引言

如果你用过 AI 助手，一定会遇到这样的困扰：

今天跟它聊项目 A 的进展，明天问「昨天我们聊了什么」，它一脸茫然。让它帮你写文档，过两天再问，它完全不记得你的写作风格和项目背景。

你的 AI 助手每天都是新的一天——它什么都不记得。

这不是 bug，这是设计缺陷。真正的记忆不是存储，而是理解、连接和整合。

Google 最近开源了一个项目，试图解决这个问题——Always-On Memory Agent。

现有方案的困境

给 AI 加记忆，这事很多人都在做，但目前的方案都有点问题：

方案一：向量数据库 + RAG

把信息向量化存进去，查询时检索相关内容。

问题：太被动。信息躺在那里，系统不会主动思考它们之间的关系，也不会发现新洞见。就像把书堆在图书馆，却从不整理分类。

方案二：对话总结

每次聊完让 AI 总结一下重点。

问题：细节丢了。总结越压缩，信息越少。而且不同对话之间没有任何关联。就像只记日记摘要，十年后只记得「今天很开心」，却忘了为什么。

方案三：知识图谱

把信息画成一张大网，实体之间用关系连接。

问题：太贵了。搭建和维护都需要大量资源，很容易变得复杂到无法管理。

真正的问题

这些方案只做了存储，没做整合。

人类的大脑不是这样的。我们睡觉时，大脑会回放白天的经历，把新知识和旧知识连起来，把重要的留下，把重复的压缩掉。

Always-On Memory Agent 是什么？

这是 Google 开源的一个项目，核心思路：让 AI 像人脑一样，在后台持续地处理、整合、连接信息。

不需要向量数据库，不需要复杂的 embedding，就是一个轻量级 LLM，不停地读、想、写。

三步架构

第一步：摄取（Ingest）

支持 27 种格式：文本、图片、音频、视频、PDF…

系统会自动提取结构化信息：

  • 摘要是什么？
  • 提到了哪些实体？
  • 属于什么主题？
  • 重要程度多高？

投喂方式：

  • 文件监控：丢进 ./inbox 文件夹，5-10 秒自动处理
  • 网页上传：Streamlit 界面
  • HTTP API：代码 POST

第二步：整合（Consolidate）

这是整个系统最像人脑的地方。

默认每 30 分钟，系统会运行一次「整合」任务。它会找出记忆之间的关系，发现你可能没注意到的洞察。

举个例子，你有这四条记忆：

  1. 「AI 代理增长很快，但可靠性是个挑战」
  2. 「Q1 优先级：降低推理成本 40%」
  3. 「现有的 LLM 记忆方案都有缺陷」
  4. 「智能收件箱的想法：给邮件加持久 AI 记忆」

系统会发现：

  • 记忆 1 和 3 有关：代理可靠性问题，本质是记忆架构不行
  • 记忆 2 和 1 有关：降低成本才能规模化部署代理
  • 记忆 3 和 4 有关：智能收件箱是重建式记忆的应用

然后给你一个洞察：

「下一代 AI 工具的瓶颈，是从静态 RAG 到动态记忆系统的转变。」

这种「连接」的能力，是向量数据库做不到的——它只做相似度匹配，不做语义理解和推理。

第三步：查询（Query）

你想问什么就问什么。

系统会读取所有记忆和整合洞察，综合出答案。每个观点都会标注来源。

比如你问「我应该关注什么？」

系统回答：

根据你的记忆，建议优先：

  1. 3月15日前上线 API 【来源：记忆2】
  2. 代理可靠性问题【来源：记忆1】，可用重建式记忆方案【来源：记忆3】解决
  3. 智能收件箱概念【来源：记忆4】验证了市场对持久 AI 记忆的需求

带来源引用的回答，让你知道 AI 不是瞎编，每句话都有据可查。

为什么选择轻量级模型？

这个系统 24 小时运行。成本和速度比智商更重要。

  • 快：延迟低，适合持续后台运行
  • 便宜：每次调用成本极低，24/7 运行也花不了多少
  • 够用：提取结构、找关系、综合答案，这些事它都能干

技术栈：Google ADK + Gemini 3.1 Flash-Lite + SQLite + Streamlit

快速开始

git clone https://github.com/Shubhamsaboo/always-on-memory-agent.git
cd always-on-memory-agent
pip install -r requirements.txt

export GOOGLE_API_KEY="your-gemini-api-key"
python agent.py

系统会：

  • 监控 ./inbox/ 文件夹，自动处理新文件
  • 每 30 分钟整合一次记忆
  • 在 http://localhost:8888 提供查询服务

图形界面：

streamlit run dashboard.py

它的价值在哪里？

大多数 AI 工具都是「一次性」的：你问它，它答你，然后它就忘了。

但真正有价值的信息，往往藏在碎片化的对话和文档里。如果 AI 能记住这些碎片，并主动发现它们之间的关系，那它的价值就不只是「回答问题」——而是帮你发现洞见。

这个项目做了一件事：把静态的知识库，变成会思考的记忆系统。

就像你的大脑不是硬盘，而是一个不断整理信息的处理器。

真正的智能，不是记住所有东西，而是知道什么重要，以及为什么重要。

链接

本文记录了一项值得关注的 AI 记忆技术。随着 OpenClaw 等平台的记忆功能持续演进，这类方案的思想值得参考。