@VinsonWildWangdefa.Memory
Wangdefa.Memory 是一个为企业级 Agent 设计的五层记忆体组件，采用「本地优先」的存储策略，达到轻量、可控、可解释。
- Stars
- 2
- Language
- C#
- Created
- Aug 10, 2026
- Updated
- Aug 19, 2026
Introduction
# Wangdefa.Memory
**本地优先的 Agent 五层记忆体组件**
[](LICENSE)
[](https://dotnet.microsoft.com/)
[](https://www.nuget.org/packages/Wangdefa.Memory/)
[](https://github.com/topics/dsh-plugin)
---
## 📖 项目简介
Wangdefa.Memory 是一个为企业级 Agent 设计的五层记忆体组件，采用「本地优先」的存储策略，达到轻量、可控、可解释。
Wangdefa.Memory 选择了无向量记忆体方向（不排除未来有弱向量辅助），将记忆分为**认知、特征推演、思考、阅历、传递**五层。
我们认为记忆来源于对事件特征的识别与记录，特征记忆是人类与机器之间能找到的记忆共性，而机器的优势在于能记住大量特征标签，所以这个项目希望以特征记忆能力为主要核心，让 Agent 趋向「像人一样记住事情」的能力。
> 记忆体负责存储、检索和演化长期记忆及自我沉淀，并实现自我清理迭代，通过长期累计配合，让你的 Agent 用得越久越理解你，逐渐成为你的本地“数字分身”。
> **状态：早期阶段（Early Stage）** - 核心功能已完成，后续逐步优化推演逻辑。欢迎试用和反馈。
---
## ✨ 核心特性
| 特性 | 说明 |
|------|------|
| **五层记忆架构** | 认知层 / 特征推演 / 思考层 / 阅历层 / 传递层 |
| **特征推演引擎** | 标签池 + 密码簿 + 特征统计 + 时间衰减，让记忆通过认知驱动 |
| **两阶段写入** | 先写框架（pending），后补全（completed），支持状态标记 |
| **自我迭代** | 权重衰减 + 定期清理 + 标签演化，高频记忆自然沉淀，低频记忆自动遗忘 |
| **偏好闭环** | 用户反馈自动转化为偏好，持续学习 |
| **意图驱动检索** | 根据意图决定记忆注入深度（shallow / medium / deep） |
| **标签演化** | 合并 / 分裂 / 弃用，标签自动优化 |
| **本地优先** | 所有数据存储在本地 SQLite + JSON |
| **轻量依赖** | 仅依赖 SQLite + System.Text.Json |
| **MCP 适配** | 支持通过 MCP 协议接入 DSH，提供 ProcessMessage / SaveMemory 工具 |
| **A线近期记忆参考** | 意图分析时自动注入最近10张认知卡摘要和标签，提升标签提取准确性 |
---
## 📦 NuGet 安装
```bash
dotnet add package Wangdefa.Memory
🔌 DSH 插件使用
如果你使用的是 DeepSeek Harness（DSH），可以直接将 Wangdefa.Memory 作为 MCP 插件接入。
安装
方式一：从 GitHub 安装（推荐）
dsh plugin add github:你的用户名/WangdefaMemory
方式二：本地安装
git clone https://github.com/你的用户名/WangdefaMemory.git
cd WangdefaMemory
dotnet build -c Release
dsh plugin add ./WangdefaMemory.MCP
配置
在 DSH 的 cordis.patch.yml 中配置 API Key：
- insert:
- id: mcp-wangdefaMemory
name: '@deepseek-ai/dsh-mcp-client'
config:
serverName: WangdefaMemory
transport: stdio
command: "dotnet"
args:
- "exec"
- "<你的路径>/WangdefaMemory.MCP/bin/Release/net10.0/WangdefaMemory.MCP.dll"
cwd: "<你的路径>/WangdefaMemory.MCP"
env:
DEEPSEEK_API_KEY: '${DEEPSEEK_API_KEY}'
使用
在 DSH 对话中调用 MCP 工具：
1. 处理用户消息（写框架）
mcp__WangdefaMemory__process_message 帮我记录一下：我喜欢用简洁的代码风格
返回示例：
{
"enrichedInput": "...",
"intent": "闲聊",
"hasMemory": false,
"frameId": "认知_20260819_143022"
}
2. 补全记忆（填内容）
拿到 frameId 后，调用 save_memory 补全：
mcp__WangdefaMemory__save_memory 好的，已记录你的偏好 认知_20260819_143022 completed
返回示例：
{
"success": true,
"message": "记忆已补全并保存，cardId: 认知_20260819_143022，状态: completed"
}
3. 查询记忆
下次对话时，记忆体会自动检索相关记忆：
mcp__WangdefaMemory__process_message 写代码时要注意什么
如果命中，返回的 hasMemory 为 true，memory 字段包含摘要和标签。
状态说明
| 状态 | 含义 |
|---|---|
pending | 框架已建，内容待补全 |
completed | 已补全，可被检索 |
interrupted | 补全中断 |
failed | 补全失败 |
🚀 快速开始（.NET 开发者）
1. 初始化记忆体
using Wangdefa.AgentMemory;
using Wangdefa.AgentMemory.Models;
using Wangdefa.Contracts;
// 如果不需要内置 A线，可传入 null 或 Mock 实现
var chatService = new MyChatService();
var basePath = Path.Combine(Directory.GetCurrentDirectory(), "memory");
ServiceRegistry.Initialize(chatService, basePath);
var memory = ServiceRegistry.GetWangdefaMemory();
2. 写入记忆（两阶段）
// 阶段一：写框架（自动提取标签）
var frameId = await memory.WriteMemoryFrame(
topicId: "demo",
userInput: "我喜欢用简洁的风格写代码",
perception: new PerceptionModel { Scene = "工作" },
tags: new List<string> { "代码风格", "简洁" }, // 可传空，由 A线 自动提取
route: "shallow"
);
// 阶段二：补全
await memory.CompleteMemory(
cardId: frameId,
agentResponse: "好的，已记录你的偏好",
status: "completed"
);
3. 查询记忆
// 不传 semanticTags 时，记忆体自动调用 A线 提取标签
var result = await memory.CognitiveMatch(
input: "写代码时要注意什么",
semanticTags: null // 自动提取
);
if (result != null)
{
Console.WriteLine($"匹配到记忆: {result.Summary}");
}
⚙️ 核心机制：特征推演引擎
记忆体的核心是 特征推演引擎（FeatureEngine），负责记忆的匹配和排序。
特征推演三件套
| 组件 | 存什么 | 回答什么问题 |
|---|---|---|
| 标签池（TagDictionary） | 所有标签 + 定义 + 近义词 | "这个标签存在吗？它的 code 是什么？" |
| 密码簿（PasswordBook） | code → 卡片ID 列表 | "这个标签关联了哪些卡片？" |
| 特征统计（FeatureStats） | 每张卡片 → 它有哪些标签 | "这张卡片有哪些标签？" |
推演流程： 用户输入 → 提取标签 → 查标签池拿到 code → 查密码簿拿到卡片ID → 通过特征池确认卡片有哪些标签 → 多轮拓展推演关联 → 计算匹配强度
匹配流程
- 精准匹配：用
tag + dimension查标签池，直接命中code - 近义匹配：用
synonyms扩展匹配范围（作为兜底） - 密码簿查询：用
code查密码簿，拿到卡片ID列表 - 特征池匹配：用卡片ID查特征池，确认卡片实际包含哪些标签，计算匹配强度
- 时间衰减：匹配强度 ×
exp(-0.05 × 天数)，新记忆优先 - 状态过滤：只返回
completed状态的卡片，过滤pending空卡 - 排序返回：按最终权重降序返回 TopN
🏗️ 架构图
┌─────────────────────────────────────────────────────────────────────────────────────┐
│ 记忆体架构 │
├─────────────────────────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────────────────────────────────────────────────────────────────┐ │
│ │ 对外接口（IWangdefaMemory） │ │
│ │ │ │
│ │ SinkAsync() CognitiveMatch() AddTagWithSynonyms() │ │
│ │ WriteMemoryFrame() CompleteMemory() │ │
│ └─────────────────────────────────────────────────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────────────────────────┐ │
│ │ 核心：特征推演引擎（FeatureEngine） │ │
│ │ │ │
│ │ ┌───────────────┐ ┌───────────────┐ ┌───────────────┐ │ │
│ │ │ 标签池 │ │ 密码簿 │ │ 特征统计 │ │ │
│ │ │ TagDictionary │ │ PasswordBook │ │ FeatureStats │ │ │
│ │ │ │ │ │ │ │ │ │
│ │ │ tag → code │ │ code → 卡片ID │ │ 命中次数 │ │ │
│ │ │ synonyms │ │ │ │ 最后命中时间 │ │ │
│ │ │ definition │ │ │ │ │ │ │
│ │ └───────────────┘ └───────────────┘ └───────────────┘ │ │
│ │ │ │
│ │ 匹配流程： │ │
│ │ 标签输入 → 精准匹配 → 近义匹配 → 时间衰减排序 → 状态过滤 → 返回卡片ID │ │
│ │ │ │
│ └─────────────────────────────────────────────────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────────────────────────┐ │
│ │ 认知层（CognitiveReader） │ │
│ │ │ │
│ │ 特征推演返回的卡片ID → 加载认知卡片 → 返回 CognitiveMatchResult │ │
│ │ │ │
│ └─────────────────────────────────────────────────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────────────────────────┐ │
│ │ 存储层（L2 + L3） │ │
│ │ │ │
│ │ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │ │
│ │ │ 思考层 │ │ 阅历层 │ │ 知识层 │ │ │
│ │ │ ThinkingStore │ │ EventStore │ │ KnowledgeStore │ │ │
│ │ │ │ │ MemorySink │ │ │ │ │
│ │ │ 分流索引 │ │ 事件存储 │ │ 概览+摘要 │ │ │
│ │ └─────────────────┘ └─────────────────┘ └─────────────────┘ │ │
│ └─────────────────────────────────────────────────────────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────────────────────────┘
🧩 各层职责
| 层级 | 名称 | 核心组件 | 职责 |
|---|---|---|---|
| L1 | 认知层 | CognitiveReader | 负责语义提取后快速读取认知卡片，通过特征推演检索记忆 |
| L2 | 思考层 | ThinkingStore | 负责考虑内容深度和学习存储，进行分流索引，并记录「去哪找」 |
| L3 | 阅历层 | EventStore、KnowledgeStore、MemorySinkService | 存储每一次交互的事件、知识的完整内容、概览和概要，并进行认知卡片的写入 |
| L4 | 特征推演 | FeatureEngine（标签池 + 密码簿 + 特征统计） | 标签匹配、近义扩展、时间衰减排序 |
| L5 | 传递层 | 内置于 Middleware | 根据 route 决定记忆注入深度（shallow / medium / deep） |
📂 存储目录结构
memory/
├── chat_history.db ← 聊天历史
├── wangdefa_memory.db ← SQLite 备份
├── feature_pool.db ← 标签池 + 密码簿 + 特征统计
├── cognitive/
│ └── records/
│ └── 认知_xxx.json ← L1 认知层（含 Status 状态标记）
├── experience/
│ ├── events/
│ │ └── 2026-08-10/
│ │ └── 事件_xxx.json ← L3 阅历层（事件）
│ └── knowledge/
│ └── {topicId}/
│ ├── 概览_xxx.json ← L3 阅历层（知识）
│ └── 摘要_xxx.json ← L3 阅历层（知识）
└── thinking/
└── chat/
└── {topicId}/
└── 记录_xxx.json ← L2 思考层（分流索引）
🔁 数据流
写入流程（两阶段）
阶段一：写框架（WriteMemoryFrame）
用户输入 → A线 提取标签 → 中间件 → 写框架（Status = pending）
├── 创建认知卡片（标签 + 感知信息）
├── 写入密码簿（code → 卡片ID）
└── 返回 frameId
阶段二：补全（CompleteMemory）
Agent 生成回复 → 调用 SaveMemory(frameId, agentResponse)
├── 填充 Summary
├── 更新 Status → completed / interrupted / failed
├── 更新特征统计（提高检索权重）
└── 记忆可被检索
查询流程
用户输入 → A线 提取标签（参考最近 10 张认知卡）→ 中间件
├── 特征推演检索（标签匹配 + 时间衰减）
├── 状态过滤（只返回 completed 卡片）
└── 返回 CognitiveMatchResult
📝 接口说明
IWangdefaMemory
| 方法 | 说明 |
|---|---|
CognitiveMatch() | 根据语义标签匹配记忆（semanticTags 可空，空则自动提取） |
CognitiveMatchByCodes() | 根据标签 code 匹配记忆 |
CognitiveMatchTopN() | 匹配多条记忆，返回 TopN |
WriteMemoryFrame() | 写框架（状态 pending），返回 frameId |
CompleteMemory() | 补全卡片，更新状态和内容 |
SinkAsync() | 一次性写入（兼容旧模式） |
AddTag() | 添加标签 |
AddTagWithSynonyms() | 添加标签（含近义词） |
GetTagCode() | 获取标签 code |
GetTagEntryByCode() | 获取标签条目 |
ExecuteEvolutionAsync() | 执行标签演化（合并 / 分裂 / 弃用） |
CleanMemoryAsync() | 清理低权重记忆 |
GetOverview() | 获取概览 |
GetFullText() | 获取原文 |
DeepSearch() | 深度检索 |
📄 更新说明
v1.1.0 (2026-08-19)
- 完成 MCP 适配，支持通过 MCP 协议接入 DSH
- 新增
ProcessMessage、SaveMemory两个 MCP 工具 - C线 写入拆分为“先写框架，后补全”，支持状态标记
- A线 增加三层兜底（完整意图 → 简化分词 → 规则分词）
- 标签匹配增加 definition 子串匹配
- 支持从
.credentials.yaml读取 API Key - 修复 MCP Server 握手问题
- 修复 A线
{userInput}占位符缺失问题 - 简化解析器逻辑，只取
structured_tags[].tag - C线 补全后更新特征统计，提高
completed卡片检索权重 - 检索只返回
completed状态卡片，过滤pending空卡 - A线 增加近期记忆参考：调用时自动注入最近10张认知卡摘要和标签
IntentAnalyzer支持从指定目录读取认知卡- 优化标签提取的上下文准确性
🤝 贡献
欢迎贡献！请阅读 CONTRIBUTING.md 了解详情。
- Fork 本仓库
- 创建你的分支 (
git checkout -b feature/amazing-feature) - 提交你的修改 (
git commit -m 'Add some amazing feature') - 推送到分支 (
git push origin feature/amazing-feature) - 提交 Pull Request
要求
- 所有测试必须通过 (
dotnet test) - 新功能需要包含测试
- 保持代码风格与现有代码一致
📄 License
Apache License 2.0 © 2026 Wangdefa Memory Contributors
See LICENSE for details.
---