- Agent 记忆
- 人工智能
- AI 应用
- MCP 服务
- CLI
- 知识管理
【免费下载链接】okf-agent-memory
Git-native persistent memory for AI coding agents. Implements Google OKF v0.2 with sub-300µs in-memory BM25 search, embedded MCP server, and progressive disclosure. Slashes token bloat by 80% with zero external databases or dependencies. Built in pure Go.
OKF Agent Memory是一款为 AI 编程 Agent 打造的 Git 原生持久记忆工具,它将知识按project(项目)、vendor(供应商)、user(用户)、system(系统)四层作用域进行分层存储,并实现了 300 微秒级的内存 BM25 搜索与嵌入式 MCP 服务器。本文带你深度解析这四层记忆作用域的优先级、遮蔽规则与日常使用技巧,帮助新手快速掌握这套知识分层机制。
为什么需要 4 层记忆作用域?🤔
AI Agent 的知识来源各不相同:有的只属于当前项目,有的是团队共享的行业规范,有的存你个人偏好,还有的是企业级强制标准。如果混在一起,Agent 就会"分不清谁说了算"。
OKF Agent Memory 的答案是:四个确定性作用域 + 严格的优先级遮蔽。高层级知识会自动覆盖(shadow)低层级中相同 ID 的概念,保证"本地项目决策永远优先于外部依赖和机器基线"。
4层作用域一览:优先级与存储位置
| 作用域 | 存储位置 | 优先级 | 定位 |
|---|---|---|---|
| project | ./knowledge/ | 100 | 当前仓库的权威记忆(SSoT) |
| vendor | .okf/vendor/<bundle>/ | 70 | 通过okf pull拉取的外部知识包 |
| user | ~/.okf/(或$OKF_USER_DIR) | 50 | 开发者个人偏好与跨项目笔记 |
| system | /etc/okf/(或$OKF_SYSTEM_DIR) | 10 | 机器级/企业合规基线 |
📌 优先级常量定义在 pkg/okf/scope.go,完整的分层设计决策记录在 knowledge/architecture/registry-and-vendor-layering.md。
各层"装什么"最合理
- 项目层:架构决策、命名约定、runbook——只对本仓库有效的知识;
- 供应商层:框架最佳实践包(如
nextjs-15、@org/security-rules),版本锁定在okf.lock中; - 用户层:你的编码风格偏好、跨项目通用笔记,跟着你的机器走;
- 系统层:安全合规策略、组织级基础设施基线,通常由运维统一维护。
遮蔽机制(Shadowing):高层级如何"接管"低层级
这是整个分层机制的核心不变量(invariant):
project(100) 严格遮蔽 vendor(70),vendor 遮蔽 user(50),user 遮蔽 system(10)——针对相同相对 ID 的概念。
举个例子:如果本地knowledge/里已有decisions/auth这个概念,而供应商包和用户层中也存在同名decisions/auth,搜索时只有项目层的那份会出现在结果里,另外两份被自动屏蔽,从根源上避免了 Agent 引用到"过期的外部版本"。
排序规则同样确定性强(见 pkg/okf/scope.go):
- 先比层级优先级(100 → 70 → 50 → 10);
- 同层级内再比BM25 相关度分数;
- 分数相同时按概念 ID 字典序,保证每次结果完全一致。
另外,供应商层的多个包会被合并成一个"组合语料库"再做 BM25 统计,确保文档频率在整个 vendor 层统一计算,而不是按包割裂打分。
实战:用--scope参数搜索各层知识 🔍
okf search支持--scope <all|project|bundle|vendor|user|system>参数(默认all),可精准过滤到某一层:
okf search "routing" --scope vendor # 只搜供应商层 okf search "auth" --scope project # 只搜本地项目记忆而okf show支持作用域引用,直接跨层查看任意一个概念的完整元数据与正文:
okf show decisions/auth # 本地项目概念 okf show @nextjs-15/decisions/routing # 供应商概念(@ 前缀) okf show user:preferences/style # 用户层概念 okf show system:corp/policies # 系统层概念💡 命令参数细节可参考 docs/guides/CLI.md,日常速查表见 docs/guides/GETTING_STARTED.md。
跨作用域链接与 URI 体系
四层知识之间可以互相引用,且解析规则无歧义:
| 写法 | 解析到 |
|---|---|
@nextjs-15/decisions/routing.md | .okf/vendor/供应商包 |
@peter/django-5-rules/decisions/auth.md | 带命名空间的供应商包 |
user:guidelines/style.md | ~/.okf/用户层 |
system:corp/policies.md | /etc/okf/系统层 |
decisions/routing.md(无前缀) | 本地knowledge/项目包 |
所有引用都有规范的okf://统一资源名(URN),例如okf://@nextjs-15/decisions/routing、okf://user/guidelines/style。URI 解析逻辑与测试用例分别在 pkg/okf/scope.go 和 pkg/okf/scope_test.go 中。
一个贴心的细节:okf validate --strict会把这些外部引用全部识别为"外部目标",不会产生断链报错,也不会误判为孤儿概念——你可以放心地在项目知识中引用供应商和用户层的文档。
供应商层如何安装与维护?
供应商知识包通过去中心化 Registry 分发,常用命令:
okf pull nextjs-15 # 拉取并锁定到 okf.lock okf restore # 按锁文件恢复全部依赖 okf vendor list # 查看已安装的供应商包 okf vendor remove nextjs-15 # 移除并清理锁文件拉取的包会先做 SHA-256 完整性校验和严格验证,任何校验失败都会原子回滚,保证.okf/vendor/目录永远处于可信状态。
小结:记住这三点就够了 ✅
- 四层分工:项目层管"本仓库真理",供应商层管"外部最佳实践",用户层管"个人偏好",系统层管"企业基线";
- 优先级即真理:100 → 70 → 50 → 10,高层级相同 ID 的知识永远遮蔽低层级;
- 一切可验证:纯文本 + Git 版本管理,用
--scope参数即可精确控制搜索范围。
想继续深入了解分层设计背后的架构决策,推荐阅读 knowledge/architecture/registry-and-vendor-layering.md 与 knowledge/architecture/layers.md。
- Agent 记忆
- 人工智能
- AI 应用
- MCP 服务
- CLI
- 知识管理
【免费下载链接】okf-agent-memory
Git-native persistent memory for AI coding agents. Implements Google OKF v0.2 with sub-300µs in-memory BM25 search, embedded MCP server, and progressive disclosure. Slashes token bloat by 80% with zero external databases or dependencies. Built in pure Go.
相关推荐
Gemini CLI 记忆机制解析:Agent 如何通过 GEMINI.md 与分层 Markdown 记忆文件持久化知识
Gemini CLI 记忆机制解析:Agent 如何通过 GEMINI.md 与分层 Markdown 记忆文件持久化知识 Gemini CLI 将持久化事实、
人工智能AI 应用AI Agent代码智能体工具调用MCP Clients交互助手CLIHy Memory 双系统认知记忆引擎实战指南:Chat 分层记忆、Working/Coding 双层记忆与版本演进链解析
Hy Memory 双系统认知记忆引擎实战指南:Chat 分层记忆、Working/Coding 双层记忆与版本演进链解析 Hy Memory 是一套面向自进化
Hy-Memory 认知记忆框架实战指南:Chat 分层记忆、Working/Coding 双层记忆与 Coding 版本演进链
Hy Memory 认知记忆框架实战指南:Chat 分层记忆、Working/Coding 双层记忆与 Coding 版本演进链 Hy Memory( hy m
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考