EurekaClaw四层记忆系统详解:如何跨会话记住定理、引理与证明策略

原创2026-11-02 15:43:171,390 阅读

EurekaClaw四层记忆系统详解:如何跨会话记住定理、引理与证明策略

你是否好奇 EurekaClaw 是怎么"记得"你上次证明过的定理和踩过的坑?本文详解 EurekaClaw 的四层记忆系统:从会话内事件缓冲、跨运行键值存储,到定理依赖知识图谱与领域级证明策略 Markdown 记忆,帮你快速搞懂这款 AI 科研助手是如何跨会话持续学习、越用越聪明的。

EurekaClaw四层记忆系统:AI科研助手的跨会话记忆架构

🧠 为什么科研助手需要跨会话记忆

EurekaClaw 是一个多智能体 AI 科研助手:爬取 arXiv 文献、生成猜想、证明引理、撰写 LaTeX 论文、运行实验。但真实的研究不是一次会话就能完成的——今天证明了半个引理,明天换个会话继续,如果每次都要"从零开始",之前的努力就白费了。

为此,EurekaClaw 用统一的 MemoryManager 管理四层记忆,官方说明见 docs/memory.md:

层级 名称 作用域 存储位置
Tier 1 Episodic(情景记忆) 当前会话 内存环形缓冲(不落盘)
Tier 2 Persistent(持久记忆) 跨会话 ~/.eurekaclaw/memory/persistent.json
Tier 3 KnowledgeGraph(知识图谱) 跨会话 ~/.eurekaclaw/memory/knowledge_graph.json
Tier 4 Domain Memories(领域记忆) 跨会话 ~/.eurekaclaw/memories/<domain>/*.md

可以把它想象成一位研究员的工作方式:便签纸(Tier 1)→ 笔记本(Tier 2)→ 定理关系图谱墙(Tier 3)→ 领域经验总结文档(Tier 4)。

📌 Tier 1:情景记忆——会话内事件回放

源码:eurekaclaw/memory/episodic.py

这是一个容量 500 条的内存环形缓冲,只活在当前进程里,进程退出即消失。每次智能体调用工具后,BaseAgent 会自动调用 log_event() 把事件(工具调用、结果、决策、报错)记录进来:

memory.log_event("theory", "Tool prover: ...")

配合 recent_events(n=20) 可以回看最近的 N 条事件。它的作用是让智能体在一次长会话内"记得刚才做了什么",避免重复劳动或陷入死循环。

🔑 Tier 2:持久记忆——跨会话键值存储

源码:eurekaclaw/memory/persistent.py

任意可 JSON 序列化的记录,存于 persistent.json,跨会话不丢失。核心 API 只有三个:

  • remember(key, value, tags) — 写入或覆盖一条记录
  • recall(key) — 按精确键取回
  • recall_by_tag(tag) — 按标签批量取回

键通常采用命名空间格式,例如:

"theory.failed_strategies.concentration_bounds"

意思是"理论证明中失败过的策略:集中不等式"。下次会话看到这条记录,智能体就会绕开已验证无效的路径——这正是"从失败中学习"的基础。

🕸️ Tier 3:知识图谱——定理与引理的依赖网络

源码:eurekaclaw/memory/knowledge_graph.py

这是记忆系统中最有数学味的一层:一张有向图,节点是已证明的定理/引理,边记录依赖关系。每当 TheoryAgent 证明完成,就会把每个已证引理注册为节点,并连出 uses 依赖边(见 theory/agent.py)。

边支持四种关系类型:

关系 含义
uses 使用了该定理
generalizes 是它的推广
specializes 是它的特化
contradicts 与它矛盾

常用查询接口:

  • find_related_theorems(node_id, depth=2) — BFS 遍历,找 N 跳之内的相关定理
  • retrieve_relevant_theorems(query, domain) — 按关键词重叠打分,为证明规划提供历史上最相关的定理(实现见 manager.py)

新会话开始证明时,规划阶段会自动检索图谱,优先复用旧结论,而不是重新证明。

📝 Tier 4:领域记忆——把证明策略蒸馏成 Markdown

源码:eurekaclaw/learning/memory_extractor.py

这是跨会话学习的核心机制。每次会话结束后,ContinualLearningLoop 触发 SessionMemoryExtractor,用轻量模型分析本次会话的 TheoryState(已证引理 + 失败尝试),把经验蒸馏成四类结构化洞察:

类别 保存内容
domain_knowledge 新发现或被证实的事实、引理、定理
proof_strategy 在该领域奏效(或失效)的证明技巧
open_problems 提出但未解决的猜想
pitfalls 看似可行但失败的思路,附根本原因

写入前有严格的质量控制:

  1. 只有 confidence >= 0.5 的条目才会保存;
  2. sha256 指纹索引(_index.json)去重完全相同的条目;
  3. 近似重复(关键词重叠 > 40%)会交给 LLM 判断并合并。

每条记忆保存为独立 Markdown 文件:~/.eurekaclaw/memories/<domain>/YYYYMMDD_<slug>.md,人类可读、可直接编辑。

🚀 记忆如何被注入:语义检索最相关的 4 条

记忆存下来只是第一步,用得上才是关键。新会话启动时,SkillInjector 和理论分析阶段 MemoryGuidedAnalyzer 会调用:

memory.load_for_injection(domain, k=4, query=任务描述)

它的工作原理(实现见 manager.py):

  1. 每个记忆文件在写入时已生成向量嵌入,存于 _index.json(见 embedding_utils.py);
  2. 用当前任务描述做查询,按余弦相似度给所有候选记忆打分;
  3. 取 Top-4 最相关的高置信度记忆,剥离 frontmatter 后以 <memories>...</memories> 标签注入智能体的 system prompt;
  4. 若嵌入不可用,则回退为按时间倒序取最新 4 条。

也就是说,你下次做同一个领域的研究时,智能体"开局"就带着上次总结的策略和踩坑经验。

🔄 一次会话中的完整记忆生命周期

把四层串起来看,一次证明任务的记忆流转如下:

会话进行中
  每次工具调用 → log_event() → Tier 1(仅内存)

会话结束后(post_run)
  SessionMemoryExtractor → 蒸馏四类洞察 → Tier 4 Markdown 文件
  ToolPatternExtractor   → 工具调用模式 → 新 Skill 文件
  SkillRegistry          → 成功率 EMA 更新(α=0.3)

下次会话启动
  TheoryAgent 证明完成 → 引理写入 Tier 3 知识图谱
  load_for_injection(domain) → 语义检索 Top-4 Tier 4 记忆
  → 注入所有智能体的 system prompt

四层各司其职:Tier 1 管"眼前",Tier 2 管"事实",Tier 3 管"结论间的结构",Tier 4 管"方法论"——共同让 EurekaClaw 具备越用越强的跨会话学习能力。

📂 记忆都存放在哪里

所有数据默认位于 ~/.eurekaclaw/(可通过环境变量 EUREKACLAW_DIR 修改),布局如下:

~/.eurekaclaw/
├── memory/
│   ├── persistent.json        ← Tier 2 键值存储
│   └── knowledge_graph.json   ← Tier 3 定理依赖图
├── memories/
│   └── <domain>/
│       ├── YYYYMMDD_<slug>.md ← Tier 4 领域洞察
│       └── _index.json        ← 指纹 + 向量嵌入索引
└── runs/<session_id>/         ← 每次会话的完整产物

Tier 2/3/4 都是纯文本 JSON 和 Markdown,你可以随时用编辑器打开、查看甚至手工修正——你的 AI 研究员记得什么,完全透明可见。

❓ 常见问题

问:会话关掉后记忆会丢吗? 不会丢重要的部分。只有 Tier 1 情景记忆随进程消失,Tier 2/3/4 全部持久化到磁盘,跨会话、跨机器(只要备份 ~/.eurekaclaw/)可用。

问:记忆会越来越占空间吗? 系统自带三重去重:sha256 精确去重、关键词重叠检测、LLM 合并判断,加上 confidence >= 0.5 的置信度门槛,低价值内容不会被写入。

问:能只记住某个领域吗? 可以。Tier 4 记忆按 <domain> 分目录存放,注入时也只检索当前领域的文件,互不干扰。

问:想深入了解记忆相关源码? 入口在 eurekaclaw/memory/manager.py,提取逻辑在 eurekaclaw/learning/memory_extractor.py,完整 API 与生命周期见 docs/memory.md。

总结

EurekaClaw 用四层记忆把"一次性对话"变成"持续研究":

  1. Episodic:会话内事件回放,环形缓冲 500 条;
  2. Persistent:跨会话键值库,记住失败策略等结构化事实;
  3. KnowledgeGraph:定理依赖网络,让旧证明可被新证明直接复用;
  4. Domain Memories:LLM 蒸馏的领域洞察,按语义相似度精准注入新会话。

下次当 EurekaClaw 在你提出任务后"秒懂"该怎么绕开老坑、直接引用上次的引理时,背后正是这套记忆系统在默默工作。🦞

登录后查看全文
EurekaClaw