定义¶

Sentino 自研的 AI 长期记忆服务（Spring Boot + PostgreSQL + Redis）。多租户（userId × projectId），与对话型 LLM Agent 解耦——LLM 不直接管理 memory，而是把对话扔给 Memex，由后台流水线负责提取、存储、衰减、合并。命名来自 1945 年 Vannevar Bush 的 Memex 设想。

与 auto-memory（Claude Code 本地文件 memory）形成两套截然不同的记忆设计哲学的对照样本。

核心架构：三段流水线¶

Blob (原始对话) ──→ Summary (LLM 清洗) ──→ Profile + Event/Gist
   ↑入库即返回         ↑flush 触发              ↑写库

关键设计：异步批处理（memobase 模式）¶

• 写入廉价：POST /blobs/insert/{userId} 仅入库不调用 LLM
• 处理触发：手动 /flush 或自动（pending ≥ 50 / 10 分钟扫描）
• 一次 flush 一次 LLM 调用：所有 pending blobs 打包，三类提取（summary / profile / reinforce）一次完成
• 实测 19 blobs 从 285s（每 blob 三次）降到 15s（一次批处理），19× 提升

数据模型（4 实体）¶

4 级重要度 + TTL 衰减（核心机制）¶

遗忘 = forgetAt 到期被定时扫描标记 FORGOTTEN（不删除，可恢复）。

4 类记忆类型与等级正交：event / info / schedule / ai_insight

Reinforce 机制（最有特色的设计）¶

LLM 输出里有 ### Reinforce 段落，列出要"强化"的现有 gist id。强化 = 重置 forgetAt 时钟。

prompt 强烈引导："Reinforce 已有记忆 > 创建新记忆"。这是抗膨胀和去重的核心杠杆——同一信息再次出现时不创建新 gist，而是延长老 gist 寿命。

注意：Reinforce 是 prompt-driven 而非代码硬约束，意味着 prompt 质量直接影响膨胀速度，且存在 LLM 幻觉编造 gist_id 的风险。

三阈值抗膨胀¶

夜间合并¶

3:00 AM 定时任务：24 小时内产生 >50 active gist 的用户跑 mergeAllGistsForUser()。

重要权衡：合并是离线兜底，不是每次 flush——高频用户会有"重复记忆窗口期"直到次日 3 AM。设计上靠 reinforce 在线缓解、merge 离线兜底。

检索（生产实际行为）¶

GET /users/context/{userId}?query=... → 纯文本：

[User Profile]:
{location=NY, hobby=coding}

[Relevant Memories]:
- [gist_xxx] User moved to NY // info | core
- [gist_yyy] User likes Java // info | important

embedding 列已建未用。<500 active gists 时全量返回 profile + gist；超过才走 vector（兜底而非主路径）。

Prompt 统一中文（cache 优化）¶

不再按用户语言分 zh/en/ja/ko 四套，统一用 ChineseCombinedPrompt.java，输出语言由 prompt 内规则控制。

理由：4 套 prompt 完全击穿 LLM provider 的 prompt cache，命中率为 0；维护成本 4×。统一后单个 prompt cache 跨所有用户共享。这是与 harness-engineering "Cache 经济学是架构约束"原则的应用案例。

与 Claude Code Auto Memory 的根本分歧¶

一句话哲学差异¶

• Claude Code = LLM-in-the-loop：让 LLM 决定记什么。少而精
• Sentino Memex = LLM-as-extractor：流水线提取一切，让重要的活下来。多而衰减

两套都解决"如何让 memory 不腐烂"，前者控写入边界，后者控保鲜机制。两种策略不是优劣之分，而是适配不同场景的工程选择。

对外定位锚点（与 Claude Code 同路线背书）¶

向客户/合作方讲 Memex 时的最高优先级技术锚点：Sentino 选文本结构化记忆 + 大模型自判，与 Anthropic Claude Code 同方向，与 mem0 等向量检索方案是不同代际的判断。

行业 2022–2023 流行向量检索方案的固有问题在 2025–2026 年充分暴露： - 拉错："我对花生过敏"和"我喜欢花生酱"语义相似度高但意义相反——可能涉及健康/合规风险 - 不可审计：向量空间是黑盒，AI 答错时工程师无法解释为什么选了那条 - 不可编辑：用户要求"忘掉某事"，向量库无精确位置可删 - 不可预期：近似搜索特性导致同样查询可能给出不一致结果

随着大模型上下文窗口扩大、推理成本下降，行业判断转向"让模型读全集自判"。Anthropic 在 auto-memory 上做出同样选择是最有说服力的技术背书——Anthropic 这么选、Sentino 这么选，是同一个判断。

详见客户向说明文档：/Users/momo/local/claude-code/sentino-memex-positioning.md（包含与 mem0 客户视角对照表 + 完整技术规格附录）；同步推到 iot-docs/sentino/memex-positioning.md 与英文版 memex-positioning-en.md。

首次实战：yukai-agora-poc PRD AC-08 写"记忆 (mem0)"——这里 mem0 是行业能力代名词，Sentino 用 Memex 实际交付。这是 Memex 的首次对外白标客户战，sentino-memex-positioning 中英文版即为该客户准备的术语切换教育材料。

2026-04 销售对照样本扩展：从 mem0 单对照到三对照¶

2026-04-28 摄取 google-memory-bank 调研后明确：销售姿态从"对照 mem0 一家"扩到"对照 mem0 + Memory Bank 两家"。两个对照样本的差异化论证不同：

Memory Bank 是更难回答的对照样本——客户问"为什么不用 mem0"可以拿"路线代际"答；问"为什么不用 Memory Bank"必须用"具体能力对比 + 业务约束"回答（数据主权 / 模型解绑 / 算法定制深度）。sentino-memex-positioning 销售材料应当补充 Memory Bank 列，把差异化论点从单维（路线）扩到多维（路线 + 控制权 + 模型策略 + 数据主权 + 定制深度）。

Memory Bank 把 mem0 自承的 4 大未解问题给了部分内置答案（详见 google-memory-bank 对应段）：staleness / privacy 直接答，consent / cross-session identity 部分答。这意味着"mem0 作为行业代名词的稳定性"在 2026-2027 会被挤压——但短期内（半年到一年）mem0 在开源社区的代名词地位还在，PRD 写 mem0 仍主要是行业代名词。

销售姿态自检：4 Why 框架下 Memex 论证强弱¶

why-change-why-you-why-now B2B 销售经典框架（Kim Graves 2026-04 访谈引用并验证）应用到 Memex 销售：

含义：sentino-memex-positioning 销售材料补强方向应当是 Why now（mem0 staleness 已被广泛承认的时点 + 行业 governance 要求上升）+ Why trust（第一批客户案例待出）。Kim Graves 给的另一启示是 "客户案例 > AI 口号"——OpenAI / Perplexity 用 Notion 这种案例叙事比"我们 AI 多强"有效得多，yukai-agora-poc 交付后应当尽快产生可对外引用的客户案例。

适用场景判断¶

Sentino 选 Memex 模式合理——sentino 的 AI 语音陪伴产品天然是高频、多用户、记忆是核心资产而非 Agent 的辅助。

观察到的非显然设计选择¶

1. 写入主体不是 LLM：与 Claude Code 完全相反，对话型 LLM 不感知 memory 何时被写入
2. 状态机存 JSONB：blob status 没建独立列，性能上靠分区
3. Embedding 已建未用：1024-dim vector 列在 Event/Gist 都有，但生产路径绕过它
4. Reinforce 是 prompt-driven 的：不是硬约束，prompt 质量直接影响膨胀速度
5. TTL 不是删除：FORGOTTEN 状态保留数据，不参与默认检索
6. Profile vs Event 二元结构：Profile 是属性快照（覆盖式），Event 是时间序列（追加式），同一信息可能同时进两边

待观察 / 改进点¶

1. Reinforce 的幻觉风险：LLM 编造不存在的 gist_id 的命中率多少？
2. 夜间合并的"重复窗口期"是否被 reinforce 充分缓解？需看实际 gist 增长曲线
3. Vector embedding 列已建未用，是技术债还是未来路径？
4. Profile 覆盖式更新如何处理冲突（"去年住北京，今年住上海"）？
5. Memory Bank 启发的 v2 设计选项（2026-04-28 摄取后追加，不是必须跟，是设计选项；完整工程拆解 + 排期建议 + 反建议见 2026-04-28-memex-v2-design-options）： - 两种写入姿态并列（P1）：增加 memory-as-a-tool 入口让 agent 显式写记忆（如用户说"记住这件事"），与现有被动批提取并存——参考 google-memory-bank GenerateMemories + CreateMemory - Scope 演进为 arbitrary dict（P2，等触发）：当前 userId × projectId 二维固定，Memory Bank arbitrary dict 在多客户白标场景更灵活——可考虑增加 sessionId / agent_id 等额外维度 - Memory revisions API + IAM（P1，业务驱动力最强）：当前可 DB 直查，但客户合规场景需要 API 层暴露 revision 历史 + 细粒度访问控制——参考 Memory Bank IAM Conditions 模式 - Topic 概念化对照（P3，与写入姿态配套做就顺手）：当前 4 类（event / info / schedule / ai_insight）vs Memory Bank 4 个 managed topics——两组切分轴不同（Memex 按内容性质，Memory Bank 按用户视角），对照看是否漏了 source 维度

完整研究链路：→ 2026-04-28-memex-v2-design-options（每个借鉴点的工程拆解 / 工程量评估 / 业务驱动力 / 优先级 + 不应该做的事 + 反建议）

相关概念¶

• auto-memory — Claude Code 本地文件 memory，与 Memex 形成两套设计哲学的对照样本
• auto-dream — Claude Code 的整合机制，对应 Memex 的"夜间合并 + Reinforce"
• harness-engineering — Memex prompt 统一中文是"Cache 经济学"原则的实例
• ai-agent-moats — Memex 是 Sentino 的"数据飞轮"载体之一
• mem0 — Memex 主要对照的第三方方案之一，2022-2023 主流向量检索路线，与 Memex/Auto Memory 反方向
• google-memory-bank — 2026-04 新加入对照样本：托管路线代表，与 Memex 同为"后台流水线 + 异步提取"路线，差异在 topic 预定义 + 强制绑 Gemini + scope/IAM 治理内置；销售姿态从"对照 mem0 一家"扩到"对照 mem0 + Memory Bank 两家"
• sentino-agent — Memex 是 Sentino Agent 平台的长期记忆服务
• sentino — Sentino 选 Memex 模式与"AI 陪伴+记忆是核心资产"的产品定位匹配
• yukai-agora-poc — Memex 首次对外白标客户战（PRD 用 mem0 作能力代名词，Sentino 用 Memex 实际交付）
• process-data-vs-output-data — Memex 当前记产出（事实/偏好），未覆盖过程数据（agent 完成任务的最佳路径）；潜在扩展方向
• work-experience-ownership — 客户向 Memex 写入终端用户记忆时的所有权约定问题（员工/用户/平台三方）
• why-change-why-you-why-now — Memex 销售姿态 4 Why 自检：Why you 强 / Why now + Why trust 弱，是 sentino-memex-positioning 销售材料补强方向
• plg-sales-coordination — Kim Graves "客户案例 > AI 口号"销售姿态印证 Memex 销售当前已经在做对（讲客户场景 + 行业对照而非"AI 记忆有多强"）