ReMe/docs/zh/auto_memory.md

Auto Memory

Auto Memory 是 ReMe 的对话记忆入口：在目标日期内，它用 session_id 定位或更新最多一张 daily 记忆卡片，文件名由 Agent 根据内容生成简洁的主题或事件名，再由当天的 YYYY-MM-DD.md 统一索引。它负责把“聊过”变成“记住”，并保留可追溯的对话记录。

关于 daily/、session/、frontmatter 和 wikilink 的通用文件语义，见 Memory as File。

Conversation
  ├─ step 1: daily/YYYY-MM-DD/<generated_name>.md # 每个 session 一张主题卡片
  ├─ step 2: daily/YYYY-MM-DD.md                  # 当天索引再串起来
  └─ source: session/dialog/<session_id>.jsonl    # 对话来源记录

它记录什么

它不记录聊天流水账，只记录以后可能还会用到的内容：

• 用户偏好：喜欢什么风格、习惯怎么协作、长期要求是什么。
• 关键事实：项目背景、重要数字、明确结论、限制条件。
• 过程决定：发生了什么，为什么这么选，哪些方案被放弃。
• 当前状态：做到哪一步，卡在哪里，下一步是什么。
• 可复用经验：命令、流程、排查方法、解决方案。

写入位置

Auto Memory 会把整理后的记忆放进 daily/。当天发生的对话会先被整理成一张张小卡片：

示例目录：

workspace/
  daily/
    2026-06-20.md
    2026-06-20/
      login-refactor-decision.md
      retrieval-regression.md

日期目录下的两个文件是不同对话整理出的主题卡片，daily/2026-06-20.md 是当天索引页。资源文件也会进入 同一个 daily 记忆层，见 Auto Resource。

当调用时带上 session_id，Auto Memory 会通过 frontmatter 用它定位卡片，Agent 则通过 name 决定可读文件名：

name: login-refactor-decision
session_id: session-a
source_conversation: "[[session/dialog/session-a.jsonl]]"

这样既能分开不同对话，又不必把不透明的 ID 当文件名。更新时会按 session_id 或 source_conversation 找到旧卡片；如果 Agent 提供了更好的 frontmatter name，系统可重命名并重定向入链。查看某天内容时从 YYYY-MM-DD.md 开始。

同时保存原始信息

整理后的 daily note 负责“好读”，过滤后的对话来源记录负责“可信”。

Auto Memory 在生成记忆卡片的同时，也会保存对话来源消息：

session/
  dialog/
    session-a.jsonl
    session-b.jsonl

daily note 会指向对应的对话记录。持久化时会排除 tool-result block 和 base64 data block，避免召回记忆或二进制负载在后续流程中被误当成 用户提供的证据。

对话中的图像

Auto Memory 可以结合上下文理解对话中的图像。默认只处理文本，调用时加上 include_images=true 即可开启图像。

图像输入需要 agentscope wrapper，其 as_llm 应绑定支持视觉的模型，并使用兼容的 formatter。 Auto Memory 直接用这个模型理解图文，不先生成 caption。关闭图像或消息中没有图像块时，仍按原有方式处理文本，也不限制 wrapper 类型。

在 messages 中用 AgentScope 顶层 DataBlock 传入图像，媒体类型以 image/ 开头。文本和图像按原顺序交错排列， 保留说话人和时间信息。Base64 source 与 HTTP(S) URL 原样交给 formatter，Auto Memory 不下载或预处理图像。URL 需要能被模型 供应商访问；本地文件请先转为 Base64，不使用 file:// URL，其他 URL scheme 也不支持。

每次调用的图像数量受 wrapper 的 context_config.max_image_num 限制，超限会报错，不会自动提高上限。 AgentScope 默认允许 5 张图像。需要更多时，在启动服务时设置：

reme start components.agent_wrapper.default.context_config.max_image_num=20

然后在另一个终端中，使用同一 workspace 调用已启动的服务：

reme auto_memory session_id=session-a include_images=true messages='[...]'

模型与 formatter 自身的限制仍然适用。开启图像且消息中包含图像时，才会在保存对话前检查 wrapper backend、URL scheme 和图像数量。 之后的 formatter 或 provider 错误直接返回，不转为纯文本重试；与纯文本调用相同，已保存的对话不会因此回滚。

源 JSONL 仍按上文规则保存，包括过滤 Base64 block。因此，再次处理这些图像需要提交原始消息，而不是读取已保存的 JSONL。 不会另外生成图像文件或 caption 卡片，但 wrapper 保存在 mem_session/agentscope 中的内部 Agent 状态可能包含图像输入。

消息时间

Auto Memory 会在 prompt 和对话来源 JSONL 中保留每条已保留消息的 created_at。导入历史对话或 benchmark 数据时，建议为每条 message 提供真实发生时间，避免模型把事件时间误解为运行时间：

reme auto_memory \
  session_id=locomo-session \
  messages='[
    {"role":"user","content":"Jon lost his job today.","created_at":"2023-01-19T08:00:00"},
    {"role":"assistant","content":"I am sorry to hear that.","created_at":"2023-01-19T08:01:00"}
  ]'

为了兼容常见数据集字段，auto_memory 也会在缺少 created_at 时读取 time_created、timestamp、createdAt、 timeCreated 或 created_time。这些字段可以放在 message 顶层，也可以放在 metadata 中。

当调用没有显式传入 date 时，Auto Memory 会使用消息中最晚的有效 created_at 日期作为 daily note 日期；如果消息没有有效时间， 则回退到当前日期。历史导入也可以显式指定目标日期：

reme auto_memory \
  session_id=locomo-session \
  date=2023-01-19 \
  messages='[{"role":"user","content":"Jon lost his job today."}]'

后续流向

默认的 auto_memory 和 auto_memory_cc Job 会在记录记忆后执行 auto_tag_step，只为实际新增或修改的 daily 笔记打标， 并使用重命名后的最终路径。Claude Code 调用方仍只需传入 session_id；重复 Stop 没有新增消息时，记忆生成和打标都会跳过。

标签描述文档的核心实体，写入配置的 frontmatter 字段，默认为 memory_tags。单文件打标失败记录在 metadata.auto_tag， 保留原有记忆响应；没有笔记变化的调用不会自动重试失败的打标。标签索引通过现有文件 watcher 异步更新。

Auto Memory 只生成 daily 层记忆。要把这些材料进一步沉淀为长期 digest/ 节点，使用 Auto Dream；要搜索 daily 和 digest，使用 Memory Search。