Движок самобучающейся памяти для программирующих агентов

Движок самобучающейся памяти на основе MCP (Model Context Protocol), обеспечивающий программирующим агентам способность к обучению по замкнутому циклу из четырёх уровней: «восприятие — рефлексия — консолидация — применение». Позволяет агенту учиться на ошибках и становиться сильнее с каждым использованием.

Обзор архитектуры

┌──────────────────────────────────────────────────────┐
│                    编程智能体                          │
│  (Claude Code / Cursor / 任何支持 MCP 的智能体)       │
└──────────┬───────────────────────┬────────────────────┘
           │ MCP Protocol          │
    ┌──────▼──────┐         ┌──────▼──────┐
    │  应用层      │         │  感知层      │
    │  检索+注入   │         │  错误捕获    │
    └──────┬──────┘         └──────┬──────┘
           │                       │
    ┌──────▼──────┐         ┌──────▼──────┐
    │  沉淀层      │         │  反思层      │
    │  技能+记忆   │◄────────│  根因分析    │
    └──────┬──────┘         └─────────────┘
           │
    ┌──────▼──────┐
    │  存储层      │
    │  SQLite+FTS5 │
    └─────────────┘

Related MCP server: Self-Learning MCP

Замкнутый цикл из четырёх уровней

Установка

# 进入项目目录（替换为你本机的实际路径）
cd memory-engine

# 安装依赖（绕过代理）
pip install --no-proxy -e .

# 或手动安装
pip install --no-proxy mcp[cli] jieba

Настройка MCP-сервера

ZCode / Claude Code

Добавьте в файл конфигурации MCP:

{
  "mcpServers": {
    "memory-engine": {
      "command": "python",
      "args": ["-m", "memory_engine.server"],
      "cwd": "<项目根目录的绝对路径>"
    }
  }
}

Замените <абсолютный путь к корню проекта> на фактический путь к клонированному/размещённому проекту на вашей машине (то есть к каталогу, содержащему pyproject.toml), например, в Windows — вида D:/tools/memory-engine, в macOS/Linux — вида /home/user/tools/memory-engine.

Cursor / VS Code

Добавьте ту же конфигурацию в .cursor/mcp.json или в настройки MCP в VS Code.

Автономный запуск (для отладки)

cd memory-engine
python -m memory_engine.server

Основной рабочий процесс

0. Захват сигналов из диалога (усиление восприятия)

В процессе vibe coding оператор часто оставляет в диалоге явные сигналы — акцентирующие указания вроде «обратите внимание», «запомните», а также упрёки, вызванные повторяющимися ошибками агента («опять…», «сколько раз я говорил…»). Эти высказывания — самый ценный учебный материал, их следует захватывать и включать в память:

capture_conversation_signals(
  conversation_text="用户: 请注意，bat文件必须用ANSI编码
用户: 怎么又是编码问题，我说过多少次了",
  auto_record=true
)

Детектор распознаёт четыре типа сигналов и сортирует их по приоритету:

Результаты распознавания автоматически записываются как наблюдения типа conversation_signal; при рефлексии используется специально адаптированный промпт (вывод о прошлых ошибках + формулировка правил в повелительном наклонении), дальнейший процесс идентичен рефлексии над ошибками.

1. Запись ошибки (восприятие)

При сбое выполнения инструмента агент вызывает:

record_observation(
  obs_type="tool_error",
  tool_name="Bash",
  error_message="bat文件执行报错：编码错误",
  context="在Windows上创建的bat文件包含中文注释",
  tags="encoding,windows,bat"
)

2. Рефлексивный анализ (рефлексия)

Получение промпта для анализа:

get_reflection_prompt(obs_id="abc123")

Агент анализирует первопричину на основе возвращённого промпта, затем сохраняет результат:

reflect_and_save(
  obs_id="abc123",
  root_cause="Windows的cmd.exe默认使用系统ANSI编码，UTF-8编码的bat文件会导致中文注释被解析错误",
  category="encoding",
  lesson="在Windows上创建bat文件时，文件必须使用ANSI/GBK编码，而非UTF-8",
  solution="将bat文件保存为ANSI编码，或使用chcp 65001切换代码页",
  tags="encoding,windows,bat,cmd",
  generalizable=true
)

3. Выделение навыка (консолидация)

После накопления достаточного опыта проверьте, можно ли выделить навык:

check_consolidation()

Создание навыка:

create_skill(
  name="windows-bat-encoding",
  description="Windows bat文件中文编码问题的处理方法",
  trigger_conditions="创建或编辑.bat文件\n在Windows上运行脚本失败且涉及中文",
  steps="将文件保存为ANSI编码\n或使用chcp 65001 + UTF-8 BOM",
  caveats="chcp 65001仅在当前cmd会话有效\n某些旧版Windows不支持UTF-8 BOM",
  category="encoding"
)

4. Поиск и применение (применение)

Перед началом новой задачи получите релевантный опыт:

get_context(task_description="需要创建一个Windows批处理脚本来部署应用")

Возвращается контекст, содержащий релевантные навыки и кейсы, который напрямую внедряется в промпт.

Уровни памяти

Хранение данных

• База данных SQLite (data/memories.db): структурированное хранение, поддержка полнотекстового поиска FTS5

• Журнал JSONL (data/observations.jsonl): журнал добавления исходных записей наблюдений

• Файлы Markdown (data/skills/): сгенерированные документы навыков, читаемые человеком, поддерживают контроль версий

Структура проекта

memory-engine/
├── 开发思路.md              # 设计文档
├── README.md                # 本文件
├── pyproject.toml           # Python 项目配置
├── requirements.txt         # 依赖列表
├── config/
│   └── settings.json        # 引擎配置
├── src/memory_engine/
│   ├── __init__.py
│   ├── server.py            # MCP 服务器入口（15个工具）
│   ├── models/
│   │   └── schemas.py       # 数据模型
│   ├── observation/
│   │   ├── collector.py     # 感知层：错误收集器
│   │   └── signal_detector.py # 感知层：对话信号检测器
│   ├── reflection/
│   │   └── analyzer.py      # 反思层：根因分析器
│   ├── consolidation/
│   │   ├── memory_store.py  # 存储层：SQLite + FTS5
│   │   └── skill_generator.py # 沉淀层：技能生成器
│   └── application/
│       └── retriever.py     # 应用层：记忆检索器
├── data/
│   ├── memories.db          # SQLite 数据库（运行后生成）
│   ├── observations.jsonl   # 观察日志（运行后生成）
│   └── skills/              # 技能 Markdown（运行后生成）
└── tests/
    └── test_engine.py       # 测试

Категории ошибок

encoding | build_error | runtime_error | test_failure | dependency | configuration | platform_specific | performance | security | best_practice | api_usage | preference | communication | other

Концепция дизайна

• Без зависимости от внешней LLM: рефлексия и выделение навыков выполняются вызывающей стороной (самим агентом), движок предоставляет только каркас и хранилище

• Нативный MCP: работает как стандартный MCP-сервер, любой агент, поддерживающий MCP, может подключиться напрямую

• Совместная работа человека и машины: все воспоминания и навыки хранятся в читаемых человеком форматах (Markdown, JSON), что удобно для проверки и сопровождения

• Постепенное обучение: от единичной ошибки → эпизодическая память → семантическая память → навык, уровень за уровнем абстракции и постепенного выделения