记忆与知识
三层记忆 / RAG / 文件式记忆（hermes 样板）
- 01 Agent 为什么"健忘"——无状态的根本问题
讲清大语言模型本质无状态的机制根源：每次调用只看本次上下文，"记忆"靠手动塞历史，窗口有限→只能取舍→Agent 健忘不是 bug。读完你会知道为什么不能靠"全塞进去"解决，以及三层记忆体系怎么破局。
- 02 三层记忆架构——短期上下文 / 向量长期 / 结构化事实
给 Agent 加记忆不是塞一个大数据库，而是分三层：短期上下文窗口保当下、向量库存历史检索相关、结构化事实存"必须准"的数据。本节讲清三层各存什么、怎么取、怎么协作，配对比表，让你看懂真实 Agent 的记忆设计。
- 03 文件即记忆：拆解 hermes-agent 的 SOUL.md / MEMORY.md / USER.md
给 Agent 加记忆，不一定非要上向量库。拆解开源项目 hermes-agent 的「文件即记忆」三件套 SOUL.md/MEMORY.md/USER.md，看懂它怎么靠三个 markdown 文件+SQLite 全文检索，让 Agent 跨会话记住你。
- 04 跨会话回忆：FTS5 全文检索 + LLM 总结 + 辩证式用户建模
不上向量库也能让 Agent 跨会话记住用户——SQLite 内置的 FTS5 全文检索、定期 LLM 压缩摘要、辩证式用户建模三种手段配合，轻于 RAG，重于瞎塞历史。含可跑代码与故障排查表。
- 05 RAG 知识库实战——从文档到能问答的 Agent
把一堆文档变成"能被 Agent 检索问答的知识库"完整实战：文档切分、embedding 转向量、存向量库、相似检索、塞入上下文让模型回答。含最小可跑 RAG 代码骨架、故障排查表与常见坑，搭过才知道坑在哪。
- 06 向量库选型——pgvector / Milvus / Chroma / FAISS 怎么挑
做 RAG 或向量记忆时，向量存哪？FAISS、Chroma、pgvector、Milvus/Qdrant 各自定位、规模上限、上手成本全讲清楚，附选型对比表和"按你的情况选哪个"判断树，帮你跳过折腾直达合适的工具。
- 07 给自己的 Agent 加记忆与技能积累——最小可用落地方案
手把手把"文件式记忆+跨会话加载+技能沉淀"接进你的 Agent 主循环：含可跑代码骨架（读取记忆文件→塞进上下文→干活→写回新事实），讲清记忆膨胀、写回冲突等常见坑，不用上来就搞复杂架构。