学习工作丨MemoryCenter —— 给 AI Agent 装一块"记忆硬盘"

TRAE AI 创造力大赛 【大赛初赛专区】
1

MemoryCenter —— 给 AI Agent 装一块"记忆硬盘"

0. 先和大家打个招呼吧 :waving_hand:

你是谁： 本人为一名平面设计师，同时也是独立开发者。

你是怎么用 TRAE 把 Demo 做出来的：

我在使用 Agentic 过程中发现，大多数 Agentic 的上下文窗口与记忆系统虽然足够强，但也照顾不到像我个人这样喜欢保存细节与关键决策的群体。

就拿 TRAE 这款强力 Agentic 来说：在使用过程中，TRAE 的底层记忆框架足够强，也能和任务流形成强关联，但会偶尔丢失细节。

我个人又是很喜欢清除会话条目的，一些任务细节与关键决策诞生在另一个会话窗口中，而此时我将该会话清除了，在新会话中继续开发时会发现需要取得某个过往关键决策的细节信息，此时细节信息所在的会话又已清除，无法重新获取，导致项目决策产生偏移。

此时我就想到了 MemoryCenter 这个创意，它将保存原始会话信息，包括但不限于：调用工具、产生文件、SubAgent 派遣、计划/代办、思考链、提问等完整过程。即使会话、项目、规则等被删除，没接知识库、Agentic 没有原生设计/接入底层记忆框架等条件下，MemoryCenter 仍然会帮助我们记录完整会话信息。Agent 甚至可以调用 MemoryCenter 内置工具去跳出会话窗口，从 MemoryCenter 看到完整的会话窗口，与镜像会话窗口等同！

一、Demo 简介

是什么：
MemoryCenter 是一个给 AI Agent 用的"记忆硬盘"——Rust 单二进制 + MCP Server。开发者配置一行 MCP 地址即可接入，Agent 自动获得跨会话的持久记忆能力：自动归档对话、按需检索历史、智能淘汰过时信息。

面向谁：
AI 应用开发者、多 Agent 协作者、长期项目开发者等任何Agentic使用者

主要功能：

  1. 自动归档：Agent 对话过程中自动归档完整对话内容（含思考过程、工具调用、附件），无需手动整理。记录维度包括但不限于：

    • 调用工具：LLM 调用了哪些工具？传入了哪些参数？返回了哪些结果？
    • 产生文件：LLM 创建/编辑了什么文件？文件类型、大小、修改内容是什么？
    • SubAgent：主 Agent 派遣了哪些 SubAgent？SubAgent 执行步骤、返回了什么？
    • 计划/代办/Task：Agent 规划了哪些计划？执行状态如何？一共规划多少次？
    • 思考链：思考了什么？在哪次调用工具后的思考？
    • 提问：Agent 问了哪些？哪次的提问有未回答的？哪些决策没有问？

  2. 按需检索：语义检索 + 关键词检索混合模式，LLM 通过 semantic_search 工具召回历史记忆，同时也可通过标签进行更细粒度的检索

  3. 跨 Agent 迁移：基于 session_id 命名空间，Trae / Claude Code / Cursor / OpenCode等Agentic间共享记忆

  4. 智能淘汰：三级索引周期（天/周/月）+ 4 维加权评分，类比人脑"记忆巩固"机制

产品截图：

  • ① creative-proposal.html 在线页面（见下方体验地址）
  • ② mc-dashboard CLI TUI 界面（见第四节 TRAE 实践过程）
  • ③ TRAE IDE 中的开发画面（见第四节 TRAE 实践过程）

二、Demo 创作思路

灵感来源：
作为 TRAE IDE 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 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，希望让 Agent 拥有"像人类大脑一样"的分级记忆机制——不必完全像人脑，可以成为档案库。

想解决的问题：

  • 跨会话失忆：每次新会话从头解释项目背景，重复消耗 token 与时间
  • 多 Agent 孤岛：Trae / Claude Code / Cursor 间上下文彼此不通
  • 长项目记忆超载：上下文窗口放不下整个项目历史，关键事实被淹没
  • 现有方案两难：Zep/Letta 部署重，agentmemory 时序治理浅

为什么做这个方向：
MemoryCenter 是市场上空白生态位——所有时序能力强的方案（Zep/Letta）部署都重，所有部署极简的（agentmemory/LlamaIndex）时序治理都不深。MemoryCenter 是唯一同时占据"强时序 + 极简部署"双象限的项目。Rust 单二进制 + C ABI 嵌入，零外部依赖，部署门槛极低。

三、Demo 体验地址

在线 Demo：点击前往（由于项目是工程库，所以以演示动画的方式进行）

创意提案 HTML：点击前往（含Demo入口与项目仓库入口）

评委快速验证（复制即用，如果有意，也可使用该项方式进行上手）

Windows 评委：请用 Git Bash 或 WSL 执行（cmd / PowerShell 对 -d '{"k":"v"}' 单引号 JSON 的转义不友好）。如果完全没有命令行经验，可以直接看每条命令下面的"预期返回"示例对照 Demo 行为。

认证方式：所有接口需要 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：前往（sslip.io 自动解析到服务器 IP，免 hosts 配置）

─────────────────────────────────────────────────────────

  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

# 预期返回示例（关键字段）：
# [{
#   "hook_id":"4cefc80f-632c-48b4-a52c-455049f76eb5",
#   "summary_title":"我在开发 MemoryCenter 项目，技术栈是 Rust + Axum + SQLite，单二进制部署。",
#   "tags":["文本消息"],
#   "period":"daily",
#   "token_count":118
# }]

─────────────────────────────────────────────────────────
2. 语义检索 → 验证能力：
记忆召回（用"技术栈"查询，能召回上面的记忆，score 越高越相关）
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

# 预期返回示例：
# {"results":[{"hook_id":"4cefc80f-...","score":0.4868,"source":"keyword"}],"mode":"keyword"}

─────────────────────────────────────────────────────────
3. 获取记忆摘要 → 验证能力：
跨 Agent 记忆迁移（模拟 Claude Code 新会话拉取 Trae 归档的历史记忆）
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

# 预期返回示例：
# {"prompt":"# 可用记忆索引\n\n## 近期记忆（daily）\n\n- **我在开发 MemoryCenter 项目...** [文本消息]（118 tokens）\n  - 记忆 ID: `4cefc80f-...`\n"}

─────────────────────────────────────────────────────────
4. 跨 Agent 全局检索 → 验证能力：
多项目聚合检索（v2.52 新增，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

# 预期返回示例：
# {"results":[{"hook_id":"4cefc80f-...","score":0.4868,"source":"keyword"}],"mode":"keyword"}

常见问题排查：

  • HTTP 401 UNAUTHORIZED：忘记带 -H "Authorization: Bearer trae-contest-demo-key-2026" 头
  • 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

跨 Agent 记忆迁移演示

Demo 环境预置了一条跨 Agent 记忆迁移记录：Trae 归档的项目记忆 → Claude Code 通过同一 session_id 召回。评委执行上面的 prompt 接口即可看到 Trae 归档的内容被完整召回。

四、TRAE 实践过程

本项目使用 TRAE IDE / TRAE Work 完成核心模块的原型开发与迭代：

1. 场景预设扩充

在 TRAE 中新增 3 个参赛场景（Agent 协作 / 知识库 / 长项目），配置场景特化的归档阈值、检索策略、摘要 focus。通过 TRAE 的 AI 智能体规划能力，快速完成 10 个场景预设的配置文件编写。

截图位置：

TRAE中调用
TRAE中调用1201×742 114 KB

2. Dashboard CLI 开发

用 TRAE 开发 mc-dashboard 命令行工具，ratatui TUI 5 Tab 界面（概览 / 记忆列表 / 检索演示 / 评测对比 / Tag体系）。TRAE 的终端能力让 Rust 编译和 TUI 调试一气呵成。

截图位置：

MemoryCenter Dashboard CLI
MemoryCenter Dashboard CLI1920×1050 124 KB

3. 跨 Agent 演示脚本

在 TRAE IDE 中编写并验证跨 Agent 记忆迁移流程脚本——归档 Trae 会话记忆到 MemoryCenter，再用同一 session_id 从另一个 Agent 召回。

截图位置：

TRAE归档测试
TRAE归档测试873×532 44.4 KB

TRAE召回测试
TRAE召回测试877×677 91.8 KB

4. 部署调试

使用 TRAE 的终端能力完成服务器部署、nginx 配置、端到端验证。通过 SSH 隧道 + curl 命令验证 API 可用性。

截图位置：

TRAE部署调试
TRAE部署调试1920×1050 127 KB

关键任务对话 Session ID

  1. Session ID: 678821043375994:2793eca87762f0b087a3ef7740db8e19_6a50cddebdbe4e01338df7e1.6a51c652364b2c51a9531a99.6a51c652364b2c51a9531a97:TRAE Work CN.0.1.32.no_sid.no_ppe.T(2026/7/11 12:28:02)
  2. Session ID: 678821043375994:9dc0aad8afa175bcc5a8e679016a652d_6a567c56c29e2836eeeb01f2.6a575daec29e2836eeeb0f2f.6a575daec29e2836eeeb0f2d:TRAE Work CN.0.1.36.no_sid.no_ppe.T(2026/7/15 18:15:10)
  3. Session ID: 678821043375994:3c7760e3262bf859311e26e867139503_6a55946fc29e2836eeeaf4b5.6a560c74c29e2836eeeaf746.6a560c74c29e2836eeeaf744:TRAE Work CN.0.1.36.no_sid.no_ppe.T(2026/7/14 18:16:20)

五、核心能力

1. 自动归档 —— 无需手动整理

Agent 对话过程中，MemoryCenter 自动归档完整对话内容（含思考过程、工具调用、附件），不需要用户手动保存笔记。

2. 按需检索 —— 精准命中证据

支持语义检索 + 关键词检索的混合模式。LLM 通过 semantic_search 工具即可召回相关历史记忆，直接注入当前对话。

3. 跨 Agent 迁移 —— 记忆不再孤立

基于 session_id 命名空间设计，不同 Agent 工具（Trae / Claude Code / Cursor）可通过同一 session_id 共享记忆。

4. 智能淘汰 —— 记忆不会膨胀

三级索引周期（天/周/月）+ 4 维加权评分，自动淘汰低价值记忆，类比人脑"记忆巩固"机制。

六、评测数据

1. LoCoMo 长时记忆基准（纯算法评分）

模型 baseline F1 MemoryCenter F1 提升
SenseNova 0.1036 0.1465 +41.4%
Step 0.1105 0.1345 +21.7%

2. LongMemEval 检索评测（500 题数据集 30 题抽样）

指标 结果
recall@5 100%（30/30 命中）
nDCG@5 0.9405

3. 上下文压缩优势

条件 耗时 说明
baseline 127.1s 全量对话历史发送给 LLM
MemoryCenter 87.6s 归档 + 摘要 + 检索注入
速度提升 31% 上下文压缩带来显著加速

七、用户价值

对开发者：

  • 接入零成本：配置一行 MCP 地址，无需改代码
  • 节省 token：跨会话记忆复用，不用重复解释项目背景
  • 长项目可控：关键决策、踩坑经验永久留存

对 Agent 生态：

  • 打破 Agent 孤岛：不同工具间记忆可迁移
  • 长期记忆：突破最大上下文窗口限制
  • 自治记忆：Agent 自动归档/检索/淘汰，无需人工干预

八、代码与协议

九、报名帖链接

报名帖 URL: 点击前往