ab66f2bb56
* docs: update ReMe documentation URL * docs: localize ReMe Studio social image * docs(AGENTS): update agent guidelines and repository documentation structure - Clarify coding agent guidance for keeping changes small and consistent - Revise project principle descriptions for clarity and modern terminology - Expand repository map with detailed component and folder explanations - Add configuration and CLI usage instructions, including syntax and merging rules - Elaborate on component, step registration, and application lifecycle processes - Define jobs, steps, and state handling conventions for stateless design - Specify workspace and file safety policies, including path restrictions and locking - Update validation commands and testing environment recommendations - Clarify coding and test conventions, including style and dependency policies - Distinguish documentation boundaries and update website content contribution notes - Reinforce change guardrails to avoid breaking backward compatibility and data loss - Improve svg diagram formatting and textual details in auto dream and proactive flow image * style(docs): fix font-family syntax in SVG style definitions - Correct quotation marks around font-family names in memory-as-file.svg - Standardize font-family formatting by removing unnecessary quotes in reme-blog-architecture.svg - Ensure consistent CSS style formatting within SVG files for better rendering fidelity * docs: add ReMe blog to news * style(docs): inline svg styles and improve text formatting - Convert multiline SVG style tags into single-line for compactness in multiple figures - Remove redundant line breaks in subtitle text elements for consistency - Shorten descriptive texts in SVG figures for clarity and conciseness - Adjust font sizes and text for better readability in SVG elements - Correct whitespace issues in Chinese markdown document for improved formatting - Remove unused style blocks from framework structure SVG for cleaner code
4.2 KiB
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。
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
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。