统一联合记忆
AuroraBot 的记忆不是"把对话存下来"，而是结构化地生长。统一联合记忆（Unified Associative Memory）借助 mem0 实现图式的事实记忆、情景记忆与知识图谱经验记忆，覆盖所有认知活动。
挼挼如是说
大多数 chatbot 的记忆是一条线——上一句接下一句，最多往前翻几轮。AuroraBot 的记忆是一张网——你说过的事、她做过的事、她对自己的评价、甚至她"感觉"到的趋势，都会被织进同一张图里。下次她做决策的时候，不是翻"历史记录"，而是在图里找"跟现在最相关的那几个节点"。
为什么不是线性记忆
线性记忆的问题：
- 只能按时间顺序检索，无法按语义关联跳转
- 对话记忆丢掉了"为什么做这个决策"的上下文
- 不同来源的记忆（对话、行动、自我评估）无法融合
统一联合记忆的设计意图：
- 所有认知活动——对话、计划、动作、自我评估——都写入同一张图
- 记忆之间通过关系边连接，形成可遍历的关联网络
- 检索时可以沿边跳跃，找到"跟当前最相关"的记忆片段
三类记忆
图式事实记忆（Graph-based Fact Memory）
将离散的事实编码为图中的节点和边：
- 节点 — 实体（人、事件、概念）
- 边 — 关系（"说过"、"属于"、"导致"）
- 更新 — 新事实不覆盖旧事实，而是在图中新增节点和边
情景记忆（Episodic Memory）
记录"发生了什么"的时序片段：
- 每次对话、每个行动、每次自我评估都是一个情景片段
- 情景之间通过时间边和因果边连接
- 检索时可以"回想"相关情景的完整上下文
知识图谱经验记忆（Knowledge Graph Experience Memory）
从事实和情景中抽象出的"经验"：
- 不是"某年某月发生了什么"，而是"类似情况下她倾向于怎么做"
- 经验会随着时间演化——反思节点的自我评估会更新经验权重
- 这是她"性格会偏移、口吻会老化"的底层机制
与 mem0 的关系
统一联合记忆借助 mem0 作为基础设施：
- mem0 提供图存储、向量检索和记忆更新管道
- AuroraBot 在 mem0 之上封装了认知活动的写入/检索接口
- 所有记忆操作通过 Brain 层统一网关进行，不直接暴露给 App 或 Kernel
覆盖范围
统一联合记忆不仅覆盖"对话"，而是覆盖所有认知活动：
| 来源 | 写入内容 |
|---|---|
| 对话（QQ） | 对话情景、用户印象 |
| 计划（Planner） | 计划记录、决策理由 |
| 动作（Executor） | 执行结果、成功/失败 |
| 自我评估（反思节点） | 自我评价、倾向调整 |
| 日记（Diary App） | 日记条目 |
| 闹钟（Alarm App） | 提醒事件 |
当前状态
- 记忆系统的设计已完成，mem0 整合在推进中
- 当前阶段使用 JSON 文件作为过渡方案（
src/brain/kernel/state_store.py提供load_json_list、next_record_id、move_to_done等工具） MemoryAgent（Router 类型）将执行结果写入data/kernel/memory/下的 JSON 文件- 统一联合记忆是"认知节点插件体系开放"的前置依赖之一