1. 愿景与问题

#1.1 记忆是 Agent 的灵魂

没有可靠的长期记忆，LLM 智能体永远只能是"工具"，无法进化为"助手"。

记忆层具有复利效应——使用越久，积累越多，价值越高。这是 agent 生态中唯一需要深耕且不可替代的部分：LLM 引擎会持续迭代（Anthropic/OpenAI/Google 等），Skill 的边际成本极低（写 markdown 即可），但记忆是跟随用户持续积累的私有资产。

#1.2 LLM 的"失忆"问题

LLM 智能体存在三个致命的记忆缺陷：

• 上下文压缩丢失：/compact 或自动压缩之后，之前的决策、发现、上下文全部丢失
• 跨会话遗忘：每次新会话都从零开始，对旧会话一无所知
• 长会话衰减：上下文窗口塞满后，早期关键信息被挤出注意力范围

对于需要"持续学习用户思维、成为用户延伸"的数字助手来说，这三个缺陷意味着用户必须反复重申偏好、重新解释项目背景、重复推导已有结论。

#1.3 传统方案的结构性瓶颈

现有的 RAG/Memory 方案存在根本性的设计局限：

1. 记忆是附属品——生命周期绑定 agent 会话，不是独立实体
2. 写入是被动的——对话结束后提取摘要（reactive），丢失结构信息
3. 检索是扁平的——仅靠向量相似度，无法表达时间/因果/矛盾关系
4. 没有遗忘机制——全记或 TTL 一刀切，无智能衰减
5. 依赖重——需要 API Key、外部数据库、网络连接

#1.4 Mnemon 的定位

Mnemon 的目标是：让 LLM 像有经验的助手一样，记住你的决策、理解你的偏好、追踪项目上下文——跨越任意多的会话。

它不是嵌入某个 agent 框架的库或插件，而是一个独立的记忆引擎——可被 Claude Code、Cursor、或任何 LLM CLI 通过命令行调用。

#1.5 方案对比