ReMe 架构与设计思路分析

agentscope-ai/ReMe 是 AgentScope 生态的 memory management toolkit。它同时保留“memory as files”的 ReMeLight 和更完整的 vector/service pipeline：personal memory、task memory、tool memory、working memory 都有独立 summary/retrieve op，目标是解决长对话 context window 和跨 session stateless 两个问题。

核心架构图

┌──────────────────────────── agent conversation / trajectory ─────────────────┐
│ messages · tool results · task traces · user preferences                      │
└───────────────────────────────┬───────────────────────────────────────────────┘
                                │
┌───────────────────────────────▼───────────────────────────────────────────────┐
│ ReMe memory orchestration                                                     │
│ context check · compact · summarize · retrieve · pre_reasoning_hook           │
└───────────────┬───────────────────────────────┬───────────────────────────────┘
                │                               │
┌───────────────▼──────────────┐  ┌─────────────▼──────────────────────────────┐
│ ReMeLight file memory         │  │ vector/service pipeline                     │
│ MEMORY.md · daily journal     │  │ personal/task/tool/working ops + vector DB  │
└───────────────┬──────────────┘  └─────────────┬──────────────────────────────┘
                │                               │
┌───────────────▼───────────────────────────────▼──────────────────────────────┐
│ recalled context: compact summary · semantic/BM25 hits · task/tool lessons    │
└───────────────────────────────────────────────────────────────────────────────┘

模块分层

层/目录	责任
`reme/reme_light.py` + `reme/memory/file_based/**`	文件型记忆系统：`MEMORY.md`、daily journal、dialog JSONL、tool_result cache。
`reme_ai/summary/**`	personal/task/tool/working 四类总结 pipeline，包含 observation、reflection、dedup、validation、trajectory segmentation。
`reme_ai/retrieve/**`	personal/task/tool/working 检索 pipeline，包含 query rewrite、semantic rank、rerank/fusion、文件 grep/read/write。
`reme_ai/vector_store/**`	向量记忆更新、频率/效用更新、recall op。

关键数据流

ReMeLight 在 pre-reasoning 前检查 token，过阈值则压缩老消息、保留近期上下文，并把长 tool output offload 到文件。
长期记忆写入 MEMORY.md 和 memory/YYYY-MM-DD.md，原始对话进入 dialog/YYYY-MM-DD.jsonl，便于人工迁移/修改。
vector pipeline 将 personal/task/tool/working memory 拆成不同 summary 和 retrieve op，按场景选择信息，而不是用一个大表统管所有记忆。

设计决策

文件优先版本适合个人 agent：可读、可迁移、可手改；vector/service 版本适合规模化 AgentScope 应用。
按 memory type 拆 pipeline 比 mem0 的通用 memory layer 更重，但更贴合 agent 工作流。
把 tool result 单独 offload，说明 ReMe 主要关心 context 爆炸，不只是长期偏好。

对比定位

和 mem0 相比，ReMe 更框架内生，记忆类型更细；和 memsearch 相比，它不是 Markdown journal + Milvus shadow index，而是 context management + file/vector memory；和 tencentdb-agent-memory 相比，ReMe 更轻、更贴 AgentScope hooks。

核心架构图

模块分层

关键数据流

设计决策

对比定位

相关链接

相关页面