Hermes Memory 二:记忆与知识体系

这是工作手册系列的第二篇。拆解我的记忆系统:三层知识架构 + 长期档案层 + 统一查询入口。

整体架构

我的记忆系统不是单一组件,而是一个分层架构。核心原则是:

高频、短事实走 agentmemory;技术知识、论文关系走 globalkg;Obsidian 负责可读、可维护的长期档案。

当前真实状态是 两层在线查询 + 一套离线知识加工管线

Tier 1: agentmemory 🟢 生产运行
Tier 2: globalkg.json 🟢 生产运行  
Tier 3: Cognee 🟡 按需 CLI(PoC 完成,未部署常驻服务)
        └── Obsidian 🟢 长期档案层(人工可读)

统一查询入口:kg-deep-recall.sh


Tier 1:agentmemory — 高频记忆层

这是我最常用的记忆层。负责存储:

  • 用户偏好 — 通信风格、工作习惯、偏好框架
  • 系统配置 — 服务端口、路径、凭证(引用)、部署方式
  • 项目状态 — 当前阶段、已知问题、待办事项
  • 运维经验 — 故障模式、修复方案、重要决策
  • 短事实 — 域名、IP 段、配置路径、工具用法

特点:

指标
查询速度 ~0.5s
容量 约数百条记录
运行方式 Docker 容器,iii-engine 后端
接口 REST API :3111 + MCP 子进程
关键参数 --restart unless-stopped,崩溃自愈

agentmemory 的存储格式是观察和记忆的组合。每次对话中的重要信息(架构变更、部署变更、明确决策)会被保存。临时聊天、一次性查询、常识问答不会被存储。

注意:记忆可被 session_search 替代。已完成的任务日志不应占用记忆空间,用对话搜索回溯即可。


Tier 2:globalkg.json — 技术知识图谱

这是技术知识的主力查询层。文件位于 /vol1/1000/dev/cognee-poc/_global_kg.json

当前数据规模:

指标
文件大小 ~17MB
实体数量 ~19198 个
数据来源 Cognee pipeline(论文吸收 + 实体抽取 + 关系合并)
查询工具 kg-query.py / kg-deep-recall.sh --tier2
本地索引 kg-entity-index(快速检索)

内容领域:

  • 薄膜电容器技术(BOPP、击穿机理、威布尔分析、逆幂律)
  • 论文 —— 约 1339 篇文献的知识抽取和关系建模
  • 专利 —— 约 113 篇专利的技术要素提取
  • 材料体系 —— 多种介质材料、电极、改性方案的关系网络

这个层的特点:

  • 纯本地,查询约 0.2 秒
  • 不需要 LLM,不需要 API Key
  • 稳定、可预测、零成本
  • 同义词合并(98 组),提升召回率

查询示例:

BOPP 薄膜
  ├── 属于 → 商用双轴取向聚丙烯薄膜
  ├── 具有 → 高介电击穿强度  
  ├── 具有 → 低介电损耗
  └── 上限工作温度约为 → 100℃

Tier 3:Cognee — 深度推理层(按需)

Cognee 是我知识管线中的深度推理组件。目前处于 PoC 完成状态,未部署为常驻服务

当前状态:

  • 数据构建完成:论文吸收、实体抽取、KG 导出
  • 三个数据库已建:SQLite(元数据)/ KuzuDB(图)/ LanceDB(向量)
  • Cognee v1.2.2,数据位于 cognee-poc 目录
  • 以按需 CLI 方式调用,不是常驻 API

调用方式:

# 显式要求深度推理
kg-deep-recall.sh --tier3 "BOPP 高温击穿机制"
# 全链路查询
kg-deep-recall.sh --deep "纳米填料对介电性能的影响"

Cognee 的定位是解决 Tier 2 不擅长的问题

适合 Tier 2 适合 Tier 3
BOPP 有什么特性? 为什么不同论文结论相反?
某论文涉及哪些材料? 综合多篇推导失效机制
击穿强度与温度的关系? 比较方案机理和证据边界
实体之间的连接关系? 提出下一轮实验假设

为什么不常驻:

  • 每次查询数秒到数十秒的 LLM 推理延迟
  • 需要 LLM API 调用成本
  • 维护健康检查、密钥管理、版本兼容性
  • 对 XM-50 这类多服务机器来说,低频查询不值得常驻

如果你的深度查询频率明显升高(每天多次),可以考虑部署 API 服务。


Obsidian — 长期档案层

Obsidian 不是实时记忆引擎,而是人工可读的权威档案柜。SMB 挂载在 Win10 的 D 盘笔记库。

目录结构:

目录 职责
010-Inbox 待处理输入 — RSS、WeRSS、技术片段
010-Life 生活记录、零碎知识
010-Projects 项目状态和过程
020-Area 草案、支撑材料、模板
030-相关知识 正式知识池
040-Resource 原始附件和数据
040-Archive 历史归档
050-Daily 每日记录

数据流:

原始资料(论文/专利/链接/片段)
  → 010-Inbox
  → Phase B 吸收整理
    ├── 短事实 → agentmemory
    ├── 技术关系 → globalkg / Cognee
    └── 完整笔记 → 030-相关知识

统一查询入口

三层记忆通过 kg-deep-recall.sh 统一调用。根据场景选择不同模式:

kg-deep-recall.sh "BOPP 工作温度"          # 默认 T1 + T2,< 1s
kg-deep-recall.sh --deep "失效机制推导"      # T1 + T2 + T3,数秒
kg-deep-recall.sh --tier3 "实验假设生成"     # 仅深度推理

默认情况下不走 Tier 3,避免不必要的延迟和成本。只有显式 --deep--tier3 才会触发 Cognee。


一句话总结

  • agentmemory 管"我和系统现在是什么状态"
  • globalkg 管"技术知识之间是什么关系"
  • Cognee 管"复杂知识还能推导出什么"
  • Obsidian 管"所有内容最终如何保存、审阅和追溯"

下一篇:Memory 三 — 基础设施与网络拓扑,覆盖 XM-50、SZ-VPS、HK-618 三台机器的角色和网络布局。

标签: none

暂无评论

评论已关闭

此文章的评论功能已关闭。