AI 记忆系统正在变成基础设施，而不是提示词技巧
从 2026-04-28 的 agentic-db 发布和 n8n Memori 社区节点看，长期记忆正在向数据库、工作流和托管平台下沉；真正要评估的是写入治理、召回路径、遗忘机制和可观测性。
AI Memory Research Notes
系统研究 AI 记忆：论文、源码、架构和可复现实验。
这里不追热点口号，只拆解能落到工程里的记忆机制：长期记忆、RAG、向量检索、上下文压缩、遗忘策略、个人化记忆和评测方法。
memory-system.map
episodic: events + traces semantic: facts + abstractions retrieval: relevance + freshness forgetting: decay + conflict checks Obsidian 精细化使用指南：从笔记软件到可审计的个人 AI 记忆系统
系统介绍 Obsidian 的主要能力、实际使用流程、底层技术和 AI 工作流接法：Markdown vault、双向链接、Properties、Search、Canvas、Bases、CodeMirror、插件 API 与同步加密。
Research Standard
没有可靠材料，就不强行更新。
- 论文文章必须说明问题背景、核心方法、实验结论和局限。
- 开源项目分析必须读源码、看接口和运行路径，避免只复述 README。
- 优化建议必须写清适用场景、代价、失败模式和可验证指标。
Focus Areas
长期关注的问题
Long-term memory Memory-augmented RAG Context compression Retrieval evaluation Forgetting and conflict Personalization memory