AI 会话记忆持久化方案

基于文件系统的AI Agent记忆持久化方案，通过结构化工作区实现会话连续性，解决上下文重置导致的记忆丢失问题。

基本信息

• 技能名称?dory-memory
• 中文名称?AI 会话记忆持久化方案
• 作者?justinhartbiz
• 分类?其他
• 版本?未标注
• 标签?productivity, automation, development-engineering, project-program-management, docs

使用方法

使用说明
核心用法
Dory-Memory 是一套面向 AI Agent 的文件级记忆系统，核心解决「会话间记忆丢失」问题。其设计哲学是「Text > Brain」——所有信息必须落盘，Agent 只读取文件而非依赖内部状态。
使用时需建立标准化工作区结构，包含三层：根目录存放身份与规则文件（SOUL.md、AGENTS.md、USER.md 等），state/ 目录管理实时状态（ACTIVE.md 记录当前任务、HOLD.md 记录阻塞项、DECISIONS.md 记录决策），memory/ 目录归档历史记录。每次会话启动时按固定顺序读取这些文件，重建上下文。
关键操作遵循「Dory-Proof 模式」：收到用户指令后， 立即 将原话写入 ACTIVE.md，再解读执行。这种「先存档、后处理」的机制避免了转述偏差，确保意图在上下文刷新后仍可追溯。
显著优点

1. 零依赖轻量架构 ：纯 Markdown 文件驱动，无需数据库或外部服务，任何支持文件读写的 Agent 环境均可部署。
2. 意图保真机制 ：强制记录用户原话的设计，消除了「传话游戏」中的信息衰减，特别适合长周期、多轮次的复杂任务。
3. 结构化可追溯 ：HOLD/DECISIONS/ACTIVE 的状态分离，让阻塞原因、决策依据、当前优先级一目了然，降低多任务管理的认知负荷。
4. 记忆质量评分 ：四维评分体系（持久性、复用度、影响力、独特性）帮助筛选真正值得长期保留的信息，防止记忆膨胀。
   潜在缺点与局限性
   无并发控制 ：多 Agent 同时写入同一工作区可能产生冲突，文档仅提供优先级规则，未实现文件锁机制。
   明文存储风险 ：所有记忆以纯文本形式存放，敏感信息（API 密钥、隐私数据）若误入 MEMORY.md 存在泄露风险。
   规模瓶颈 ：建议 MEMORY.md 控制在 10KB 以内，长期高频使用需配合归档策略，否则启动读取性能会下降。
   人工维护成本 ：记忆评分、定期归档、HOLD 项清理等操作依赖用户主动执行，缺乏自动化清理机制。
   适合的目标群体
   开发 AI Agent 的工程师与研究员，需调试长周期任务
   使用 Claude、GPT 等对话模型进行复杂项目管理的知识工作者
   需要「可审计、可复盘」决策过程的团队（如产品、咨询、研究场景）
   追求极简架构、不愿引入数据库或外部记忆服务的个人用户
   使用风险
   性能风险 ：启动时需顺序读取 5+ 个文件，工作区庞大时可能延迟首次响应
   数据完整性 ：异常中断可能导致 ACTIVE.md 状态与实际执行脱节
   误操作风险 ：模板中的 bash 示例（cp/mkdir）若被盲目复制，可能覆盖现有配置
   隐私合规 ：明文日志可能不符合 GDPR、HIPAA 等数据保护法规的存储要求