Auto-sync: 2026-04-23 16:02

wiki/concepts/Context-Substrate.md

@@ -0,0 +1,41 @@
+---
+title: "Context Substrate"
+type: concept
+tags: [ai-agent, memory, architecture]
+last_updated: 2026-04-23
+---
+
+## Definition
+AI Agent 的上下文管理技术路线之一（Camp 2）。维护结构化、人类可读的上下文文件（Markdown、知识图谱、上下文容器），跨会话自然累积增长。
+
+## Core Philosophy
+**"What context should the AI work inside?"**（而非 Camp 1 的 "what should the AI remember?"）
+
+- Nothing gets extracted — the context is the files.
+- 文件是人类可读、可编辑、可理解的。
+- 因为上下文是文件，人可以随时纠正、补充和理解 Agent 知道什么。
+- 系统随时间自然复合增长（compounding），而非依赖提取质量。
+
+## Mechanism
+```
+Agent reads structured context → Agent works within that context →
+Agent (or background process) writes back to the structured context →
+Next session, the context is richer than before
+```
+
+## Representative Tools
+- [[OpenClaw]]：Markdown 文件 + dreaming cycle
+- [[Zep]]：Temporal knowledge graph（Graphiti）
+- [[Thoth]]：Personal knowledge graph（10 entity types, 67 relations）
+- [[TrustGraph]]：Context Cores（可移植版本化上下文捆绑包）
+- [[MemSearch]]：Markdown-first + shadow vector index
+- [[ALIVE]]：Structured context substrate, walnuts as portable containers
+
+## Relationship to Camp 1
+- Camp 1 优化目标：**召回**（can the system find the right fact?）
+- Camp 2 优化目标：**复合**（does the system get better over time?）
+- Zep 从"memory"→"context engineering"的品牌重塑，是 Camp 1/Camp 2 边界处最强的市场信号
+- Supermemory（Camp 1）的时序感知和 Honcho（Camp 1）的心理建模，代表 Camp 1 向 Camp 2 的演进趋势
+
+## Key Distinction from RAG
+RAG 通常指一次性的文档检索问答场景；Context Substrate 强调**跨时间的上下文累积**，是持续运行 Agent 的基础设施。

wiki/concepts/Memory-Backend.md

@@ -0,0 +1,41 @@
+---
+title: "Memory Backend"
+type: concept
+tags: [ai-agent, memory, architecture, vector-db]
+last_updated: 2026-04-23
+---
+
+## Definition
+AI Agent 记忆工具的技术路线之一（Camp 1）。从对话中提取事实，存入向量数据库（和/或图数据库），下次对话时检索相关事实并注入上下文。
+
+## Core Philosophy
+**"What should the AI remember?"**（而非 Camp 2 的 "what context should the AI work inside?"）
+
+- 智能集中在**提取**和**检索**阶段。
+- 人类与 Agent 交互，记忆系统幕后运行。
+- 用户从不直接触碰记忆——信任系统记住正确的事情并在正确的时间召回。
+
+## Fundamental Loop
+```
+Conversation → System extracts facts or stores content →
+Facts go into database (vector, graph, or both) →
+Next conversation: relevant facts retrieved and injected
+```
+
+## Representative Tools
+- **[[Mem0]]**（53.1k stars）：四操作（add/search/update/delete），三层存储（user/session/agent），混合检索，集成最简单
+- **[[MemPalace]]**（46.2k stars）：逐字存储，ChromaDB，wings/rooms/drawers 组织，LongMemEval 96.6% 召回率
+- **[[Supermemory]]**（21.8k stars）：时序感知（过期事实自动遗忘），多模态连接器，MemoryBench 声称领先
+- **[[Honcho]]**（2.4k stars）：人/Agent 统一对等体模型，异步推理推导心理洞察，PostgreSQL + pgvector
+- 其他：Cognee（图数据库+向量搜索）、Memori（API 调用拦截，81.95% @ 4.97% context tokens）
+
+## Limitations
+1. **记忆是扁平条目**——条目之间没有关系
+2. **提取质量依赖 LLM prompt**——garbage in, garbage out
+3. **事实不进化**——1月的事实和4月的事实并存，不知道谁取代了谁
+4. **无法真正复合增长**——系统只是在累积条目，不是在变得更聪明
+
+## Relationship to Context Substrate
+- [[Context Substrate]]（Camp 2）代表不同哲学：上下文文件本身才是记忆，而非从对话中提取的条目
+- Supermemory 的时序感知和 Honcho 的心理洞察，代表 Camp 1 向 Camp 2 边界的演进
+- GitHub 上 450+ repos 标记"agent-memory"，几乎都属 Camp 1 路线