llm_wiki/wiki/opencode-mem 人机协同流程.md

categories, tags, created, source, type, aliases

categories	tags	created	source	type	aliases
LLM Wiki	wiki tool opencode memory automation 记忆系统	2026-04-20	AGENTS.md	tool	opencode-mem 记忆系统

opencode-mem 人机协同流程

opencode-mem 是 opencode 的持久记忆插件（v2.13.0），使用 SQLite + USearch 向量数据库实现跨会话经验积累。

基本信息

属性	值
仓库	tickernelz/opencode-mem
版本	2.13.0
存储	~/.opencode-mem/data/memories.db
Web UI	http://127.0.0.1:4747
配置	~/.config/opencode/opencode-mem.jsonc
本项目 container_tag	project_0f39be4f

三层记忆架构

opencode-mem 通过 container_tag 字段在单个 SQLite 数据库中实现三层隔离：

层级	container_tag 前缀	作用域	示例
系统级	system_*	全局通用知识	Git 操作、编程语言技巧
用户级	user_*	用户偏好和习惯	偏好中文输出、特定工作流
项目级	project_*	项目专属知识	vault 架构、frontmatter 规范

container_tag 由项目路径的 MD5 哈希前 8 位生成，例如：

• D:\Applications\app\kepano-obsidian-main → project_0f39be4f
• D:\TC_UP\2023card → project_7d38e4b1

工作流程

graph TD
    A[用户通过 obsidian-opencode 发起对话] --> B[opencode-mem hook 自动触发]
    B --> C[向量检索：在 memories.db 中查找相关记忆]
    C --> D[注入 system prompt：agent 获得历史经验]
    D --> E[agent 执行任务]
    E --> F[对话结束]
    F --> G[LLM 自动提取有价值信息]
    G --> H[去重 + 存入 memories.db]
    H --> I[下次对话时 C 步骤检索到新记忆]

1. 自动捕获（Auto Capture）

• 配置：autoCaptureEnabled: true
• 时机：每次对话结束后
• 流程：LLM 判断对话中哪些信息值得长期记住 → 提取 → 去重 → 存储
• 语言：autoCaptureLanguage: "auto"（自动检测）

2. 记忆注入（Memory Injection）

• 配置：chatMessage.enabled: true, maxMemories: 10
• 时机：每次对话开始时
• 流程：向量搜索与当前话题相关的记忆 → 注入 agent 的 system prompt
• 注入位置：injectOn: "first"（首次注入）

3. 用户画像（User Profile）

• 配置：injectProfile: true, userProfileAnalysisInterval: 10
• 作用：每 10 次对话自动分析用户偏好，生成/更新用户画像
• 画像会随记忆一起注入，让 agent 更了解用户习惯

4. 压缩合并（Compaction）

• 配置：compaction.enabled: true, memoryLimit: 10
• 触发：当记忆条数超过限制时
• 流程：LLM 自动合并相似条目，减少冗余

与其他记忆系统的关系

维度	opencode-mem	AGENTS.md	WorkBuddy
存储	SQLite 向量数据库	Markdown 文件	Markdown 文件
检索	语义向量搜索	加载到上下文	文本 grep
自动化	Hook 自动捕获	手动维护	TOML 定时任务
跨项目	✅ container_tag 隔离	✅ 仓库根目录	❌ 项目内独立
持久性	✅ 对话间持久	✅ 文件级持久	✅ 文件级持久
可见性	Web UI（4747端口）	直接编辑	直接编辑
适合内容	隐式经验、解决方案	显式规范、模板	任务状态、项目进度

[!important] 核心原则 AGENTS.md = 显式规范（所有人/agent 都能直接读） opencode-mem = 隐式经验（跨会话自动积累） 两者互补，不能互相替代。重要规范应同时写在 AGENTS.md 中。

人机协同分工

职责	人类	opencode-mem（自动）	AGENTS.md（手动）
制定规范	✅ 编写/审核	—	✅ 显式记录
积累经验	—	✅ 自动捕获	—
记忆维护	✅ Web UI 审查	✅ 自动去重/压缩	✅ 手动更新
纠错	✅ 删除/修改错误记忆	—	✅ 修正规范
质量保障	✅ 定期审查	✅ 向量去重	✅ Lint 检查

注意事项

[!warning] 记忆质量需要人工审查 自动捕获可能产生低质量或过时记忆。建议每周通过 Web UI（http://127.0.0.1:4747）查看一次，删除不准确的内容。

[!warning] 压缩可能丢失细节 compaction 自动合并相似条目时可能丢失细节。重要规范务必同时写在 AGENTS.md 中。

[!tip] 向量模型依赖 当前使用智谱 Embedding-3（1024维），依赖 ZHIPUAI_API_KEY 环境变量。如果 API key 过期，记忆检索会降级。

[!tip] 项目迁移时需更新 container_tag 项目路径改变时，container_tag 会变化，需手动迁移记忆（参考本页「迁移记录」节）。

汇报规则

每次对话结束时，agent 必须简要汇报 opencode-mem 记忆更新情况：

• 有变更：说明新增/修改/删除了哪些记忆
• 无变更：说明"本次无记忆变更"

汇报示例：

📋 opencode-mem 记忆汇报：本次对话新增 1 条记忆（工具目录约定），修改 0 条，删除 0 条。

本项目当前记忆清单

记忆 ID	类型	内容摘要
mem_*_d06fbcb2	best_practice	MEMORY.md 精简经验：动态内容与长期规范分离
mem_*_fcb1713f	knowledge_gap	教育AI研究项目状态跟踪（待确认）
mem_*_vault_structure	best_practice	双层架构：PARA 层 + LLM Wiki 层
mem_*_tools_convention	best_practice	工具文件统一存放 tools/ 目录
mem_*_obsidian_skills	best_practice	Skills 优先级 + 布尔值 frontmatter 规则
mem_*_frontmatter_rules	best_practice	Frontmatter 编写规范（created、wikilink、引号）

配置参考

当前配置（~/.config/opencode/opencode-mem.jsonc）：

{
  "storagePath": "C:\\Users\\hhhh2024\\.opencode-mem\\data",
  "embeddingApiUrl": "https://open.bigmodel.cn/api/paas/v4",
  "embeddingApiKey": "env://ZHIPUAI_API_KEY",
  "embeddingModel": "embedding-3",
  "embeddingDimensions": 1024,
  "autoCaptureEnabled": true,
  "autoCaptureLanguage": "auto",
  "webServerEnabled": true,
  "webServerPort": 4747,
  "userProfileAnalysisInterval": 10,
  "injectProfile": true,
  "opencodeProvider": "zhipuai-coding-plan",
  "opencodeModel": "glm-4.5-air",
  "maxMemories": 10
}

相关页面

• AGENTS.md — 仓库级 agent 操作指南
• Obsidian-skills — Obsidian 插件生态
• 教育AI研究项目 — WorkBuddy 自动化项目
• opencode — opencode 工具本身

来源

• AGENTS.md — 仓库规范（含 opencode-mem 汇报规则）
• opencode-mem README — 插件官方文档
• 实际数据库分析 — ~/.opencode-mem/data/memories.db 结构检查