Agent 记忆架构指南：为什么你需要 Wiki 和 录音
文章探讨了 AI Agent 开发中的记忆瓶颈，指出单纯扩大上下文窗口并不足以解决遗忘问题。作者提出了 GBrain 和 Lossless 两个核心模式：GBrain 像公司 Wiki，用于跨会话查询事实和决策；Lossless 像会议录音，允许在长对话中无损检索原始细节。文章详细解释了二者的区别、应用场景以及如何在 OpenClaw 和 Hermes 运行时中集成。
相关文档
Your Agent Needs a Wiki and a Recording
文章指出仅依靠扩大上下文窗口无法解决 Agent 的遗忘问题，并提出了 GBrain 和 Lossless 两个解决方案。GBrain 是基于 Wiki 的知识检索层，解决跨对话的长期记忆（如项目背景、决策历史）；Lossless 则像会议录音，通过保留原始消息记录，解决长对话中的细节检索与回溯问题。二者结合能让 Agent 拥有类似查阅文档和回溯记录的能力，从而更智能地处理复杂任务。
The Instinct Thesis: Why Memory Is Becoming the Moat
作者提出假设：Instinct 产品的魔力不在于其 agentic 引擎，而在于其记忆架构。基础模型已经商品化，自主执行（如 Devin、Claude Code）也在快速商品化，而效用驱动的记忆正成为真正的护城河。作者认为 Instinct 携带类似笔记本的原则性记忆架构，通过'准入效用'和'行动效用'两个效用函数有选择地遗忘和压缩信息，将经验编译为多层状态模型：临时摄取层、选择性语义账本和演化的信念与偏好地图。记忆不是数据库或录音机，而是一种编译器，其意义在于支持未来的智能决策，而非高保真地传递过去。
AI代理内存痛点终于被解决？GBrain + Hermes/OpenClaw真实反馈
作者分享了AI代理工具Hermes和OpenClaw在长期记忆方面的痛点，并介绍了YC总裁Garry Tan开源的GBrain。GBrain作为一个“外挂大脑”，基于Postgres和向量技术，解决了AI代理容易遗忘的问题，实现了跨会话的长期记忆和知识库管理，被视为2026年个人AI生产力的重要突破。
15个 Hermes Agent 核心概念详解
本文以通俗易懂的方式讲解 Hermes Agent 的 15 个核心概念，包括：harness 与模型的分层架构、按任务路由不同模型、通过终端、桌面应用、Telegram 和语音等多种界面与同一代理交互、SOUL.md 等配置文件如何定义代理行为、上下文窗口的压缩与交接机制、代理循环、工具与 MCP 服务器和插件、记忆与技能的区别，以及钩子的自动触发机制等，帮助读者理解 Hermes 各组件如何协同工作。
Hermes 登顶背后：一个 Web3 团队的进阶之路
本文深度剖析了 Hermes Agent 在 OpenRouter 上登顶的现象，指出其成功并非源于技术代差，而是精准闭合了“挑战者增长系统”：承接 OpenClaw 教育成熟的用户池，建立“可委托性”体验差异。文章对比了 Hermes 与 OpenClaw 在 Crypto 问题上的不同取向，阐述了 Hermes 作为任务总控层与 Claude Code 等专业 Agent 的分层协作关系，并分析了其商业模式与用户价值公式，揭示了 Web3 背景在组织层面提供的独特优势。
Agent 的数据面概念扫盲-建立技术侧认知体系
本文深入解析了 Agent 数据面的核心概念，将其比作操作系统的内存管理单元。文章详细阐述了 Context Engineering 的演变、Session/Thread/Profile 的架构差异，以及 Session Memory 与 Long-term Memory 的区别。作者还重点介绍了 Hermes 中的 Memory 设计方案、SQLite FTS5 与 BM25 算法原理，以及向量检索与关键词检索在 RAG 中的混合应用，旨在为开发者建立一套完整的 Agent 数据面技术认知体系。
AI 神经系统诊断：Agent 运行时的六种病症
文章提出了一个新的视角来理解和调试 AI Agent：将其错误类比为人类神经系统疾病。作者指出，所谓的“AI 幻觉”在医学上更接近于“虚构症”。文章详细列举了 Agent 运行时中的六种病症，包括“遗忘症”、“幻肢状态”等，并针对每种症状提供了具体的诊断工具（如 gbrain, Mem0）和解决方案，强调通过检查“器官”（记忆、环境、工具链）来优化 Agent 性能。
最重要的 AI 创业方向不是 Agent，而是 AI 记忆
本文深入探讨了当前 AI 行业被忽视的“痛点”：AI 缺乏长期记忆。作者认为，比单纯追求更聪明的大模型或自主 Agent 更重要的是构建“持久认知层”。文章以 GBrain 为例，阐述了它如何超越传统的检索生成（RAG），通过自建知识图谱和“梦境周期”维护，实现对信息的真正理解与关系连接。这种能积累上下文、提供确定性智能的“记忆基础设施”，将成为未来 AI 的真正护城河。
Agent Memory Framework: Remember, Cite, Forget
本文提出了一个智能体记忆系统的可靠框架，该框架需同时完成三个核心任务：记住该记的、引用可信的、遗忘过期的。文章详细介绍了记忆的六个层级（如会话状态、项目记忆、索引检索等），阐述了如何通过权威排序解决冲突，并强调了通过硬过期、双时序或软衰减等机制让旧记忆失效的重要性。
你不知道的 Agent：原理、架构与工程实践
本文深入剖析了 Agent 系统的工程实现，强调 Harness（测试与约束基础设施）比模型能力更关键。文章详细阐述了 Agent Loop 的稳定性、上下文分层管理以避免 Context Rot、工具设计的 ACI 原则、记忆系统的多维度分类，以及基于失败案例的评测体系。最后通过 OpenClaw 案例，展示了如何利用 Prompt Caching 和按需加载 Skills 来优化系统架构。
Agent Memory Engineering
文章探讨了 AI Agent 的记忆机制，解释了为何不同 Agent（如 Claude Code 和 Codex）之间无法直接通过复制文件来迁移记忆。作者指出，这是因为模型在后期训练时与特定的记忆层“融合”了。文章对比了 Hermes、Codex CLI 和 Claude Code 三种实现，并得出结论：最聪明的架构（如向量数据库、知识图谱）输给了最简单的方案（LLM + Markdown + Bash 工具）。核心在于 Agent 遵循的读写规范，而非数据结构本身。
AI 记忆工具两大阵营：Memory Backends 与 Context Substrates
文章深入分析了 GitHub 上的 AI Agent 记忆工具，将其分为两大阵营：一是“记忆后端”，如 Mem0 和 Supermemory，主要提取事实并存储于向量数据库；二是“上下文基底”，如 OpenClaw，通过人类可读的结构化文件让会话在上下文中累积。作者指出，虽然 Camp 1 主导了市场，但 Camp 2 的架构才是支持连续、多会话工作的未来方向，例如 Zep 已开始从“记忆”转型为“上下文工程”。
