mnemon-memory-agent

大模型助手要长期记住对话，常见做法是在写入时就抽取实体、偏好和图谱结构——每多一种信息就要改 schema，历史还得反复重写。Mnemon 走另一条路：把对话当成带日期的原始记录存下来，写入时不做结构化承诺；真正需要回忆时，再按「快判 + 慢想」双过程去读证据并组织回答。

快的那一半（System 1）由决策模型对检索到的记录做大量小而独立的 yes/no 判断：这条该不该进回复、是否仍有效、是否满足问题里要的第二个日期等。慢的那一半（System 2）由 LLM 写少量检索 query、明确回复还缺什么、最后成文。因为判读很快，Mnemon 可以在提问当下直接读原始记录，而不必提前把整段历史改写成摘要或图谱。后台还会把每条记录 consolidate 一次，生成指向原记录的主题时间线、取值历史、长期指令等索引 overlay——有索引更好，没有也能搜原始记录。

在 DeepSeek Harness 里，它作为与主代理并行的第二个实例运行，不改动主 agent 的行为；每轮对话对外发布一个 View，把检索与判读结果交给主流程使用。论文与公开基准侧重的是可搜索的对话记忆；其它存储形态理论上也能接，但尚未在同一套评测里验证。

适合需要长期、可核对对话记忆的研究者或团队：既要控制送进答题模型的上下文规模，又希望保留「可回到原话」的证据链；也适合已在用 Harness、想单独挂一个记忆侧车的场景。若你更依赖写入时自动建图、且不愿承担提问时的 Jev/规划成本，需要对照自己的 latency 与账单预期再选型。