Neural Memory Enhanced_AI Agent skill-PHP中文网

Neural Memory Enhanced

Polar Sponsor

爱发电赞助

.NET 9.0

立即下载

关联记忆与扩散激活，提供持久、智能的回忆。主动使用时机：(1) 需要记忆事实、决定、错误或...

神经记忆——AI Agents的关联记忆.

功能概述

神经记忆——AI Agents的关联记忆.是一项面向实际任务的技能，主要用于A 生物启发记忆系统,使用扩散激活而不是关键词/病毒搜索.；Memory 组成神经图,神经元所在的神经元.。

核心要点

它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。
使用时应结合输入条件选择合适的执行方式，核对必要参数、依赖环境与输出内容，并按原始要求处理异常情况。
该技能适合需要稳定复用相关能力的场景，可作为自动化工作流的一部分，也便于后续检查、调整和扩展。

使用与执行

从功能定位来看，该技能强调把分散的操作要求整理成清晰、可复用的处理流程，使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数，再依据技能说明逐步执行；

结果检查与注意事项

若输入条件不完整，应先补齐信息或采用保守配置，避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期，并对异常提示、缺失字段和边界情况进行处理；涉及批量任务时，还应保存进度，避免中断后重复操作。

NeuralMemory — 面向 AI Agent 的联想记忆系统

一种受生物神经机制启发的记忆系统，采用扩散激活（spreading activation）机制，而非传统的关键词或向量搜索。记忆以神经图（neural graph）形式组织，其中神经元通过 20 种类型化的突触（synapse）相互连接。频繁共访问的记忆会增强其连接强度（赫布学习，Hebbian learning）；陈旧记忆则自然衰减；矛盾信息可被自动识别。

为何不直接使用向量搜索？ 向量搜索仅能返回与查询文本语义相近的文档；而 NeuralMemory 通过图遍历实现 概念层面相关 的记忆检索——即使查询与目标记忆之间不存在关键词或嵌入向量重叠，也能命中。例如，当提问“关于鉴权（auth）我们做了什么决策？”时，系统将同时激活时间、实体与概念三类神经元，并定位其交集。

安装与配置

1. 安装 NeuralMemory

pip install neural-memory
nmem init

该命令将在 ~/.neuralmemory/ 目录下创建默认 brain，并自动完成 MCP 配置。

2. 为 OpenClaw 配置 MCP

在 OpenClaw 的 MCP 配置文件中（~/.openclaw/mcp.json 或项目级 openclaw.json）添加如下内容：

{
  "mcpServers": {
    "neural-memory": {
      "command": "python3",
      "args": ["-m", "neural_memory.mcp"],
      "env": {
        "NEURALMEMORY_BRAIN": "default"
      }
    }
  }
}

3. 验证安装

nmem stats

应显示当前 brain 的统计信息（神经元数、突触数、纤维数等）。

工具参考

核心记忆工具

工具	用途	适用场景
`nmem_remember`	存储一条记忆	在做出决策、发生错误、确认事实、获得洞见或记录用户偏好后调用
`nmem_recall`	检索记忆	执行任务前、用户提及过往上下文时，或回应 “你记得……吗？” 类问题
`nmem_context`	获取近期记忆	会话启动时注入最新上下文
`nmem_todo`	带 30 天过期机制的快速待办事项	轻量级任务跟踪

智能增强工具

工具	用途	适用场景
`nmem_auto`	从文本中自动抽取记忆	重要对话结束后——自动捕获决策、错误、待办事项等关键信息
`nmem_recall`（depth=3）	深度联想式检索	需跨领域关联的复杂问题
`nmem_habits`	工作流模式建议	用户重复执行相似操作序列时触发

管理工具

工具	用途	适用场景
`nmem_health`	大脑健康诊断	定期检查、共享 brain 前执行
`nmem_stats`	大脑统计信息	快速概览记忆数量规模
`nmem_version`	brain 快照与回滚	执行高风险操作前、设置版本检查点
`nmem_transplant`	在不同 brain 间迁移记忆	跨项目知识复用

典型工作流

会话开始时

调用 nmem_context 将近期记忆注入当前上下文感知
若用户提及特定主题，调用 nmem_recall 并传入该主题作为查询

对话进行中

做出决策时：调用 nmem_remember，并指定 type="decision"
发生错误时：调用 nmem_remember，并指定 type="error"
用户声明偏好时：调用 nmem_remember，并指定 type="preference"
被问及过往事件时：调用 nmem_recall，并根据需要设置合适 depth

会话结束时

对关键对话片段调用 nmem_auto，参数 action="process"
该操作将自动提取其中的事实、决策、错误和待办事项

使用示例

记录一项决策

nmem_remember(
  content="生产环境使用 PostgreSQL，开发环境使用 SQLite",
  type="decision",
  tags=["database", "infrastructure"],
  priority=8
)

基于扩散激活的检索

nmem_recall(
  query="生产环境的数据库配置",
  depth=1,
  max_tokens=500
)

返回结果基于图遍历路径发现，而非关键词匹配。即使无共享关键词，相关记忆（如“部署使用 Docker，并通过 pg_dump 进行备份”）仍可被关联浮现。

追溯因果链

nmem_recall(
  query="上周部署失败的原因是什么？",
  depth=2
)

沿 CAUSED_BY 与 LEADS_TO 突触遍历，还原因果关系链条。

从对话中自动捕获信息

nmem_auto(
  action="process",
  text="我们决定从 REST 切换到 GraphQL，因为前端需要更灵活的查询能力。迁移预计耗时 2 个冲刺周期。TODO：更新 API 文档。"
)

自动提取：1 条决策、1 条事实、1 条待办事项。

核心特性

零 LLM 依赖 — 纯算法实现：正则表达式、图遍历、赫布学习
扩散激活机制 — 基于神经图的联想式检索，非关键词/向量搜索
20 类突触类型 — 时间型（BEFORE/AFTER）、因果型（CAUSED_BY/LEADS_TO）、语义型（IS_A/HAS_PROPERTY）、情感型（FELT/EVOKES）、冲突型（CONTRADICTS）等
记忆生命周期管理 — 支持短时记忆 → 工作记忆 → 情景记忆 → 语义记忆的演进，并集成艾宾浩斯遗忘曲线衰减模型
矛盾检测 — 自动识别冲突记忆，降低过时记忆优先级
赫布学习 — “一起激发的神经元连在一起”（Neurons that fire together wire together），记忆随使用频率提升质量
时间推理能力 — 支持因果链遍历、事件序列建模、时间范围查询
brain 版本控制 — 支持快照、回滚、brain 状态差异比对
brain 移植 — 在不同 brain 间筛选迁移知识子集
越南语 + 英语双语支持 — 全面支持双语内容的信息抽取与情感分析

检索深度等级

Depth	名称	响应速度	适用场景
0	即时	<10ms	快速事实查询、最新上下文注入
1	上下文	~50ms	标准检索（默认值）
2	习惯	~200ms	模式识别、工作流建议
3	深度	~500ms	跨领域联想、因果链分析

注意事项

所有记忆本地存储于 SQLite 数据库：~/.neuralmemory/brains/.db
默认不向任何外部服务发送数据（除非显式配置了可选的嵌入提供方）
brain 隔离：每个 brain 独立运行，无跨 brain 数据污染风险
nmem_remember 返回 fiber_id，可用于后续引用追踪
优先级范围：0（无关紧要）至 10（关键），默认值为 5
支持的记忆类型包括：fact、decision、preference、todo、insight、context、instruction、error、workflow、reference