个人AI记忆系统：五层资产、两级目录与受控读写

核心结论（一句话）

个人 AI 记忆应是用户拥有、可迁移、可版本化的上下文资产，而不是分散在各工具中的聊天历史；其可靠性来自清晰分层、索引、隐私元数据、按需召回和确认式写入。

工具无关记忆库：将重要上下文放入用户控制的文件库，使多个 AI 读取同一事实来源而非各自积累孤岛。
五层记忆：identity、principles、preferences、context、knowledge 将稳定自我、协作偏好、动态现状与可复用经验分开管理。
两级目录：目录深度限定为一级加二级，细分依赖文件命名而非无限嵌套，降低定位和分类成本。
目录权重：层级表达重要性；稳定身份和原则优先于动态上下文，冲突时提醒用户而非替用户裁决。
七字段元数据：type、title、description、status、privacy、tags、timestamp 让记忆具备类型、调用条件、有效性和隐私边界。
双层索引：总索引列出标题和描述，目录 README 定义收录范围与路由规则；先扫地图，再读正文。
按需召回：公共基线进入全局配置，任务特有内容由调用规则筛选并按权重装载，避免全量注入噪声。
确认式写入：写入器先输出候选、归类理由和排除理由，经用户批准后写文件、更新索引并独立提交。

[[01-ai-agents/llm-agent-unified-memory-framework]]：把记忆拆为信息抽取、管理、存储和检索四个可独立优化的部件。
[[07-rag-systems/如何构建一个更好的知识库]]：提供索引、检索质量与知识库评估的通用工程框架。

[[01-ai-agents/若飞-Agent-记忆与可验证自我改进怎么设计]]：将来源、状态与确认规则扩展为 Agent 的候选经验、晋升与回滚控制面。
[[01-ai-agents/how-to-build-personal-ai-system-with-claude]]：以偏好、项目、连接器和定时任务提供个人 AI 系统的另一种分层视角。

[[07-rag-systems/构建LLM-Wiki智能知识库-实现AI辅助写作工作流]]：LLM-Wiki 偏内容生产与知识沉淀，本文偏个人跨工具上下文与协作关系管理。

记忆的首要问题不是让模型记得更多，而是让身份、原则、关系、项目现状和经验摆脱单一产品锁定，并能随工具替换继续使用。
五层划分的关键是稳定性：identity/principles 极少变化，preferences/context/knowledge 需要维护；带日期经历与抽象出的技能不能混放。
目录深度、命名规则和冲突归类是检索设计的一部分。限制目录层级能避免分类迷宫，迫使规则保持清晰。
总索引和目录 README 实现渐进披露。Agent 先读标题、描述和调用判据，再加载少量相关正文，降低上下文开销与错误召回。
recall 与 curator 分开：前者只选择相关信息，后者不直接自动沉淀，而是将候选、来源、归类与排除理由交给用户确认。
组织协作关系应作为动态 context，记录高置信事实、可使用约束和待补齐项；价值在任务发生时提醒应对齐的人和依赖。