OptMem — permanent append-only memory for AI agents

OptMem — permanent append-only memory for AI agents

核心判断

OptMem 值得入库，因为它用 426-token prompt + 单文件脚本，把 agent 长期记忆压缩成 append-only log、可重建 summary tree 和显式 wake/note/nap 协议；它不是“更多记忆”，而是低依赖、可审计、可迁移的 memory substrate。

机制 / 一阶原理

OptMem 的一阶机制是把 identity 与历史经验从具体模型/会话中剥离：LOG.txt 只追加原子记忆，TREE/ 是可重建缓存，wake 在会话开始输出预算内摘要，note 追加新事实，nap 触发到期合并。固定宽度记录让位置成为 identity，摘要树让读取预算和存储预算解耦。

与现有 wiki 的关系

这篇来源主要连接 Context-Engineering、Harness-Engineering、AI-Self-Improvement-Lab。它不是孤立工具记录，而是补充了 AI/工程知识库里“可复用 workflow、上下文治理、运行轨迹和评测证据”这条主线。

对 Hermes / llm-wiki 的启发

1. Hermes 的长期 memory 应只保存稳定偏好/事实；任务进度继续归 ConversationSpec / wiki log，避免把流水账污染成常驻身份。
2. llm-wiki 可以借鉴“raw append-only + summary cache rebuildable”：raw/source/log 是事实层，优化文章和概念页是可重构综合层。
3. 对 coding agent，可把每次成功/失败的 golden path 先写入低成本 append-only store，再经过 eval/curation 晋升为 skill。

失败模式 / 边界条件 / 未解问题

• 如果 note 门槛过低，长期记忆会变成高置信垃圾压缩器。
• 摘要合并可能丢失少见但关键的边界条件；需要 recall/zoom/forget 这类反查和撤销机制。
• 强制每个 session wake 会增加启动成本；需要明确哪些场景值得加载长期身份，哪些只读项目上下文即可。

深度判断

本来源被晋升为正式 source page，是因为它至少满足一个耐久价值标准：提供可迁移 workflow 或机制、能改进 Hermes / llm-wiki / agentic coding 实践，且能与已有概念页发生实质连接。当前置信度标为 medium：已读取 GitHub README，但尚未通过本地安装、完整文档审查或独立 benchmark 复核。

写入记录

• 2026-08-02 09:01 CST：从 GitHub README 深度入库，保存 raw，并提炼机制、wiki 关系、实践启发与失败模式。