LighthouseWeb3 打造AI持久记忆存储层

灯塔存储：如果AI能从你上次停下的地方继续工作呢？

你有没有试过花几小时向AI助手解释一个项目，结果第二天回来却发现你得把重要细节重新说一遍？想象一下，你让ChatGPT帮你制定商业战略：
◉ 你讨论了目标受众，对比了竞争对手，
◉ 确定了你的目标，
◉ 然后就方向达成了一致。

几天后，你回来继续工作。你可能还能访问之前的对话，但你需要的上下文在当前会话或工作流中可能无法获取。如果你切换工具，这个问题会变得更明显。最后你不得不重复指令，翻找旧对话，重建你已经做过的决策。

现在想象一下：一个编码代理需要记住为什么某个特定实现被拒绝，一个研究助理需要重新查看上周的发现，或者一个商业助理需要回忆你偏好的报告格式。问题不一定出在智能水平，有时候是连续性的问题。

⇒ 这就是灯塔存储登场的地方

因此，@LighthouseWeb3 正在构建Lighthouse Memory，这是一个持久存储层，旨在帮助AI代理保存有用信息，在之后检索，并管理超出单次对话范围的已存储记忆。

该系统围绕三个操作展开：
→ 记住：保存有用的事实、偏好、项目细节和决策。
→ 回忆：当未来任务需要时，检索相关信息。
→ 忘记：当记忆不再需要时，将其从活跃记忆系统中移除。

试想一下，每天早上让AI重新解释你的项目，和给兼容代理一个途径来检索它继续工作所需的上下文，这两者区别很大。这就是持久存储要解决的实际问题。

⇒ Lighthouse Memory是如何工作的？

Lighthouse提供了一个带有可配置引擎、存储系统和检索方法的记忆SDK。它的批处理引擎可以在将记忆写入存储之前先对其进行缓冲。它支持本地嵌入和结合语义相似度与关键词匹配的检索。

这很重要，因为后续问题中使用的词语可能和原始记忆中的词语不同。例如，你可能保存了：“该项目针对小企业，优先考虑廉价支付基础设施。”几天后，你让代理回忆项目的目标受众和主要价值主张。即使新问题用了不同的措辞，语义检索也能帮你识别出相关信息。

memwal引擎采用了另一种方法。中继器处理嵌入、SEAL加密、walrus存储和向量搜索。开发人员可