夜雨聆风本文深入剖析 Memoir——一个为 AI Agent 打造的层级化语义记忆系统。Memoir 用 Git 式版本控制替代了传统的向量数据库方案，以 O(log n) 的分层路径检索替代昂贵的向量运算，并通过 Prompt Caching 友好架构将每次记忆更新的 Token 成本降低 90%。文章覆盖从 ProllyTree 存储引擎、LLM 分类器到分支合并、密码学证明的完整技术栈，适合关注 AI Agent 记忆系统和工具链优化的开发者阅读。
目录
概述 1.1 项目背景 1.2 AI 记忆的三大痛点 1.3 Memoir 的核心答案 核心架构 2.1 四层架构总览 2.2 存储层：ProllyTree 与语义聚合 2.3 分类层：从语义模式到 LLM 智能分类 2.4 搜索层：单阶段与分层检索 2.5 服务层：分支、密码学与时序记忆 源码分析 3.1 ProllyTree 适配器：CWD 锁与键注册表 3.2 智能分类器：Prompt Caching 的工程实践 3.3 MemoryService 的五步存储管道 3.4 LangGraph 集成适配 功能详解 4.1 Git 风格版本控制 4.2 智能召回的分层搜索 4.3 时序与位置记忆（Memento） 4.4 密码学完整性与溯源 技术亮点 5.1 Prompt Caching 优先的分类器设计 5.2 语义路径聚合替代 UUID 5.3 CWD 锁定的 Rust 绑定适配 5.4 三级 Store 路径解析策略 实践指南 6.1 快速上手 6.2 Claude Code 插件集成 6.3 性能特征 总结参考文献
1. 概述
1.1 项目背景
Memoir 诞生于一个朴素但深刻的观察：AI Agent 的记忆管理本质上是一个版本控制问题，而非向量搜索问题。
传统的 AI 记忆方案（如向量数据库、CLAUDE.md 文件、临时草稿本）将记忆视为一个"追加型 blob"——没有版本历史、没有分支隔离、没有回滚能力。一次糟糕的会话注入的错误信息会永久污染后续所有的检索结果。而当 Agent 同时处理多个项目时，实验性重构产生的记忆会污染稳定生产环境的上下文。
Memoir 将 Git 的工作方式引入 AI 记忆领域：分支（branch）、提交（commit）、合并（merge）、回滚（rollback），外加密码学完整性证明。它以层级化语义路径（profile.professional.skills.python）替代 UUID 键，以 O(log n) 的前缀检索替代昂贵的向量近似搜索。
1.2 AI 记忆的三大痛点
上下文污染（Context Contamination）：每次
git checkout切换项目时，Agent 的记忆不会感知分支切换——它会把实验性重构的认知模式应用到稳定生产的热修复上。没有分支感知的记忆就像没有.git目录的代码。Token 租金（Token Rent）：使用
CLAUDE.md或MEMORY.md作为全局记忆存储是缓存杀手。每次微小的记忆更新都会使整个前缀缓存失效，迫使你为重新处理整个对话支付全额 Token 费用。这是固定成本，随记忆量线性增长。记忆漂移（Memory Drift）：没有
memoir blame或memoir checkout，无法审计是谁、在何时教会了 Agent 某条规则，也无法在不擦除整个存储的情况下回滚一条幻觉。记忆变成了代码的"全局变量反模式"——任何人都能修改，没人能追溯。
1.3 Memoir 的核心答案
Memoir 给出的答案不是"更好的向量搜索"，而是对这三个问题的系统性解答：
blame/proof/checkout 完整审计链 |
Memoir 的底层是 ProllyTree——一种概率性 Merkle 树（Probabilistic Merkle Tree），提供 O(log n) 的前缀查找性能，配合 SHA-256 密码学哈希保证完整性。上层通过 LLM 驱动的分类器和搜索引擎将自然语言映射到层级语义路径，实现了"像 Git 操作代码一样操作记忆"的完整体验。
2. 核心架构
2.1 四层架构总览
Memoir 采用严格的清洁分层架构（Clean Architecture），每一层通过依赖注入（Dependency Injection）解耦，确保良好的可测试性和可替换性：
存储层 ( src/memoir/store/)：ProllyTree 适配器，实现 LangGraphBaseStore接口，提供 Git 风格版本键值存储、记忆聚合和密码学完整性分类层 ( src/memoir/classifier/)：语义分类器（1-5ms 快速模式匹配）和智能分类器（LLM 驱动，Prompt Caching 优化）搜索层 ( src/memoir/search/)：LLM 驱动的智能搜索引擎，支持单阶段和分层检索两种模式服务层 ( src/memoir/services/)：MemoryService、BranchService、CryptoService、StoreService四大服务，提取可复用的业务逻辑核心层 ( src/memoir/core/)：ProllyTreeMemoryStoreManager（LangMem 兼容管理器）、ProfileMemento、TimelineMemento、LocationMemento
2.2 存储层：ProllyTree 与语义聚合
存储层的核心是 ProllyTreeStore（src/memoir/store/prolly_adapter.py），它实现了 LangGraph 的 BaseStore 接口。存储层不负责分类——分类由上层处理。
# 存储层仅负责存取，不进行分类from memoir.store.prolly_adapter import ProllyTreeStorestore = ProllyTreeStore(path="./memory_store",enable_versioning=True,auto_commit=True,cache_size=10000)
与传统方案将每条记忆单独存储在 UUID 键下不同，Memoir 采用语义聚合策略：
# 传统方案uuid-1234-5678 ->"我在 TechCorp 工作"uuid-9876-5432 ->"我是软件工程师"uuid-1111-2222 ->"我有5年编码经验"# Memoir 方案profile.professional.occupation -> {"memories": [{"content": "我在 TechCorp 工作", "confidence": 0.95},{"content": "我是软件工程师", "confidence": 0.87},{"content": "我有5年编码经验", "confidence": 0.82}],"count": 3,"last_updated": "2024-01-15"}
相同语义路径下的记忆被聚合为一个 AggregatedMemory 对象，通过 store_memory_async 方法写入时自动合并。这样做的好处是：一次路径检索即可获取该语义节点下的所有相关记忆，无需多次向量搜索。
存储层还有两个值得关注的工程细节：
_CwdLockedTree代理：ProllyTree 的 Rust 绑定在每次操作时都使用当前工作目录（cwd）来定位 git 仓库——而不仅仅在构造时。_CwdLockedTree包装器在每次方法调用前chdir到存储路径，调用后恢复原始 cwd，解决了跨工作目录调用的"Not in a git repository"错误。键注册表（
_keys）：由于 ProllyTree 在某些模式（如内存模式）下不支持键枚举，适配器维护了一个键注册表来跟踪所有已写入的键，使search等需要遍历的操作成为可能。
2.3 分类层：从语义模式到 LLM 智能分类
分类层包含两个实现：
SemanticClassifier(src/memoir/classifier/semantic.py)：基于 LLM 的分类器，将分类 Prompt 精心设计为"静态前缀 + 动态内容"结构，最大化 Prompt Caching 命中率。分类缓存使用 SHA-256 内容哈希作为键。IntelligentClassifier(src/memoir/classifier/intelligent.py)：更高级的分类器，额外处理"记忆价值判断"——决定内容是否值得存储。它定义了ClassificationAction（SKIP/CLASSIFY/EXPAND/USE_PARENT）和MemoryAction（SKIP/STORE/REPLACE/APPEND/MERGE）两套枚举，执行多阶段管道：模式匹配 -> LLM 分类 -> 动态扩展。
from memoir.classifier.intelligent import IntelligentClassifierclassifier = IntelligentClassifier(llm=llm,confidence_thresholds={"high": 0.8, # 自动存储"medium": 0.5, # 待审核"low": 0.0# 拒绝阈值})
分类器使用置信度阈值三级策略：
高置信度（>0.8）：自动存储到分类路径 中置信度（0.5-0.8）：标记待审核 低置信度（<0.5）：触发动态分类扩展或使用父路径降级
2.4 搜索层：单阶段与分层检索
搜索层 IntelligentSearchEngine（src/memoir/search/intelligent.py）支持两种检索模式：
mode="single"（默认）：一次 LLM 调用从完整路径清单中选择相关路径。对于中小规模存储（<1000 条记忆），延迟最低。mode="tiered"（分层）：多阶段下钻：L1 直方图：统计一级路径分布 L1 挑选：LLM 从一级路径中选择 L2 挑选（条件触发）：当单个 L1 前缀超过 40 个键时触发 精确键匹配：最终路径选择
分层模式每一步的 Prompt 更窄、更精确，在存储规模增长时扩展性更好。
流程执行说明：
步骤1-2：用户通过自然语言查询，搜索引擎首先从 ProllyTree 获取命名空间下所有键的列表 步骤3-6：搜索引擎对键按层级分组聚合（L1 直方图），然后调用 LLM 选择最相关的一级路径前缀 步骤7-9：对筛选后的键再次按次级分组，若单前缀超过 40 个键则触发 L2 LLM 调用进一步缩窄范围 步骤10-11：用筛选出的精确路径从存储中取值并返回结果
2.5 服务层：分支、密码学与时序记忆
服务层将核心业务逻辑从 UI 处理器中提取出来，供 CLI、TUI、SDK 和 HTTP 处理器共享。
MemoryService：实现记忆的 5 步存储管道（初始化 -> 分类 -> 存储 -> 时间线处理 -> 位置处理）BranchService：管理 Git 分支操作（列表、检出、合并、差异比较、时间旅行）CryptoService：密码学证明生成、验证和 blame 溯源StoreService：存储创建、连接和状态管理
3. 源码分析
3.1 ProllyTree 适配器：CWD 锁与键注册表
ProllyTreeStore（src/memoir/store/prolly_adapter.py）是整个系统的数据根基。它实现了 LangGraph 的 BaseStore 接口，同时封装了 ProllyTree（Rust 绑定）和 VersionedKvStore 两个底层引擎。
classProllyTreeStore(BaseStore):def__init__(self, path, enable_versioning=True, auto_commit=True, cache_size=10000):self.path = Path(path)self.path.mkdir(parents=True, exist_ok=True)# 版本化模式需 .git 目录存在if enable_versioning andnot (self.path / ".git").exists():raise FileNotFoundError(f"Not a memoir store: {self.path}")if enable_versioning:data_dir=self.path/ "data"data_dir.mkdir(exist_ok=True)# VersionedKvStore 的 Rust 绑定在每次操作时使用 cwd# 来定位 git 仓库——不仅是构造时import ossaved_cwd = os.getcwd()try:os.chdir(str(self.path))_raw_tree=VersionedKvStore(str(data_dir))finally:os.chdir(saved_cwd)self.tree = _CwdLockedTree(_raw_tree, self.path)else:self.tree = ProllyTree("memory")
_CwdLockedTree 是解决 Rust FFI 边界问题的一个精巧设计：
class_CwdLockedTree:def__init__(self, tree, store_path):object.__setattr__(self, "_tree", tree)object.__setattr__(self, "_store_path", str(store_path))def__getattr__(self, name):attr = getattr(self._tree, name)ifnotcallable(attr):return attrdef_wrapped(*args, **kwargs):saved = os.getcwd()try:os.chdir(self._store_path)returnattr(*args, **kwargs)finally:os.chdir(saved)return _wrapped
这个包装器拦截所有对底层树对象的方法调用，在每次调用前 chdir 到存储路径，调用后恢复。它能覆盖 28+ 个调用点，比手动注释每个公共方法更统一也更安全。object.__setattr__ 用于绕过 __getattr__ 的递归风险。
键注册表是另一个权衡设计：
def_populate_key_registry(self):try:ifhasattr(self.tree, "scan"):forkey_bytes,_in self.tree.scan():self._keys.add(key_bytes.decode("utf-8"))elifhasattr(self.tree, "list_keys"):for key_bytes in self.tree.list_keys():self._keys.add(key_bytes.decode("utf-8"))except Exception as e:logger.warning(f"Could not populate key registry: {e}")
由于 ProllyTree 在非版本化模式下不提供键枚举 API，适配器在启动时尝试填充键注册表，并在每次 put 时追加新键。这使得 search() 方法（需要遍历命名空间）在两种模式下都能工作。
3.2 智能分类器：Prompt Caching 的工程实践
IntelligentClassifier（src/memoir/classifier/intelligent.py）是一个值得仔细研究的模块。它的 classify_input 方法执行了一条完整的多阶段 LLM 管道：
classIntelligentClassifier:def__init__(self, llm, taxonomy_version=TaxonomyVersion.GENERAL,confidence_thresholds=None, ...):self.taxonomy = LLMIterativeTaxonomy(llm=llm)self._action_cache = {}self._prompt_template = self._load_prompt_template()asyncdefclassify_input(self, content, metadata=None, return_prompt=False):# 第1步：记忆价值判断is_worthy, action = await self._check_memory_worthiness(content, metadata)# 第2步：执行分类或跳过result = await self._perform_classification(content, metadata, action)# 第3步：处理低置信度if result.confidence_level == ClassificationConfidence.LOW:result=awaitself._handle_low_confidence(content,metadata, result)# 第4步：决定存储策略memory_action, result = await self._decide_memory_action(content, metadata, result)# 第5步：提取结构化元数据result = await self._extract_structured_metadata(content, metadata, result)return result
这条管道的工作流为：
流程执行说明：
步骤1-3：分类器首先通过 LLM 判断内容是否值得作为记忆存储（检查信息密度、时间敏感性和重复性），不值得的内容直接返回 SKIP 步骤4-6：对于值得记忆的内容，调用 LLM 将内容分类到语义路径，返回一个或多个路径及置信度评分 步骤7-11：若置信度低于阈值（如 <0.5），触发动态分类扩展——向 LLMIterativeTaxonomy请求候选扩展路径，获取新路径后重新分类步骤12-13：决定最佳存储策略——新记忆直接存储、已有记忆则更新或合并、冗余记忆则追加 步骤14-15：从内容中提取结构化事件（时间线事件、位置变更、档案更新），供 Memento 模块进一步处理
分类器中 Prompt Caching 的关键设计在于分类模板的结构：STATIC_SECTION 包含完整的分类树结构和示例（>2048 个 token，达到 Haiku 的最小缓存阈值），DYNAMIC_SECTION 只包含变化的上下文和待分类内容。这样每次分类只需要为动态部分付费。
3.3 MemoryService 的五步存储管道
MemoryService.remember() 方法实现了记忆存储的完整管道。但当调用者通过 path 参数提供了预分类路径时（例如 Claude Code 插件已经通过 claude -p 完成了分类），整个 LLM 分类链会被跳过——这是一个重要的延迟优化：
asyncdefremember(self, content, namespace="default", path=None, paths=None):# 路径预提供分支——跳过全部 LLM 调用if provided_paths:keys = provided_pathskey = keys[0]confidence = 1.0reasoning = f"Path provided by caller; classifier skipped: {keys}"else:# 完整 LLM 分类管道classifier = self._get_classifier()result = await classifier.classify_input(content, metadata=...)key = result.path or"context.current.session"keys = [key] ifnot result.paths else result.pathstimeline_events = result.timeline_eventslocation_events = result.location_events# 第3步：存储（支持多路径写入）for storage_key in keys:siblings=[kforkinkeysifk!= storage_key]memory_item["related_keys"] = list(siblings)store.put(namespace_tuple, storage_key, memory_item)# 第4步：时间线处理if timeline_events:await timeline_memento.apply_timeline_events(timeline_events, ...)# 第5步：位置处理if location_events:await location_memento.apply_location_events(location_events, ...)
值得注意的设计决策：多路径写入时，每个 blob 的 related_keys 字段记录了同批次写入的其他路径——这让语义搜索可以跨路径关联相关记忆。
3.4 LangGraph 集成适配
LangGraphMemoryStore（src/memoir/integration/langgraph/memory_store.py）实现了 LangGraph 的 BaseStore 接口，使 Memoir 可以作为 LangGraph Agent 的即插即用记忆后端：
classLangGraphMemoryStore(BaseStore, BaseIntegration):def__init__(self, config=None, llm=None):# 自动创建存储、初始化分类树、设置分类器和搜索引擎self._init_storage() # ProllyTreeStoreself._init_taxonomy_loader() # 加载/初始化分类树self._init_taxonomy() # fixed / iterative / intelligentself._init_search() # IntelligentSearchEngine + MemoryManager
它支持三种分类模式：fixed（固定分类树，约 200 个路径）、iterative（LLM 驱动的动态扩展）、intelligent（完整的智能分类管道）。通过 abatch/asearch/aput/adelete 等 LangGraph 标准接口暴露功能。
4. 功能详解
4.1 Git 风格版本控制
Memoir 的核心创新是将 Git 的操作模型完整映射到记忆管理：
# 创建存储memoir new my-store && cd my-store# 显式路径存储（离线，无需 LLM）memoir remember "Sarah prefers tabs and 2-space indents" -p preferences.coding.style# 自动分类存储（需要 LLM API Key）memoir remember "I work in Pacific time"# 路径读取（离线）memoir get preferences.coding.style# 语义搜索（LLM 驱动）memoir recall "what does Sarah prefer?"
分支与合并：
memoir branch experiment # 创建实验分支memoir checkout experiment # 切换到实验分支memoir remember "Testing new classifier config" -p context.experiment.configmemoir checkout main # 切回主分支memoir merge experiment main # 合并实验分支memoir diff experiment main # 对比分支差异
流程执行说明：
步骤1-3：用户切换到实验分支后，所有记忆操作都被隔离在该分支中 步骤4-6：在实验分支中存储的记忆被 VersionedKvStore 通过 Git commit 记录，获得密码学哈希标识 步骤7-9：切回主分支后，实验分支的记忆不可见——就像代码分支隔离一样 步骤10-12：合并操作将实验分支的记忆变更应用到主分支，支持 ours/theirs/skip 三种冲突解决策略
4.2 智能召回的分层搜索
分层搜索是 Memoir 在规模化场景下的核心优势。当存储中有数千条记忆时，单次 LLM 调用处理完整路径清单会受限于上下文窗口和处理延迟。分层搜索将问题分解为递进式的决策步骤：
L1 直方图：统计所有一级路径分布，如 profile:150, preferences:80, context:40L1 挑选：LLM 从一级路径中选出与查询最相关的 2-3 个前缀 L2 直方图：统计筛选后键的二级路径分布 L2 挑选（条件触发）：仅当某个 L1 前缀下有超过 40 个子键时，才发起 L2 LLM 调用 精确匹配：最终用筛选出的路径前缀调用 store.get
这种设计在小型存储中退化为单阶段搜索（mode="single"），在大型存储中自动启用分层下钻（mode="tiered"），实现了自适应的性能平衡。
4.3 时序与位置记忆（Memento）
Memoir 在核心记忆之上提供了三个结构化的记忆类型——Memento：
ProfileMemento：管理个人档案信息（身份、技能、偏好），自动从对话中提取和更新用户画像TimelineMemento：管理时间线事件（"今天做了什么"、"下周有什么计划"），支持时间旅行查询LocationMemento：管理空间/地理位置相关的记忆
这些 Memento 由 IntelligentClassifier 在 classify_input 管道的第 5 步自动提取，无需用户显式调用。
4.4 密码学完整性与溯源
Memoir 利用 ProllyTree 的 Merkle 树结构提供密码学级别的完整性保证：
# 生成某条记忆的密码学证明memoir proof preferences.coding.style# 验证证明memoir verify <proof_b64> preferences.coding.style# 查看变更历史memoir blame preferences.coding.style
CryptoService 通过 store.tree.generate_proof(key) 获取 Merkle 包含证明，以 base64 编码返回。blame 通过 store.get_key_history() 调用 VersionedKvStore.get_commits_for_key() 获取每次提交的作者、时间戳和消息——就像 git blame 一样。
5. 技术亮点
5.1 Prompt Caching 优先的分类器设计
Memoir 的分类器（SemanticClassifier）将分类 Prompt 模板设计为两段式结构：
STATIC_SECTION：包含完整的分类树层级（约 200 个路径）和分类示例。在 Anthropic API 中，这部分内容长度超过 2048 tokens，满足 Prompt Caching 的最小阈值，一旦缓存命中，成本降低 90%。 DYNAMIC_SECTION：仅包含变化的上下文信息和待分类的原始内容。
self.classification_template = """[STATIC_SECTION_START]You are a semantic memory classifier...AVAILABLE TAXONOMY STRUCTURE:{taxonomy_structure} # ~200个路径，固定不变{examples} # 固定示例CLASSIFICATION GUIDELINES:...[STATIC_SECTION_END][DYNAMIC_SECTION_START]{context_info} # 每次变化{classification_hints} # 动态提示MEMORY CONTENT TO CLASSIFY:{memory_content} # 每次变化[DYNAMIC_SECTION_END]"""
这是面向 LLM 服务成本的精细化工程——不仅是"把分类做对"，更是"用最小成本做对"。
5.2 语义路径聚合替代 UUID
传统方案使用 uuid -> memory 映射，每条记忆独立存储。Memoir 使用 semantic_path -> AggregatedMemory 映射：
同一个语义节点下的多条记忆被聚合为一个对象，减少了存储条目数 检索时一次路径读取即可获取该节点下所有记忆，无需遍历 支持记忆计数、首次/最后时间戳等元信息
这本质上是用确定性层级索引替代概率性向量索引。一个简单的路径前缀查找 profile.professional.skills 就能返回该用户的所有技能——不需要 ANN（近似最近邻）算法的 (k) 次向量距离计算。
5.3 CWD 锁定的 Rust 绑定适配
ProllyTree 的底层 Rust 绑定在每次操作时都使用当前工作目录（而不仅是构造时）来定位 git 仓库。这意味着如果调用者在 /tmp 下操作，即使存储路径是 /home/user/memories，操作也会因"Not in a git repository"而失败。
_CwdLockedTree 代理以 Python 的 __getattr__ 机制拦截所有方法调用，在每次调用前透明地 chdir 到正确路径。这个设计不需要修改 Rust 绑定，不引入额外依赖，且覆盖了所有未来新增的方法。
5.4 三级 Store 路径解析策略
Memoir 的 CLI 入口采用明确的三级路径解析，没有任何隐式的全局默认值：
-s / --store命令行标志（每次调用，优先级最高）MEMOIR_STORE环境变量（每个 shell session）当前工作目录（让 cd <store> && memoir ...自然工作）
项目文档明确说明了为什么没有~/.config/memoir/config.json 的全局默认值：之前有一个 memoir connect 命令会将默认值写入配置文件，导致跨项目工作时出现"错误存储的陈旧默认值"引发的数据错乱问题。删除全局默认值是防御性的设计决策。
6. 实践指南
6.1 快速上手
安装和基本使用：
# 安装pip install memoir-ai# 设置 API Key（默认使用 claude-haiku-4-5）export ANTHROPIC_API_KEY="sk-..."# 创建记忆存储memoir new my-memoir-storecd my-memoir-store# 存储记忆memoir remember "我习惯用 VS Code，主题是 Monokai" -p preferences.tools.editormemoir remember "我的主要编程语言是 Python 和 Rust"# 搜索记忆memoir recall "我平时用什么编辑器？"# 打开 Web UI 可视化管理memoir ui
如果不指定路径，Memoir 会自动调用 LLM 将内容分类到最合适的语义路径。显式指定路径（-p）则完全离线，无需 API 调用。
6.2 Claude Code 插件集成
在 Claude Code 会话中，一键安装：
/plugin marketplace add zhangfengcdt/memoir/plugin install memoir@memoir
如果系统有 uv，插件会自动通过 uvx --from memoir-ai memoir 解析——无需手动 pip install。安装 uv 只需一行：
curl -LsSf https://astral.sh/uv/install.sh | sh插件会注册 SessionStart、UserPromptSubmit 和 Stop 三个钩子，自动注入项目上下文和捕获会话记忆。
6.3 性能特征
存储已测试至 100 万条记忆，路径深度支持最多 8 级，命名空间层面支持水平扩展。
7. 总结
Memoir 的核心理念是将 AI Agent 记忆从"不透明的向量 blob"转变为"可审计、可分支、可合并的版本化资产"。它的技术栈展示了几个重要的设计决策：
用确定性替代概率性：O(log n) 的层级路径检索替代 O(n) 的向量近似搜索，在绝大多数 Agent 记忆场景下足够好，且避免了向量搜索的语义漂移 用版本控制解决记忆污染：分支隔离、提交历史、blame 溯源——这些 Git 原语直接映射到记忆管理的需求 用 Prompt Caching 优化成本：分类器模板的静态/动态分离设计，将每次分类的 LLM 成本降低 90% 用聚合替代拆分：语义路径下的记忆聚合减少存储条目、加速检索、支持批量上下文注入
Memoir 当前处于 Alpha 阶段（v0.2.0），明确面向 Coding Agent 使用场景优化。对于正在构建 AI Agent 系统、受困于记忆管理的开发者来说，它提供了一套比向量数据库更透明、比文件模式更结构化、比临时草稿更可靠的第三选择。
参考文献
[1] Memoir GitHub 仓库：https://github.com/zhangfengcdt/memoir
[2] Memoir 官方文档：https://zhangfengcdt.github.io/memoir/
[3] Memoir PyPI：https://pypi.org/project/memoir-ai/
[4] ProllyTree 项目：https://github.com/rust-python/prollytree
[5] LangGraph BaseStore 接口：https://langchain-ai.github.io/langgraph/reference/store/
