TRAE AI 创造力大赛 · 学习工作赛道 · 初赛 Demo 展示

MemoryCenter

LLM 的时序记忆"档案库" —— 不同 Agentic 下的 LLM 直接获得非本 Agentic 开启的项目完整记忆与脉络,像人类大脑一样分级巩固、自动遗忘、按需召回特定细节记忆信息。

赛道 学习工作 · 造个新解法 形态 Rust 单二进制 + MCP Server 创作工具 TRAE IDE / TRAE Work

01我们解决了什么问题

LLM 虽强,但每次对话结束即"失忆"。开发者反复向 Agent 解释项目背景,跨工具协作时记忆无法迁移,长项目里关键决策被遗忘。这不是模型能力问题,是记忆基础设施缺失。

跨会话失忆

每次新会话都要从头解释项目背景、技术栈、历史决策,重复消耗 token 与时间

多 Agent 孤岛

用 Trae 开发、切到 Claude Code 调试、又用 Cursor 编辑,三套上下文彼此不通

长项目记忆超载

会话上下文窗口放不下整个项目历史,关键事实被淹没在无关对话里

现有方案两难

Zep/Letta 时序强但部署重,agentmemory 部署轻但时序治理浅,难两全

02我们的方案

MemoryCenter 是一个 Rust 单二进制库,为 AI Agent 提供"生物学节律般的记忆机制"——灵感来自大脑的分级巩固:短期记忆 → 长期记忆 → 遗忘淘汰。Agent 达到阈值时冻结完整对话上下文为记忆文件,通过三级周期管理记忆生命周期。

Agent 对话
Trae / Claude / Cursor
达到阈值
MemoryCenter 归档
三级周期
日 / 周 / 月
下次会话
摘要钩子召回

四个独家护城河

01

三级索引周期 + 4 维加权评分淘汰

天归档 / 周无损去重合并 / 月评分淘汰(时效性 / 访问频率 / 主题相关性 / 用户显式标记)。竞品要么不淘汰、要么事实级失效。

02

完整对话非摘要归档

所有竞品都走压缩 / 抽取 / 摘要路径,MemoryCenter 无损保存可追溯。归档与摘要分离:原文用于回溯,摘要用于注入。

03

Rust 单二进制 + C ABI 嵌入

唯一可嵌入宿主进程的方案,零外部依赖。部署只需一个二进制文件,不像 Zep/Letta 需要 Postgres + 多服务编排。9 种语言绑定覆盖 Rust / C / Python / Node / Java / Go / WASM。

04

17 类消息级标签

粒度最细,支持按工具调用 / 思考过程 / 代码块 / 附件 / 图片等维度筛选检索。LLM 可指定标签精准拉取所需信息。

03三级周期:生物学节律映射

不是简单的"存取",而是模拟大脑记忆巩固机制——重要的事被反复访问而强化,无用的事被自动遗忘。

DAILY · 天级

持续归档

对话达到阈值时,冻结完整上下文为记忆文件,生成结构化摘要钩子。

  • 完整对话非摘要保存
  • 17 类标签自动标注
  • 摘要钩子注入 system prompt
WEEKLY · 周级

无损去重合并

本周多次归档的记忆合并,去除重复内容,保留完整脉络。

  • 跨归档内容去重
  • 时间线合并保序
  • 标签归一化
MONTHLY · 月级

4 维评分淘汰

根据时效性、访问频率、主题相关性、用户显式标记加权评分,淘汰低价值记忆。

  • 4 维加权评分
  • 过期事实自动降级
  • 用户标记优先保留

04核心创意点

不止"记住对话",而是构建一套让 Agent 自治的记忆基础设施——归档、召回、迁移、淘汰、可视化全链路闭环。点击卡片查看技术细节。

架构创新

阈值监控 + 主动清空

跳过 LLM 压缩步骤,直接清空 Agent 内部会话上下文。sidecar 实时监控 tokens 累积值(基于 step-finish 真实消耗),阈值到达前主动归档完整上下文到 MemoryCenter,然后插入 compaction 消息对让 Agent 无感清空旧消息。下次会话通过 prompt 工具召回历史记忆——用 memory-center 归档摘要替代 LLM 压缩摘要。

技术构想:sidecar 轮询 Agent DB 的 step-finish part 提取 input/output/reasoning tokens,累积值达到阈值 80% 时触发主动归档 + 插入 compaction 消息对。Agent 下次加载时通过 completedCompactions() 将旧消息加入 hidden 集合,实现无感清空。
架构

AgentAdapter trait 抽象层

新增任何 Agent(Claude Code / Cursor / OpenCode / 自研工具)仅需实现 AgentAdapter trait 的 5 个方法,无需修改 watcher / archive / state 任何代码。通过依赖注入 + trait object 实现多 Agent 适配,单线程运行开销可忽略。

规划 5 个方法:query_active_sessions / extract_turns / query_tail_start_id / insert_compaction_pair / query_active_sessions_tokens。新增 Agent 只需 impl AgentAdapter for XxxDb + main.rs 加 match 分支。
场景

10 个场景自适应预设

内置 10 个场景(编码 / 写作 / 科研 / 日常 / 金融 / 设计 / 工作 + Agent 协作 / 知识库 / 长项目),每个场景独立配置 5 维参数:归档阈值 / 检索策略 / 摘要 focus / 评分权重 / 标签优先级。开发者一行配置即可适配业务场景。

场景检测构想:LLM 集成层根据对话内容自动识别场景,也可由用户显式指定。CombinedProfile 构建器合并 Agent + Scenario + Model 三维预设。
可视化

mc-dashboard CLI

基于 ratatui 的 TUI 命令行工具,4 Tab 界面:概览(服务状态 + 记忆总数)/ 记忆列表(分页浏览归档摘要)/ 检索 demo(交互式语义搜索)/ 评测对比(baseline vs memory_center 数据可视化)。让开发者和评委无需 API 调用即可直观体验记忆能力。

规划第 20 个 crate:memory-center-dashboard。预计支持 SSH 隧道远程连接服务器端 MemoryCenter 实例,本地 TUI 浏览远程记忆。
跨界

跨 Agent 记忆迁移

基于 session_id 命名空间设计——session_id 是记忆命名空间,与 Agent 工具无关。Trae 归档的项目记忆,Claude Code 通过同一 session_id 即可完整召回。初赛 Demo 环境预置了一条真实跨 Agent 迁移记录供验证。

原理构想:记忆按 session_id 隔离存储,不同 Agent 工具只要配置同一 session_id 即可共享记忆。配合 AgentAdapter trait,每个 Agent 的对话格式都被归一化为统一 SidecarTurn 结构。
评测

LoCoMo + LongMemEval 双基准

业界首批通过 LoCoMo 长时记忆基准 + LongMemEval 检索基准双评测的记忆库。原型验证 LoCoMo F1 提升 41.4%,LongMemEval R@5 达 100%。评测脚本开源,可复现。

LoCoMo:长对话记忆基准,纯算法评分无 LLM-as-Judge 主观性。LongMemEval:500 题检索评测,30 题抽样原型验证 R@5=100% / nDCG@5=0.9405。
智能

冲突检测 + 立场反转识别

当用户陈述与记忆记录可能矛盾时(如"我用 Python"但记忆里是 Rust),自动检测三类冲突:自我矛盾 / 直接矛盾 / 立场反转。检测到冲突后向用户确认再更新记忆,避免错误覆盖。

三维度检测构想:自我矛盾(同一会话内前后矛盾)/ 直接矛盾(新陈述与记忆记录事实冲突)/ 立场反转(用户态度从支持转为反对)。计划支持 LLM 检测 + 启发式算法降级。
防丢失

pre_compress_hook 压缩前归档

客户端压缩上下文前一次性归档完整 raw_context,避免压缩时丢失原始轮次信息。双轨处理:raw_context 原样保存 + 解析 turns 复用 Archiver。即使客户端压缩丢弃了原始轮次,MemoryCenter 仍保留完整备份。

触发时机构想:客户端提示"上下文即将压缩" / 系统消息出现压缩标记 / LLM 预判接近窗口上限。与 archive 区别:archive 传结构化 turns 数组,pre_compress_hook 传完整上下文字符串。
反向写入

project_memory 反向写入

MemoryCenter 维护 project_memory.md 副本,通过 update_project_memory 工具更新后反向写入 IDE 的 memory 文件夹,影响下次会话的注入上下文——让记忆主动流入 IDE 的 Memory Context 层,形成闭环。

章节覆盖策略构想:用 HTML 注释标记界定 section,replace/append/delete 三种 action。用户手动写入的内容不受影响,只覆盖指定 section。
检索

混合检索机制

实现:摘要钩子注入 system prompt(被动召回)+ 详细钩子 LLM 主动 tool 检索(主动召回)+ BM25 关键词检索 + 语义检索(含 Embedding 降级)。四路并行,命中率高且容错强。

Embedding 降级构想:未配置 Embedder API 时自动降级为纯 BM25 关键词检索,核心功能仍可用。计划支持远程 Embedder 服务化部署。

05评测数据

基于业界标准长时记忆基准进行原型验证(纯算法评分,无 LLM-as-Judge 主观性),以下为原型验证结果。

原型验证结果 · 评测脚本开源可复现

LoCoMo F1 对比(越高越好)

SenseNova base
~0.1036
SenseNova + MC
0.1465 (+41.4%)
Step base
~0.1105
Step + MC
0.1345 (+21.7%)
Baseline(裸 Agent) MemoryCenter 接入后

LongMemEval 检索评测

R@5 命中率
100% (30/30)
nDCG@5
0.9405
速度提升
31% (87.6s vs 127.1s)

能力雷达图

时序治理 部署轻量 检索精度 跨 Agent 标签粒度 评测验证

六维能力对比

时序治理(三级周期+淘汰)★★★★★
部署轻量(单二进制)★★★★★
检索精度(R@5 100%)★★★★★
跨 Agent 迁移★★★★☆
标签粒度(17 类)★★★★★
评测验证(双基准)★★★★☆

06目标用户及场景

面向所有使用 AI Agent 进行深度工作的开发者和知识工作者。

AI 应用开发者

长代码项目开发中,Agent 反复丢失项目上下文。MemoryCenter 让 Agent 跨会话记忆项目架构、历史决策、踩坑经验。

技术调研者

跨数周的技术调研中,先前调研结论被遗忘。MemoryCenter 自动归档调研脉络,按需召回关键发现。

多 Agent 协作者

用 Trae 开发、Claude Code 调试、Cursor 编辑时,同一用户的记忆跨 Agent 无缝迁移,无需重复解释。

知识工作者

长期项目里积累的洞察、决策依据、参考素材,自动归档为可检索的知识库,不再依赖人工整理笔记。

07价值与规模

不只是"记住更多",而是让 AI Agent 真正具备长期协作能力。以下为规模目标。

0
MCP 工具数
预计开箱即用
0
Rust crate
规划模块化
0
场景预设
计划自适应
0
语言绑定
规划覆盖
0
单二进制部署
零外部依赖

接入示例(MCP 一键配置,两种模式)

模式 1:stdio(本地 IDE — Claude Code / Cursor / Trae / OpenCode)
暂不开放:因复赛规则对源码的保护要求,仓库已转为私有,stdio 模式当前不可用。
评委请使用上述模式 2:Streamable HTTP在线体验。以下配置示例仅供了解完整配置结构。
// MCP 客户端配置示例(JSONC 格式,含注释说明)
{
  "mcpServers": {
    "MemoryCenter": {
      "command": "\\your\\path\\to\\MemoryCenter\\target\\release\\memory-center-mcp.exe", // MCP 二进制路径(Windows 用 .exe,Linux/macOS 无后缀)
      "args": [], // 启动参数(通常为空)
      "env": {
        // ===== 基础配置 =====
        "MEMORY_CENTER_ROOT": "\\your\\path\\to\\MemoryCenter\\.mcp-data", // 记忆数据存储根目录(SQLite + 归档文件)

        // ===== 摘要生成器 LLM 配置(归档时生成结构化摘要) =====
        "MEMORY_CENTER_GENERATOR_API_URL": "https://api.example.com/v1/chat/completions", // OpenAI 兼容的 LLM API 地址(示例,请替换为你的实际地址)
        "MEMORY_CENTER_GENERATOR_API_KEY": "sk-xxx", // LLM API Key(请替换为你的实际 Key)
        "MEMORY_CENTER_GENERATOR_MODEL": "your-model-name", // 模型名(示例,如 sensenova-6.7-flash-lite / gpt-4o-mini 等)
        "MEMORY_CENTER_GENERATOR_TIMEOUT": "60", // 请求超时(秒)
        "MEMORY_CENTER_GENERATOR_MAX_TOKENS": "500", // 单次摘要最大 token 数

        // ===== 冲突检测器 LLM 配置(检测用户陈述与记忆的事实冲突) =====
        "MEMORY_CENTER_DETECTOR_API_URL": "https://api.example.com/chat/completions", // OpenAI 兼容的 LLM API 地址(示例,请替换为你的实际地址)
        "MEMORY_CENTER_DETECTOR_API_KEY": "sk-xxx", // LLM API Key(请替换为你的实际 Key)
        "MEMORY_CENTER_DETECTOR_MODEL": "your-model-name", // 模型名(示例,如 deepseek-v4-flash / gpt-4o-mini 等)
        "MEMORY_CENTER_DETECTOR_TIMEOUT": "30", // 请求超时(秒)
        "MEMORY_CENTER_DETECTOR_MAX_TOKENS": "500", // 单次检测最大 token 数

        // ===== 日志配置 =====
        "RUST_LOG": "memory_center_mcp=info" // 日志级别(info / debug / trace)
      }
    }
  }
}
模式 2:Streamable HTTP(远程客户端 — DeepSeek 网页端 + DeepSeek++ 扩展等)
# 无需下载二进制,直接配置 URL 即可
{
  "mcpServers": {
    "memory-center": {
      "url": "https://openworld.dpdns.org/mcp",
      "transport": "streamable-http"
    }
  }
}
# Trae / DeepSeek 网页端等支持 Streamable HTTP 的客户端可直接使用

Demo 在线体验

Demo 已上线,评委可通过以下标准 REST 接口快速验证记忆能力。

状态 已上线 认证 Authorization: Bearer 协议 HTTP REST + MCP

Windows 评委:请用 Git BashWSL 执行(cmd / PowerShell 对 -d '{"k":"v"}' 单引号 JSON 的转义不友好)。
认证方式Authorization: Bearer trae-contest-demo-key-2026(Demo 环境公开 Key,仅用于评委验证,生产环境已隔离,无敏感数据风险)。
基础地址http://162.211.183.236.sslip.io(sslip.io 自动解析到服务器 IP,免 hosts 配置)

评委快速验证命令(点击展开,复制即用)
# 1. 查看归档记忆列表  → 验证能力:自动归档(Agent 压缩上下文后,记忆被持久化)
# 预期返回:HTTP 200 + JSON 数组,含 1 条预置记忆(summary_title = "我在开发 MemoryCenter 项目...")
curl -H "Authorization: Bearer trae-contest-demo-key-2026" \
  http://162.211.183.236.sslip.io/api/v1/sessions/cross-agent-demo-20260711/summaries

# 2. 语义检索(验证记忆召回能力)
# 预期返回:HTTP 200 + JSON,含 results 数组,至少 1 条结果,source="keyword"(未配 Embedder 时降级 BM25)
curl -X POST -H "Authorization: Bearer trae-contest-demo-key-2026" \
  -H "Content-Type: application/json" \
  -d '{"query":"MemoryCenter 技术栈","top_k":5}' \
  http://162.211.183.236.sslip.io/api/v1/sessions/cross-agent-demo-20260711/search

# 3. 获取记忆摘要(模拟 Agent 新会话拉取历史记忆)
# 预期返回:HTTP 200 + JSON,prompt 字段含"# 可用记忆索引"标题 + 预置记忆条目
curl -H "Authorization: Bearer trae-contest-demo-key-2026" \
  http://162.211.183.236.sslip.io/api/v1/sessions/cross-agent-demo-20260711/prompt

# 4. 跨 Agent 全局检索  → 验证能力:多项目聚合检索(scope=session/project/multi_project)
# 预期返回:HTTP 200 + JSON,results 数组含跨 session/project 的记忆,mode="keyword"
curl -X POST -H "Authorization: Bearer trae-contest-demo-key-2026" \
  -H "Content-Type: application/json" \
  -d '{"query":"MemoryCenter 技术栈","scope":"session","session_id":"cross-agent-demo-20260711","top_k":5}' \
  http://162.211.183.236.sslip.io/api/v1/search

常见问题排查

  • HTTP 401 UNAUTHORIZED:忘记带 -H "Authorization: Bearer trae-contest-demo-key-2026"
  • HTTP 422 Unprocessable Entity:JSON body 格式错误,检查单引号是否被终端吃掉(Windows PowerShell 用户请改用 Git Bash)
  • Failed to parse JSON-d 后 JSON 必须是合法 JSON,不能有多余逗号或注释

08迭代路线

从创意提案到现场路演,5 天报名期 + 后续 6 周的完整演进路径。

已完成 · Day1

报名 + 独立部署环境

2026-07-11

确认参赛方向,搭建独立部署环境(Rust 单二进制 + systemd 守护 + Nginx 反代 + 公网域名)。

  • 报名帖提交,赛道选择「学习工作」
  • 服务器部署 + mc-demo 子域名配置
  • Demo API 上线,API Key 配置完成
已完成 · Day2

初赛帖 + 提交

2026-07-12

整理初赛帖正文,提交到 TRAE 社区初赛专区。

  • 初赛帖正文(Demo 体验 + 评测数据 + 用户价值)
  • Git 提交 + push
  • TRAE 社区发帖
待实现 · Day3

性能压测 + 并发基准

2026-07-13

完善 mc-bench 压测套件,产出并发能力基准数据。

  • 核心操作压测:归档 / 检索 / 摘要 QPS
  • 后端对比:SQLite vs 文件树存储
  • 并发压测:多 session 并行归档稳定性
待实现 · Day4

更多 Agent 适配验证

2026-07-14

扩展 AgentAdapter trait 实现,验证多 Agent 接入能力。

  • Claude Code adapter 实现 + 端到端验证
  • Cursor adapter 实现 + 端到端验证
  • 跨 Agent 记忆迁移演示脚本
待实现 · Day5

Demo 稳定性加固 + 路演素材

2026-07-15

生产环境稳定性加固,准备路演演示素材。

  • Demo 服务监控 + 告警配置
  • 路演 PPT + Demo 录屏备用
  • 故障回滚预案 + 应急处理流程
复赛 · 2026-07-21 ~ 08-09

完善产品 + 用户路径完整化

3 周迭代期

在初赛 Demo 基础上交付完整产品,具备完整用户路径和核心能力。

  • Web UI 可视化:记忆图谱 + 时间线 + 检索界面(替代纯 CLI)
  • 多用户/多工作空间:隔离的记忆命名空间 + 权限管理
  • 记忆共享与协作:团队共享记忆库 + 可控的跨用户检索
  • Embedder 服务化:独立向量检索服务,支持远程模型
  • 性能基准对比可视化:自动生成 baseline vs MC 对比图
决赛 · 2026-08-21 ~ 08-22

现场路演 + 实时演示

线下路演

进入决赛后完成作品展示、项目讲解和现场答辩。

  • 实时跨 Agent 演示:现场 Trae 归档 → Claude Code 召回
  • 性能对比可视化:实时跑 LoCoMo 评测展示 F1 提升
  • 路演 PPT + Demo 录屏备用(防网络故障)
  • TRAE 赛事运营 1V1 辅助完赛
长期 · 2026 Q4+

生态建设

持续迭代

比赛后继续构建 MemoryCenter 生态。

  • VS Code / JetBrains 插件:IDE 内直接查看记忆
  • 记忆市场:用户可分享/订阅场景化记忆模板
  • 本地 Embedder:完全离线的向量检索(Ollama 集成)
  • 更多 Agent 适配:Windsurf / Cline / Aider……

09创作灵感来源

作为 TRAE 的深度用户,在开发长项目时深切感受到 Agent 失忆之苦——每次新会话都要花前 3~5 分钟解释项目背景,不同 Agent 间无法共享上下文,关键决策在上下文窗口外被遗忘。

受到认知科学中"记忆巩固"机制的启发:人脑并非记住所有事,而是通过"短期记忆 → 长期记忆 → 遗忘"的分级机制,让重要的事被强化、无用的事被淘汰。我们将这一生物学节律映射到工程实现,让 Agent 拥有"像人脑一样"的记忆机制。但又不必完全"像人脑",可以成为信息完整、可视化、可迁移的记忆"档案库"。

选择 Rust 单二进制路线,是因为现有方案要么部署重(Zep 需要 Postgres + 多服务),要么时序治理浅(agentmemory 不淘汰不合并)。MemoryCenter 是市场上唯一同时占据"强时序 + 极简部署"双象限的方案。