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
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。
🧠 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:
- 只有
confidence >= 0.5的条目才会保存; - sha256 指纹索引(
_index.json)去重完全相同的条目; - 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):
- 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); - 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;
- 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; - 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":
- Episodic:会话内事件回放,环形缓冲 500 条;
- Persistent:跨会话键值库,记住失败策略等结构化事实;
- KnowledgeGraph:定理依赖网络,让旧证明可被新证明直接复用;
- 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。🦞
