从零实现 GeekAgent —— Day13 主动记忆
内容提要
本文介绍GeekAgent第13天实现“主动记忆”功能：在每轮对话前自动检索长期记忆，无需模型主动调用搜索工具。实现方法包括将长记忆按320字窗口、80字重叠切块，用BM25算法排序，并将命中结果拼入系统提示。相比手动搜索，自动唤起更早介入，提升记忆利用率。
延伸解读
自动唤起与手动搜索的取舍
自动唤起在每轮对话前自动检索，模型无需主动调用工具，能避免因模型未想到搜索而遗漏记忆。但手动搜索仍保留，适合模型需要更明确关键词时深挖。两者互补，自动唤起提供默认回忆，手动搜索提供定向查询，共同提升记忆利用率。
BM25 与向量检索的适用场景
本文选择 BM25 而非向量检索，因其无需额外模型和索引，适合记忆量小的场景。BM25 基于词频和常见度打分，能处理字面匹配，但无法理解同义词。向量检索虽能处理语义相近，但需额外资源。当前阶段 BM25 足够，未来可考虑升级。
分块与重叠的设计考量
长记忆按 320 字窗口、80 字重叠切块，既避免返回整条长文，又防止关键信息被切在边界。重叠确保句子完整出现在某一块中，提高检索精度。这种设计在保持磁盘格式不变的同时，实现了更精细的检索粒度。
Q&A
GeekAgent Day13 的主动记忆功能是什么？
主动记忆功能是在每轮对话前自动检索长期记忆，将相关记忆块拼入系统提示，无需模型主动调用 memory_search 工具。
主动记忆和模型自己调用 memory_search 有什么区别？
主动记忆由主程序在每轮对话开始前自动检索，使用用户的原始问题作为查询；而 memory_search 由模型决定何时调用，使用模型整理的关键词。主动记忆更早介入，避免模型忘记搜索。
为什么需要主动记忆功能？
因为模型可能不会主动调用 memory_search，导致长期记忆中的信息无法进入当前对话。此外，原来的搜索存在长记忆整条返回、排序不考虑词频和长度的问题。
主动记忆是如何实现的？
实现步骤包括：将长记忆按320字窗口、80字重叠切块；使用BM25算法对记忆块打分排序；在每轮用户提问后，自动检索并将前五个命中块拼入系统提示。
BM25 算法在主动记忆中是如何应用的？
BM25 是一种关键词检索算法，根据查询词在文档中的出现频率、常见程度和文档长度进行打分。在主动记忆中，中文问题被切成 bigram，英文和数字保留整词，然后对每个记忆块计算 BM25 分数，取前五名作为命中结果。
为什么选择 BM25 而不是向量检索？
因为当前知识量只有几十条记忆，BM25 无需额外模型和索引，代码简单，足以展示完整检索过程。向量检索需要 embedding 模型和向量索引，更适合大规模语义检索。
主动记忆功能有哪些限制？
限制包括：不做向量检索，只按字面匹配；不支持修改、删除和合并记忆；不记录时间，不判断内容是否过期；bigram 不理解同义词，换一种说法可能搜不到。
如何验证主动记忆功能是否正常？
验证步骤：运行 typecheck 和 dev 命令，让模型保存一段超过320字的记忆，确认面板显示至少2个块，重启程序后换一种说法询问压缩阈值，确认回答包含4000且没有调用 memory_search，最后用 /memory 查看磁盘中保存的仍是完整记忆。
