一、Demo 简介
是什么： AGI-Memory 是一款面向大模型开发的演进型记忆系统与门禁网关。它把“长期记忆 + 知识治理 + 跨层派生 + MCP 协议接入 + 规则门禁”整合为一个工程系统，包含后端的 Middleware 和一个酷炫的 Web 治理控制台。
面向谁： 重度依赖 AI 编程助手（如 Trae / Cursor / Codex）、自动化 Agent 工作流的开发者、提示词工程师，以及希望打破 LLM“上下文记忆污染”的技术团队。
主要功能：
-
四层派生认知架构 (AST 引擎)： 采用派生（derivation）机制，将原本模糊的对话信号精准切分为 Memory（状态事实）、Rule（门控规则）、Skill（执行流程）与 Knowledge（领域认知）四层。不同信号通过
derived_from关系深度勾连，让知识越用越干净。 -
强拦截规则门禁 (Gatekeeper)： 网关层内置 Evaluator 解析引擎，在大模型调用工具前介入。如遇违背 Rule 的越权或无意义的“无限试错循环”，直接触发 HTTP 403 物理阻断，告别 AI 瞎脑补。
-
两步式 MCP 治理流程： 后端保持轻量，自身不调 LLM，而是通过宿主先调
governance-batch-preview提取任务，宿主 LLM 评估后再调governance-run提交，最大限度节约算力与成本。 -
同心圆洋葱可视化控制台： 纯 Canvas 2D + D3.js 力导向算法渲染，实现四层径向渐变光晕。以图谱的方式，快速了解各个抽取的层级之间的关系以及由来。
- 如图所示，主要是类知识图谱的方式帮助大家直接理解和判断，这样得出的memory，knowledge，skill，rule是否符合自己的预期，以及为什么不符合自己的预期。
二、Demo 创作思路
灵感来源： 人类大脑学习不会去死记硬背“报错日志的完整字符串”，而是提炼“解决复杂 Bug 的排查思路”。但市面上主流的 RAG 只是把模型当“硬盘”，越存越乱；我希望能把模型当“大脑”，模拟人类的思考与协同进化过程，只留下提炼后的认知结论和方法论。
想解决的问题： 用过各类 Code Agent 的开发者都经历过这三大痛点：
-
健忘症： 换个 Session 马上忘光，刚刚踩过的坑，下一次还要一模一样再踩一遍。
-
记忆污染与上下文爆炸： 传统系统什么垃圾数据（比如上千 Token 的测试 JSON）都往库里塞，最后检索出来全是噪音，导致模型“失忆”或“降智”。
-
黑盒无边界： 缺乏刚性的约束机制。只要给错输入，Agent 就很容易陷入反复改崩代码的“无尽轮回”。
为什么做这个方向： 在大家都卷大模型能力的今天，决定 AI 助手“好不好用”的核心壁垒，其实是上下文过滤与记忆工程。打造一套有逻辑切分、有硬规则阻断、能随用户使用共同进化的底层记忆架构，是真正赋能开发者、提高生产力上限的最佳切入点。
三、Demo 体验地址
-
在线 Demo（GitHub Pages 免部署体验）： https://precipai.github.io/AGI-Memory/
评委体验提示： 打开后 URL 会自动附带 ?demo=1参数，进入纯前端展示模式，您可直接体验使用 Mock 数据驱动的同心圆力导向图可视化与节点交互。若需接入您的真实后端，请去掉 URL 中的?demo=1即可走真实/internal/*接口。
四、TRAE 实践过程
在开发 AGI-Memory 极其复杂的四层架构与治理图谱渲染时，Trae IDE 是我梳理逻辑、编写前后端架构的核心工作台。以下是开发期间的关键 Session 记录：
1. AGI-Memory 系统初期构思与核心需求文档（PRD）撰写
Trae 交互摘要： “AGI-Memory治理控制台开发需求文档” Session ID 溯源：
sessionId:4408385340969831:7a3be3cd15049a59f7e59e2078461680_6a33c28204f976c904ff0636.6a3a5a6f379f15f2a873b1ed.6a3a5a6f379f15f2a873b1eb:TRAE Work CN.0.1.21.no_sid.no_ppe.T(2026/6/23 18:05:35)
2. Gatekeeper 门禁逻辑联调，成功实现网关硬拦截触发测试
Trae 交互摘要： “测了，门禁能正常触发。” Session ID 溯源：
sessionId:4408385340969831:332edc8f88fb88130a6834fb1ee10761_6a33c28204f976c904ff0636.6a3b8597379f15f2a873ddf9.6a3b8596379f15f2a873ddf7:TRAE Work CN.0.1.21.no_sid.no_ppe.T(2026/6/24 15:21:59)
3. 认知架构极度复杂的底层校准，与 AI 确认权重衰减、LLM 元认知等关键假设
Trae 交互摘要： “清单完全符合我的本意，没有任何偏离。你的几条校准尤其关键，我逐一确认” Session ID 溯源：
sessionId:4408385340969831:b91a76bfb445bd846c00148f2797b57d_6a33c28204f976c904ff0636.6a437d6dc4e2ebe2d05e505b.6a437d6dc4e2ebe2d05e5059:TRAE Work CN.0.1.23.no_sid.no_ppe.T(2026/6/30 16:25:17)
报名帖链接：https://forum.trae.cn/t/topic/26127?u=u4408385340969831