三层记忆系统：云端 / 用户级 / 项目级详解

大语言模型天生是"无状态"的——每次对话都是一张白纸。但在实际工作中，我们需要 AI 记住：你的编码风格偏好、项目的目录结构、上次讨论的架构决策、团队的命名规范……WorkBuddy 的三层记忆系统正是为此而生，它让 AI 跨会话、跨项目、跨用户保持上下文，真正成为"了解你的数字员工"。

🧠三层记忆架构

WorkBuddy 的记忆系统分为三个层级，从全局到局部逐层细化：

三层记忆的优先级为：项目级 > 用户级 > 云端。当存在冲突时，更具体的层级覆盖更通用的层级。例如，项目级的"使用 Tab 缩进"会覆盖用户级的"使用 2 空格缩进"。

☁️第一层：云端记忆

云端记忆是组织级共享知识库，通常由团队管理员维护，所有成员可读：

典型内容

• 产品文档：API 接口规范、数据模型定义、业务流程说明
• 技术规范：编码规范、架构标准、安全策略、发布流程
• 运维知识：常见故障处理手册、服务拓扑、监控指标说明
• 业务知识：行业术语、竞品信息、合规要求

配置方式

{
  "memory": {
    "cloud": {
      "enabled": true,
      "sources": [
        {
          "type": "confluence",
          "space": "TECH-DOCS",
          "syncInterval": 3600
        },
        {
          "type": "git",
          "repo": "org/knowledge-base",
          "branch": "main",
          "path": "/docs"
        }
      ],
      "maxContextTokens": 8000
    }
  }
}

云端记忆通过向量检索（RAG）机制工作：当用户提问时，系统自动从云端知识库中检索相关片段，注入到上下文中。管理员可以设置同步间隔，定期从 Confluence/Git 等源拉取最新内容。

👤第二层：用户级本地记忆

用户级记忆是个人专属的偏好和习惯，存储在本地文件系统中，跨项目生效：

典型内容

• 编码偏好：缩进风格（Tab/2空格/4空格）、命名习惯、注释风格
• 常用命令：项目启动命令、部署命令、测试命令
• 工作习惯：日报格式偏好、会议纪要模板、邮件签名
• 个人知识：常用代码片段、个人笔记、学习记录

存储位置

# macOS / Linux
~/.workbuddy/memory/

# Windows
%USERPROFILE%\.workbuddy\memory\

记忆文件格式

用户级记忆以 Markdown 文件存储，支持自由组织：

# ~/.workbuddy/memory/preferences.md

## 编码风格
- Python：使用 Black 格式化，行宽 88
- JavaScript：使用 Prettier，2 空格缩进
- 注释：使用中文注释，函数必须有 docstring

## 常用操作
- 项目启动：`pnpm dev`
- 运行测试：`pytest -v --cov`
- 部署：`make deploy STAGE=staging`

## 工作偏好
- 日报格式：按项目分组，每项标注完成百分比
- PR 描述：必须包含"变更原因"和"测试方法"两节
- 分支命名：feature/JIRA-ID-简短描述

自动学习

WorkBuddy 会自动学习你的偏好并写入用户级记忆：

• 当你多次使用相同的代码格式化选项，系统会记住你的偏好
• 当你纠正 AI 的输出风格（如"不要加注释"），系统会记住这个偏好
• 当你频繁使用某个命令，系统会将其加入常用命令列表

自动学习的记忆会标记为 [auto-learned]，你可以随时审查和修改：

查看我的所有记忆
删除记忆中关于"注释风格"的条目
修改记忆：我的 Python 行宽偏好改为 120

📁第三层：项目级工作记忆

项目级记忆是最具体、最动态的记忆层，存储在项目目录中，与项目绑定：

典型内容

• 项目结构：目录树、关键文件位置、入口文件
• 技术栈：语言/框架版本、依赖列表、构建工具
• 项目规范：特定的编码规范、Git 分支策略、发布流程
• 架构决策：ADR（Architecture Decision Records）、设计选择及原因
• 工作上下文：当前 Sprint 目标、待解决的 Issue、近期变更

存储位置

项目根目录/
└── .workbuddy/
    ├── memory/
    │   ├── project.md          # 项目基本信息
    │   ├── architecture.md     # 架构决策记录
    │   ├── conventions.md      # 项目规范
    │   └── context.md          # 当前工作上下文
    ├── skills.json             # 项目技能配置
    └── automations/            # 项目自动化任务

项目记忆示例

# .workbuddy/memory/project.md

## 项目信息
- 名称：WorkBuddy 官网
- 技术栈：Hugo + Tailwind CSS
- 部署：Vercel
- 仓库：github.com/org/workbuddy-site

## 目录结构
- content/：Markdown 内容文件
- layouts/：Hugo 模板
- assets/：CSS/JS/图片资源
- data/：JSON/YAML 数据文件

## 关键约定
- 所有页面必须有 meta description
- 图片使用 WebP 格式，懒加载
- CSS 遵循 BEM 命名规范

自动扫描

当你首次在项目中打开 WorkBuddy 时，它会自动扫描项目结构并生成初始记忆：

• 读取 package.json / pyproject.toml / go.mod 识别技术栈
• 扫描目录结构，记录关键文件位置
• 读取 .editorconfig / .eslintrc / pyproject.toml 提取编码规范
• 读取 README.md 提取项目描述

Git 集成

项目级记忆可以提交到 Git，让团队成员共享项目上下文：

git add .workbuddy/memory/
git commit -m "chore: update project memory with architecture decisions"

建议将 .workbuddy/memory/project.md 和 architecture.md 提交到 Git（团队共享），而 context.md（个人工作上下文）加入 .gitignore。

🔍记忆检索机制

三层记忆的检索采用分层 RAG（Retrieval-Augmented Generation）机制：

1. 查询分析：分析用户问题，提取关键词和语义向量
2. 分层检索：同时从三个层级检索相关片段
3. 相关性排序：按语义相似度排序，优先级高的层级加权更大
4. 去重合并：合并三层结果，去除重复内容
5. 上下文注入：将最终结果注入到 LLM 的上下文窗口中

⚙️记忆管理操作

# 查看记忆
查看我的所有记忆                    # 列出用户级记忆
查看项目记忆                        # 列出项目级记忆
搜索记忆中关于"部署"的内容          # 关键词搜索

# 编辑记忆
在项目记忆中添加：我们使用 pnpm 作为包管理器
修改用户记忆：Python 格式化改为 ruff

# 清理记忆
清理30天未使用的记忆条目            # 按时间清理
删除记忆条目 #42                    # 按编号删除

# 导入导出
导出我的记忆到 memory-backup.json   # 备份
从 memory-backup.json 导入记忆      # 恢复

🔒隐私与安全

• 云端记忆：存储在腾讯云加密存储中，传输使用 TLS，访问需企业认证
• 用户级记忆：仅存储在本地文件系统，不上传云端，完全由用户控制
• 项目级记忆：存储在项目目录中，是否提交到 Git 由团队决定
• 敏感信息过滤：WorkBuddy 自动检测并阻止将 API Key、密码等敏感信息写入记忆