价值边界（照实公布）。
- v4 假阳性：对照组全过=题太简单。
- v5 四道锁：级联压缩、约束藏进自然语气、同一参数改两次考终态、考多步骤程序性知识；对照组唯一挂的题恰是两次压缩后丢失的 DPI 规则——记忆价值的最小可复现证据。
- 无效机制归档不删档（invalid-mechanisms）：被证伪的机制留档，防止复活。
S5 测评与护城河：六层考场
从免费到贵、从可控到真实：① 确定性结构基准（0 LLM）② 语义基准 ③ 任务级 A/B ④ 外部公开基准（ScriptMem、LongMemEval-S）⑤ AML 编码榜镜像 ⑥ 五代真实 agent 实战 bench。（见图 4/5）
- ScriptMem：通过率 92.6%；头对头 MemoraX 85% vs 56%。
- LongMemEval-S：+13pp（p≈0.0002），226→247/500；协议严格镜像官方 pipeline（48 干扰会话/题，三臂 nomem/musemem/oracle）。
- 40 任务编程镜像：解决率 35%→90%、Bug 修复 55%→95%；检索 90%@8.2k 字符 vs 全量倾倒 70%@60k——给得准胜过给得多。
- 实战 bench：合规 94% vs 81%、耗时省 40–50%；续接耗时 −51%。
- AML 官方第一次正式测评：文本赛道 47.36（9602/9602 题，22h4m）+ 代码赛道 56.33（150/150 任务，14h54m）。（分项见图 6）
- 诚实边界：AML 镜像是自建考场，只作”同方法学方向性对照”，不声称超官方榜第一；MemoraX 在 LongMemEval 的 0% 是我方对接链路问题，不引用为对手能力证据。
S6 交付与展望
- 已交付：开源 musemem-ex；24+ 篇文献到代码的映射表；六层评测与 runner；AML 官方首测完成（Docker 镜像零 LLM 自含）。
- 下一步：单变量启用 M1 后的 run2 验证；联想浮现段单独消融（现占 25% 注入预算）；多会话题需更强答题基座解锁。