29 KiB
ReMe 新版本：可自进化的个人知识与记忆引擎
面向 Leader / 决策者的能力报告 关键词：个人知识库 · 记忆自进化 · 多模检索 · Agent 接入 · 本地优先
一、引言：为什么要做新版本
1.1 ReMe 新版本 的一句话定位
ReMe 是一个把本地 Markdown 自进化成知识图谱的个人记忆引擎。
这句话的内在逻辑是递进而非并列——三个支柱按"载体 → 机制 → 结果"层层咬合：
- 本地 Markdown（载体） → 所有记忆都是普通 .md 文件，用户可读、可备份、可迁移，Obsidian 直接打开，对抗黑盒。
- 自进化（机制） → 不需要用户手工整理，Agent 在后台让笔记自己长出结构。这一点把 ReMe 同时与"手动建图的 Obsidian"和"扁平存储的 Mem0"拉开。
- 知识图谱（结果） → 自进化的产出物不是一堆扁平笔记，而是一张通过 wikilink 互相串联、可视化浏览、可多模检索的图。
它同时可被任意 Agent / Harness 框架接入——qwenpaw、Claude Code、Cursor 都可以把 ReMe 当作能力调用，不绑定任何特定 Agent 产品。
1.2 为什么是现在：Agent 时代的记忆缺口
模型能力快速趋同的当下，差异化已经从模型本身转移到**「这个 Agent 是不是了解我」** ：它知不知道我的工作背景、过往项目、失败教训？能不能记住我半年前提过的偏好，并在今天的对话里自然用上？
模型是大家共享的，记忆是每个用户独有的。 长期、可信、可进化的个人记忆，才是 Agent 时代真正的差异化护城河。
而当前业界的记忆方案 —— 无论是 Memo、Mem0 还是 Letta —— 都存在三个共性问题，正好对应 ReMe 新版本 的三个核心主张：
| 业界痛点 | ReMe 新版本 的回应 |
|---|---|
| 黑盒不可读：记忆存在专有数据库里，用户看不到、改不了 | 本地 Markdown，Obsidian 直接打开 |
| 不可移植：换 Agent 框架就要重新积累，记忆被产品锁死 | 任意 Harness 接入，记忆跟着用户走 |
| 缺乏自进化：只是写入 + 检索，不会自己整理、归类、关联 | auto-memory / auto-dream / auto-link 三件套合力长成可浏览的知识图谱 |
1.3 老版本 → 新版本的关键升级
| 维度 | 老版本 | 新版本 |
|---|---|---|
| 记忆动作 | 只是把对话存下来 | 主动整理、归档、关联，长成可浏览的知识图谱 |
| 检索方式 | 单一向量检索 | 向量 + 关键词（中文 BM25）+ 图谱 多模融合 |
| 与 Agent 关系 | ReMe 内置 Agent | ReMe 作为能力被 qwenpaw / Claude Code / 其它 Harness 接入 |
| 底层依赖 | sqlite / chroma 等三方库 | 自研轻量内核，跨平台稳定 |
| 数据格式 | 内部数据库 | Obsidian 兼容的 Markdown 文件 |
二、产品全景图
2.1 一张图看 ReMe 新版本
┌─────────────────────────────────────────────────────────┐
│ 外部 Agent / Harness │
│ qwenpaw · Claude Code · Cursor · 其它 │
└──────────┬──────────────┬───────────────┬───────────────┘
│ SDK │ MCP Tool │ CLI / skill.md
┌──────────▼──────────────▼───────────────▼───────────────┐
│ ReMe Service Layer │
│ HTTP / MCP / CLI · 服务发现 · 进程托管 │
├─────────────────────────────────────────────────────────┤
│ ReMe Job/Step 编排 │
│ search · auto_memory · auto_dream · auto_link … │
├─────────────────────────────────────────────────────────┤
│ Markdown 知识内核（本地文件即数据库） │
│ FileParser · FileStore · FileGraph · FileWatcher │
│ BM25 倒排 · 向量索引 · Wiki Link 图谱 │
├─────────────────────────────────────────────────────────┤
│ 文件目录约定 │
│ resource/ · daily/ · knowledge/ · proactive/ │
└─────────────────────────────────────────────────────────┘
四层结构从上到下：
- 接入层：让任何 Agent 框架都能用。
- 服务层：HTTP / MCP / CLI 三种协议同时暴露，按 Harness 需求选用。
- 编排层：把能力拆成 Job/Step，可组合、可流式。
- 内核层：Markdown 解析、存储、图谱、监听一体化。
- 目录层：用户最直观看到的文件夹结构，本身就是 ReMe 的"产品形态"。
2.2 三个最直观的故事场景
场景一：金融分析师的产业链知识库
盘后，分析师和 Agent 对话讨论今天看到的几条新能源新闻。第二天打开知识库，发现昨天的对话已经被自动拆分成「钴价波动」「下游电池厂动向」「上游矿企并购」三条事件笔记，分别归档到
knowledge/产业链/ 下相应主题；笔记之间通过 [[钴]] [[宁德时代]] 这样的 wikilink 互相串联。下周再问"钴的下游应用"，ReMe
沿着图谱渐进展开，从一个节点跳到相关的全部上下文。
场景二：个人工作 & 生活第二大脑 日常对话、会议讨论、学习笔记都被主 Agent 实时写入 daily 笔记。夜晚 Agent 空闲时，ReMe 在后台把零散的 daily 内容按" 客户/项目/学习/生活"主题重新整理到 knowledge 库，并自动补全笔记之间的链接。三个月后，用户拥有一份完全属于自己的、可视化的" 第二大脑"，可以用 Obsidian 直接打开浏览。
场景三：Agent 框架开箱接入 开发者在 qwenpaw 或 Claude Code 中安装 ReMe，不需要改 Agent 一行代码 —— Agent 立刻拥有"长期记忆 + 个人知识检索 + 自动整理"三项能力。SDK 集成是无感的：每次对话自动落入 daily，每次检索自动走多模融合，每天空闲自动整理归档。
三、记忆模型：ReMe 把什么存下来
3.1 四类记忆分层
ReMe 不把对话一股脑塞进数据库，而是让记忆像人脑一样有层次：
| 类型 | 存什么 | 典型场景 |
|---|---|---|
| Resource（原始资料） | 原始对话日志、上传的文件、网页 HTML、邮件附件 | 溯源 / 审计 / 二次加工 |
| Daily（日记记忆） | 每天的事件性记忆，主 Agent 实时写入 | "我今天和谁聊了什么"、"今天工作内容" |
| Knowledge（知识记忆） | 主题化、结构化的长期知识 | "光伏产业链"、"我的工作框架" |
| Proactive（主动推送） | Agent 给用户的分析、推荐、心路历程 | 主动提醒、复盘建议、洞察记录 |
短期日记、长期知识、原始素材、主动洞察各司其职 —— 这是 ReMe 区别于"对话历史搜索"类方案的根本差异。
3.2 三种记忆的覆盖
正交于上面的"层次"，按"内容性质"也分三类：
- 个性化记忆 — 用户的偏好、习惯、个人事件（"用户喜欢简洁回复"、"昨天去了上海"）
- 程序化记忆 — Agent 完成任务的过程性经验（"修这类 bug 通常先看日志"、"上次部署失败因为环境变量"）
- 知识类记忆 — 客观知识、领域参考资料（"产业链结构"、"框架文档"）
不同类型的记忆在写入策略、检索权重、过期规则上都会有差异化处理。
3.3 目录约定（用户可读、可备份、可迁移）
~/reme_workspace/
├── resource/ # 原始素材
│ └── 2026-05-18-conversation.json
├── daily/
│ ├── 20260518.md # 当天主索引（兼容 write/edit）
│ └── 20260518/
│ ├── meeting-with-alice.md
│ ├── debug-login.md
│ └── reading-paper.md
├── knowledge/
│ ├── personal/
│ ├── work/
│ ├── financial/
│ │ ├── 光伏产业链.md
│ │ └── 钴.md
│ └── agent/
└── proactive/
└── 20260518.md # Agent 主动产出的建议
所有记忆都是普通 Markdown 文件，用户随时可以：
- 用 Obsidian / Typora / VSCode 打开浏览编辑
- 用 Git / iCloud / 网盘做版本控制和跨设备同步
- 迁移到任何机器，复制目录即可
- 没有黑盒数据库，没有产品锁定
这一点对 Leader 视角尤其重要：用户对自己数据的掌控感，是所有"个人记忆"产品的信任基础。
四、记忆的自进化（核心差异化）
这是新版本最重要的能力，也是和市面所有「记忆即数据库」产品的根本分野。
ReMe 的记忆不是被动存的，是主动长成知识图谱的。
定位句中"自进化成知识图谱"的具体路径，由下面三件套共同承担：auto-memory 在前线把对话拆成事件，auto-dream 在空闲时把事件归档成主题，auto-link 把这一切用 wikilink 串成图。三者协作，daily 流水最终被织成一张越用越密的个人知识图谱。
4.1 Auto-Memory：实时拆事件
主对话进行时，ReMe 在后台把上下文按"事件"自动拆分：
- 用户和 Agent 的连续对话，被识别为若干个独立事件（一次会议、一次 debug、一次学习）。
- 每个事件成为一个独立的
daily/YYYYMMDD/{event}.md笔记。 - 同时在
daily/YYYYMMDD.md维护主索引，所有事件可被反向追溯。
用户体验 ：不需要手动整理。打开当天主索引，事件已经分章节列好，每条都能跳转到独立笔记。这就像有一个秘书在你说话的同时帮你做" 会议纪要的分章节"。
4.2 Auto-Dream：空闲整理
借鉴人在睡眠中"记忆巩固"的机制：
- Agent 检测到空闲（夜晚、用户离开、长时间无交互）时触发。
- 把若干天的 daily 笔记按主题、实体重新组织到
knowledge/{topic}/下。 - 抽取共性、合并重复、生成总结。
用户体验：第二天打开知识库，会发现昨天散落在不同对话里的内容已经按"客户/项目/学习"自动归档，关键概念已经被抽成独立的主题笔记。
这是 ReMe 区别于"对话历史搜索"的关键 —— 它会自己整理。
4.3 Auto-Link：自动建图
后台任务自动从正文里识别实体、候选链接，把隐式关系写回 wikilink：
- 在「光伏产业链」笔记里提到「隆基」，ReMe 自动补
[[隆基]]链接到对应主题笔记。 - 在 daily 事件里提到「Alice」，自动链到
[[Alice]]个人档案。 - 生成的 link 是可见的、可编辑的（写在 Markdown 文件里），用户随时可以修正。
用户体验：知识库随时间自然"越长越密"。浏览时可以从任意一处跳转到相关全部上下文，类似于在自己的脑子里"联想"。
4.4 三者协同：从对话到知识图谱的自然演化
[实时] [离线] [持续]
原始对话 ─Auto-Memory─► daily 事件 ─Auto-Dream─► knowledge 主题
│
Auto-Link
│
▼
知识图谱
整个过程不需要用户操心。用户只需要正常和 Agent 对话，三个月后回头看，就有了一张按主题组织、互相关联、可视化浏览的个人知识图谱——这就是一句话定位里"自进化成知识图谱"的物理产物。
五、检索体验：多模检索 + 渐进式展开
5.1 三路融合的混合检索
ReMe 新版本 同时跑三种检索通路，结果通过 RRF（Reciprocal Rank Fusion）排序融合：
- 向量检索 —— 捕捉语义相似度（"钴" ≈ "锂电正极原料"）
- 关键词检索（BM25） —— 精确匹配，对中文友好（"宁德时代" 一定要命中）
- 图谱检索 —— 通过 wikilink 邻居展开（找到"钴" → 自动带上"刚果(金)"、"嘉能可"）
单一通路都有盲区：
- 纯向量 → 名词术语容易错配。
- 纯关键词 → 同义改写抓不到。
- 纯图谱 → 起点选错就全盘错。
三路融合让检索像"三个人各自查一遍再开会确认"，结果鲁棒得多。
5.2 渐进式展开
传统 RAG 是一次性把 top-K 切片塞进上下文，token 利用率低，而且经常带进不相关的噪音。ReMe 的检索（reme4/steps/common/search.py）是分跳的，且每一跳的"信息密度"刻意不同：
- 第一跳：直接命中的切片——返回 chunk 全文 + 章节骨架。
- 第二跳：1-hop 邻居——只返回邻居的 path + meta（title/tags）+ 边的语义（predicate/anchor），不展开正文。
- 第 N 跳：Agent 主动追问——基于二跳的"目录"，挑出真正相关的邻居，再发起新一次 search 拿正文。
一个具体例子：分析师查询"钴的下游应用"
第一跳直接命中 knowledge/产业链/钴.md 的某一段切片，answer 里这一段长这样：
========== knowledge/产业链/钴.md:42-78 [score=0.0234 vector=0.0123 keyword=0.0111] ==========
# 钴
## 应用
钴是锂电正极材料的关键原料，主要用于动力电池、消费电子和储能……
→ outlinks (3):
→ knowledge/矿产/刚果(金).md title="刚果(金) - 钴矿主产区" tags=['矿产', '非洲']
via predicate=producer, anchor=#钴矿带
→ knowledge/公司/嘉能可.md title="嘉能可 Glencore" tags=['矿企', '海外']
via plain
→ knowledge/产品/三元正极.md title="三元正极材料" tags=['锂电', '正极']
via predicate=downstream
← inlinks (2):
← knowledge/产业链/锂电产业链.md title="锂电产业链总览" tags=['新能源', '锂电']
via predicate=upstream
← daily/20260318/宁德调研纪要.md title="宁德时代调研纪要" tags=['公司调研']
via plain
注意第二跳的信息只有"路径 + 标题 + 标签 + 边的 predicate/anchor"，没有邻居正文。这是关键设计：
- 一次检索就让 Agent 看到"这个主题周围长什么样"——上游是刚果(金)、嘉能可，下游是三元正极，被锂电产业链当作 upstream 引用，最近还在 3 月 18 日的宁德调研里被提到。
- Agent 可以基于这份"目录"判断哪个邻居才是用户真正想要的，再调一次 search 拉对应文件的正文（比如挑
三元正极.md的细节）。
为什么不一次把邻居正文也带回来
如果第二跳直接返回正文，三跳网络很容易把上下文撑爆。当前实现里 max_links_per_direction 默认 10，单跳最多吐出 10 个 outlink + 10 个 inlink 的 meta，每条只占一行，整张二跳目录的成本不到一个 chunk 的 token。
工程层面的关键参数
candidate_multiplier=3.0：候选池预拉limit*3条（最多 200），给 RRF 融合留余量。min_score：过低分切片直接丢弃，避免噪音。expand_links=True：开关二跳展开；关闭则退化为传统 RAG。max_links_per_direction=10：单方向（出/入）最多展示几个邻居，防爆。
用户体验：检索像"翻知识网络"——先看一眼周边目录，再决定要不要深入某一条线，而不是"拉一坨切片塞进上下文"。 工程价值：上下文窗口永远只装最相关的部分，token 成本可控；Agent 也能更精确地解释"我为什么知道这个"——因为它能引用 predicate=upstream、anchor=#应用 这种带语义的边。
5.3 关键词索引的工程价值
很多人忽视：做中文知识库，关键词检索比向量更重要。
ReMe 新版本 自研增量 BM25 倒排索引，配合 jieba 中文分词：
- 增量更新：新增/删除文件无需重建全索引。
- 跨平台：纯 Python + 文件落盘，没有 sqlite/chroma 这类原生扩展。
- 这一点直接解决了老版本在 qwenpaw 等老旧 Linux/Win 系统上的 core dump 兼容问题。
六、Markdown 内核：把文件当数据库
6.1 Obsidian 兼容的 Markdown 格式
ReMe 没有发明新格式，而是完全复用 Obsidian 生态的约定：
-
YAML front matter：标题、标签、描述、自定义字段。
--- title: 光伏产业链研究 description: 从硅料到组件的全链条梳理 tags: [新能源, 光伏, 产业链] parent: 新能源 author: 张三 updated: 2026-05-19 --- # 正文从这里开始title/description/tags是约定字段（参见reme4/schema/file_front_matter.py），其余键值对作为 extras 全部保留，可被检索和图索引消费。 -
4 种 wikilink 写法：
[[X]]：标准链接[[X#anchor]]：链接到文件中的章节[[X|alias]]：自定义显示文本![[X]]：嵌入引用
-
Dataview 风格语义关系：
predicate:: [[X]]，例如parent:: [[新能源]]、founder:: [[张三]]，把 link 升级为带类型的" 边"。 -
标准
[text](xxx.md)链接也会被识别为图边。
意义：用户的知识库可以直接用 Obsidian 打开做可视化浏览，可以用 Obsidian 插件做扩展。ReMe 不是替代 Obsidian，而是给 Obsidian 加上一个会自己写笔记的 Agent。
6.2 比 RAG 更聪明的切片
传统 RAG 用固定 token 长度 + overlap 切片，经常切坏文档结构。ReMe 用 Markdown AST 切片：
- 解析为章节嵌套树（按 H1/H2/H3 分层）。
- 按章节边界递归切分，保留语义完整性。
- 每个 chunk 自带完整的标题骨架（TOC）：检索回来的片段一眼就能看出"这段在哪个章节、什么主题下"。
某 chunk 实际内容长这样：
─────────────────────
# 光伏产业链
## 上游：硅料
### 多晶硅工艺
[chunk 正文]
## 中游：硅片
## 下游：组件
─────────────────────
Agent 拿到这个 chunk，立刻知道层级位置，不会断章取义。
6.3 Graph 索引：双向链接
定位句里"自进化成知识图谱"的物理形态，就落在这一节——每个文件参与两套索引：
- 正向（outlinks）：A → B（A 引用了 B）
- 反向（inlinks）：B ← {A, C, D}（谁引用了 B）
反向链接是知识库可用性的关键 —— 让你站在任意一个概念上，看到"还有哪些地方提到过我"。
ReMe 提供三种 graph backend，按规模和需求切换：
- 本地 dict + JSONL：轻量、零依赖、适合个人规模。
- NetworkX + pickle：方便做图算法分析。
- Neo4j：企业规模、Cypher 查询、可视化丰富。
切换只需配置一行。
七、工程架构：可扩展、可替换、可演进
7.1 Component 框架
ReMe 把所有能力封装为 Component：
embedding · file_store · file_graph · file_parser · file_watcher
tokenizer · keyword_index · LLM 适配 · service · client
每个 Component 都可以：
- Backend 热切换：
local↔nx↔neo4j一行配置改完。 - 生命周期托管：start / close / restart 全自动，幂等保护。
- 依赖声明：组件间相互调用，按依赖图拓扑排序自动启动。
- 持久化钩子：dump/load 标准接口。
这意味着 ReMe 有非常强的可演进性 —— 当某个 backend 不够用了（比如个人 Neo4j 改用云上 Neo4j），换的成本极低。
7.2 Job / Step 编排（借鉴 GitHub Actions）
- Step：最小执行单元，做一件具体的事（如检索、解析、调 LLM）。
- Job：steps 的有序组合，可复用、可流式。
- 对外：每个 Job 同时暴露为 HTTP API / MCP Tool / CLI 命令，无需重复开发。
新增一个能力的标准动作是：
- 写一个 Step（继承 BaseStep，实现 execute）。
- 在配置里把它组合进 Job。
- 自动获得 HTTP / MCP / CLI 三种调用方式。
7.3 配置即应用
一份 default.yaml 描述完整应用：service / components / jobs。
service:
backend: http
components:
file_store:
backend: local
file_graph:
backend: local
jobs:
search:
steps:
- search_step
替换 backend、增删 Job、调整依赖，全部通过配置完成，部署上线无需改代码。
八、生态接入：ReMe 如何被使用
8.1 三种集成路径
| 路径 | 适用对象 | 体验 |
|---|---|---|
| SDK 集成 | qwenpaw / AgentScope 等深度合作框架 | 直接调用 AgentscopeTools，无感拥有 auto-memory / auto-dream / auto-search |
| MCP Tool | 任何支持 MCP 的客户端（Claude Code / Cursor / Cherry Studio） | 配 skill.md，开箱即用 |
| CLI + skill.md | 通用方案，兜底所有 Harness | 一条命令调用，shell 友好 |
三条路径的设计哲学是：不强迫任何 Agent 框架做 ReMe-specific 的改造。
- 对深度合作方，给最丝滑的 SDK。
- 对支持 MCP 的产品，靠 MCP 标准协议。
- 对什么都不支持的环境，CLI + skill.md 兜底。
8.2 服务托管
- 按需拉起：Agent 检测到 ReMe 服务未运行时，可以自动后台拉起，用户无感知。
- 服务发现：
find_reme一键探活，避免端口冲突；多个 ReMe 实例共存时也能精准定位。
8.3 ReMe 的边界
ReMe 专注于知识加工，不做知识获取。
- 数据采集 —— 网页抓取、邮件接入、Slack 同步、文件上传 —— 由上游 Agent 完成。
- ReMe 负责 —— 把这些资料消化、整理、链接、检索、自进化。
这个边界划得清楚的好处：
- ReMe 不和上游的数据接入工具竞争。
- ReMe 不需要为每种数据源写适配，专注做记忆引擎本职。
- 让 ReMe 在"被集成"路线上更纯粹、更通用。
九、应用场景
9.1 金融场景：产业链知识库
输入：研报、调研纪要、行业新闻、对话讨论。 产出：按"产业链 → 公司 → 产品"组织的知识图谱，每个节点都有可追溯的原始素材。 体验：
- 分析师问"锂电下游有哪些应用"，ReMe 沿图谱渐进展开，从"锂电"到"动力电池/储能/消费电子"，再到具体公司案例。
- 发生重大事件时，ReMe 主动在 proactive 笔记里推送"这条新闻和您 3 月份关注的 XX 主题相关"。
9.2 个人工作 & 生活
输入：日常对话、会议记录、学习笔记、思考片段、阅读资料。 产出：daily 流水 + knowledge 主题库 + proactive 主动建议。 体验：
- 使用 1 周：daily 已经在帮你做"今天发生了什么"的自动化日记。
- 使用 1 个月：knowledge 库开始浮现你高频关注的主题（"工作流"、"团队管理"、"读过的书"）。
- 使用 3 个月：知识库已经长成你"第二大脑"，Obsidian Graph View 打开是密集的网状结构。
9.3 Agent 长期陪伴
- Agent 跨会话记得用户偏好、过往任务、失败教训。
- 任务复用：相似任务自动召回过去的程序化记忆作为参考（"上次修这类 bug 你试过 A 方案，没成功；试过 B 方案，成了"）。
- 个性化进化：Agent 越用越懂用户，差异化体验来自 ReMe 维护的个人记忆，而不是模型本身。
十、性能与稳定性
10.1 自研轻量内核
新版本重写了知识引擎的核心模块：
- file parser —— Markdown AST + 章节切片 + wikilink 抽取
- file store —— 内存 chunk 字典 + JSONL 持久化
- file graph —— 双向链接索引，多 backend
- file watcher —— 基于 watchfiles 的轻量监听
- keyword index —— 自研增量 BM25 倒排，原生支持中文
整体纯 Python + 文件持久化，无 sqlite/chroma 等三方原生依赖。
10.2 跨平台稳定性
老版本在 qwenpaw 等低版本 Linux/Win 环境会出现 sqlite 段错误、chroma core dump，这些问题在新版本完全规避：
- 没有 native 扩展依赖。
- 老旧 glibc / 老旧 Python 版本也能跑。
- 安装简单，不需要 cmake、build-essential。
这对一个要被部署到大量异构用户机器的产品至关重要。
10.3 未来：Rust / C++ 高性能内核
- 当前 Python 版本已能覆盖个人规模知识库（万级文件）。
- 规划用 Rust / C++ 重写关键路径（BM25 索引、文件解析、向量计算），支撑：
- 更大规模（十万级文件）
- 更低延迟（亚秒级冷启动）
- 更小内存
- 上层 API 不变，对用户和 Agent 接入方完全透明。
十一、Roadmap：未来 6–12 个月
| 阶段 | 关键里程碑 |
|---|---|
| Now | 组件框架、Job/Step、Markdown 内核、混合检索（向量+BM25+图谱）、HTTP / MCP / CLI 三协议服务 |
| Next | auto-memory / auto-dream / auto-link 全套自进化能力；记忆类型分层；resource / proactive 目录；skill.md 模板；qwenpaw SDK 集成 |
| Later | 多跳渐进检索 API、领域 demo（金融产业链）、个人场景模板包、Rust 高性能内核、可视化管理面板 |
每个阶段都有清晰的对外可演示成果：
- Now → 可以现场演示 ReMe 检索 + Agent 集成。
- Next → 可以演示"今天聊的内容明天自动整理好"。
- Later → 可以演示十万级知识库下的亚秒检索 + 主动推送闭环。
十二、结语：ReMe 想成为什么
ReMe 不止是「记忆库」。
它的目标是：让每个用户拥有一张由本地 Markdown 自进化而成、可携带、可被任意 Agent 调用的个人知识图谱。
当 Agent 时代真正到来时，差异化的不是模型，而是「这个 Agent 是不是了解我」。
ReMe 想做的，就是这份「了解」的载体——一张属于用户自己、Agent 可读可写、会自己生长的图谱。
三个判断：
- 个人记忆是 Agent 时代必然出现的基础设施 —— 不是 ReMe 不做就没人做，而是早做的人有先发优势。
- 本地 Markdown + 自进化 + 知识图谱（叠加被集成路线）—— 这套组合在当下市场是空缺的。
- ReMe 新版本 的工程内核已经就位，剩下是自进化能力 + 生态集成 + 场景模板的三件套加固，路径明确。
附：建议补充材料
- 系统架构图：基于 §2.1 的 ASCII 图重绘为正式设计图。
- 自进化时序图：auto-memory / auto-dream / auto-link 三者的触发和协作时序。
- 演示截图：知识库三个月"自动生长"的 Obsidian Graph View 演示。
- 30 秒 Demo 视频脚本：用户说一句话 → ReMe 自动拆事件 → 第二天看到归档好的知识库。
- 竞品对比表：ReMe vs Memo vs Mem0 vs Letta，重点突出"本地 + 自进化 + 被集成"三个差异点。