事件驱动的记忆管道
给 AI Agent 加长期记忆的核心架构模式：「事件采集 → AI 压缩 → 双索引存储 → 反向注入」 的闭环。
由 claude-mem 实践验证，可移植到任何有生命周期 hook 的 Agent runtime。
五步闭环
Hook 事件
↓ (1) 捕获（边缘层）
原始 event (JSON)
↓ (2) 入队（持久化层）
Outbox 表
↓ (3) AI 压缩（后台层）
结构化 Observation (XML)
↓ (4) 解析双索引（存储层）
SQLite (FTS5) + 向量库
↓ (5) 注入回流（消费层）
新会话 system prompt / Skill 检索
Step 1：捕获（边缘层）
Hook 触发 → 轻量 runner（如 bun-runner.js）收集 stdin → 派发到 handler → POST 给本地 worker。
[!warning] 边缘层禁止做 AI 推理
用户交互路径上必须是同步、毫秒级、零网络依赖。AI 调用全部异步化。
Step 2：入队（持久化层）
worker 把原始 event 写入 outbox 表（Postgres 的 LISTEN/NOTIFY 或 SQLite 暂存），BullMQ 等队列调度后台任务异步处理。
为什么必须 outbox：AI 生成是非确定的，失败必须能重试；同步处理会阻塞用户。
Step 3：AI 压缩（后台层）
调用 压缩器 把噪声大的 tool log 压成结构化 {title, narrative, facts[], concepts[], filesRead[], filesModified[]}。
claude-mem 用 XML 输出格式 + Zod schema 校验，便宜模型（Haiku / Gemini Flash）足够。
Step 4：解析存储（双索引层）
事务化写入：
- SQLite + FTS5：主存储 + 全文检索
- Chroma 向量库：语义检索（异步推送 + watermark 回填）
去重策略：内容哈希 + UNIQUE generation_key + ON CONFLICT。
Step 5：注入回流（消费层）
- 自动注入：
SessionStart时按"项目路径 + 最近活跃概念"预检索，渲染成 system 消息塞回上下文窗口 - 按需查询：用户问"上次怎么做的"时，三层搜索协议 通过注册的 Skill 自动触发
关键设计原则
| 原则 | 含义 |
|---|---|
| 边缘轻量 + 后台 AI 重活 | hook 同步只走 stdin → HTTP，AI 压缩异步 |
| Outbox 模式 | 失败可重试，不丢消息 |
| 内容哈希去重 | AI 输出非确定，避免重复污染索引 |
| 三层数据 | 原始 event → 结构化观察 → 向量 embedding |
| session_id 双轨 | 记忆生命周期 ≠ 会话生命周期 |
| 边缘剥离敏感数据 | <private> 标签在 hook 层剥离，零信任 |
可迁移到的 Runtime
任何有 before/after tool_use 钩子的 Agent runtime：
- Claude Code Lifecycle Hooks
- OpenAI Assistants 的 step events
- AutoGen 的 agent_event 回调
- LangChain 的 callback handlers