Oh My Coder 采用分层有限记忆架构，借鉴 Hermes Agent 设计，在不同上下文窗口限制下提供最优记忆注入。
LLM 的上下文窗口有限（4K-200K token），无法无限加载历史记忆。分层有限记忆通过优先级划分，确保最重要的信息始终可用：
- Tier 0：核心记忆，< 500 token，系统 Prompt 注入
- Tier 1：精选记忆，< 2000 token，上下文补充
- Tier 2：完整存档，无限制，按需搜索
MemoryManager
├── ShortTermMemory # 短期会话记忆（当前任务）
├── LongTermMemory # 长期记忆（项目偏好、用户设置）
└── LearningsMemory # 学习记忆（经验、教训）
分层视图：
├── Tier 0 (Tiny) # < 500 token，核心记忆
├── Tier 1 (精选) # < 2000 token，高价值条目
└── Tier 2 (Archive) # 完整存档，无限存储
用途：在会话消息接近模型上下文窗口限制时，自动压缩历史消息，释放上下文空间。
压缩阈值：
warning_threshold（默认 70%）：提示警告compact_threshold（默认 85%）：触发压缩
压缩流程（每条消息经过以下处理）：
- 去重（tool_call）：
enable_deduplication=True时，连续相同的 tool_call 响应只保留最后一条，摘要追加[去重: N 次重复 tool_call] - 错误清理：
enable_purge_errors=True时，清理超过max_age_rounds轮次的 error 类型消息（保留最后 1 条），摘要追加[已清理 N 个历史错误] - 分片：保留 system 消息 + 最后 20% + 摘要
- 摘要生成：按消息类型统计（文件读取、命令执行、错误、搜索、函数调用、其他工具）
CompactResult 字段：
| 字段 | 说明 |
|---|---|
triggered |
是否触发了压缩 |
tokens_before / tokens_after |
压缩前后 token 数 |
tokens_saved |
节省的 token 数（property） |
messages_removed |
清理的消息数 |
warning_level |
警告级别（ok/warning/critical/compacted） |
deduplicated_count |
去重的连续重复 tool_call 数 |
error_removed_count |
清理的历史 error 消息数 |
配置参数：
from src.memory.auto_compact import AutoCompact
ac = AutoCompact(
memory_manager,
model_context_window=128000, # 模型上下文窗口
compact_threshold=0.85, # 压缩阈值（默认 85%）
warning_threshold=0.70, # 警告阈值（默认 70%）
enable_deduplication=True, # 工具调用去重（默认开启）
enable_purge_errors=True, # 历史错误清理（默认开启）
)强制压缩与手动 sweep：
# 自动检查（阈值触发）
result = ac.check_and_compact(session)
# 强制压缩（跳过阈值检查）
result = ac.check_and_compact(session, force=True)
# 从最后用户消息处截断，再压缩
result = ac.check_and_compact(session, since_last_user=True)CLI 命令：
# 查看压缩统计
omc compact stats
# 手动触发压缩（最新会话）
omc compact sweep
# 从最后用户消息开始裁剪，再压缩
omc compact sweep --since-last-user
# 预览压缩结果，不实际执行
omc compact sweep --dry-run用途：注入到系统 Prompt，每个请求都携带。
内容：
- 最近项目（3 个）
- 用户核心偏好（模型、工作流）
- 最近学习经验（3 条）
使用示例：
from memory import MemoryManager
mm = MemoryManager.from_project(project_path)
# 获取 Tier 0 摘要（< 500 token）
tier0 = mm.get_tier0_summary()
# 注入到 Prompt
system_prompt = f"""
你是一个代码助手。
## 核心记忆
{tier0}
请根据以上上下文回答用户问题。
"""输出示例：
## 最近项目
- my-project: Python/FastAPI
- web-app: React/Next.js
- cli-tool: Python/Typer
## 用户偏好
- 模型: deepseek
- 工作流: tdd
## 最近经验
- 使用 pytest-cov 检查覆盖率: 测试覆盖率应 > 80%
- FastAPI 依赖注入: 使用 Depends() 进行依赖注入
- SQL 注入防护: 永远使用参数化查询
用途：补充上下文，在 token 充裕时提供更多项目细节。
内容：
- 项目详情（5 个）
- 项目特定知识
- 常用命令
- 更多学习记录（10 条）
使用示例：
# 获取 Tier 1 摘要（< 2000 token）
tier1 = mm.get_tier1_summary(max_tokens=2000)
# 在多轮对话中作为历史补充
messages = [
{"role": "system", "content": system_prompt},
{"role": "user", "content": f"参考以下项目信息：\n{tier1}\n\n问题：..."}
]用途：导出、搜索、审计，无 token 限制。
内容：
- 完整用户偏好
- 所有项目详情（20 个）
- 所有学习记录（50 条）
使用示例：
# 获取完整存档
archive = mm.get_tier2_archive()
# 搜索
results = mm.recall("FastAPI")
# 按类别获取学习记录
errors = mm.get_learnings_by_category("error")
best_practices = mm.get_learnings_by_category("best-practice")# ========== 自动压缩 ==========
# 查看压缩统计
omc compact stats
# 手动触发压缩（最新会话）
omc compact sweep
# 从最后用户消息开始裁剪，再压缩
omc compact sweep --since-last-user
# 预览压缩结果，不实际执行
omc compact sweep --dry-run
# ========== 记忆管理 ==========
# 查看记忆统计
omc memory stats
# 查看核心记忆（Tier 0）
omc memory core
# 查看精选记忆（Tier 1）
omc memory selected
# 查看完整存档（Tier 2）
omc memory archive
# 搜索记忆
omc memory search "FastAPI"
# 添加学习记录
omc memory add "SQL 注入防护" "永远使用参数化查询" --category error- 存储当前任务的上下文
- 自动过期（默认 24 小时）
- 最大消息数限制（默认 100 条）
- UserPreference：用户级偏好
- 默认模型、工作流、主题、编辑器、Shell
- ProjectPreference：项目级偏好
- 框架、语言、测试命令、自定义命令、备注
- LearningEntry：经验/教训记录
- 标题、内容、类别、标签、上下文
| 场景 | 推荐层级 | 原因 |
|---|---|---|
| 单次问答 | Tier 0 | 快速响应，核心信息足够 |
| 多轮对话 | Tier 0 + Tier 1 | 需要更多项目上下文 |
| 代码生成 | Tier 0 + Tier 1 | 需要项目框架、语言信息 |
| 调试问题 | Tier 2 搜索 | 需要搜索历史错误经验 |
| 导出备份 | Tier 2 完整 | 需要所有数据 |
- 定期清理：使用
omc memory clean清理过期记忆 - 主动添加：遇到重要经验时，使用
omc memory add记录 - 项目配置：在项目根目录创建
.omc/project.yaml预设偏好 - 搜索优先：遇到新问题时，先
omc memory search查看是否有相关经验
from memory import MemoryConfig, MemoryManager
config = MemoryConfig(
storage_dir=Path.home() / ".oh-my-coder" / "memory",
short_term_max_messages=100,
short_term_max_age_hours=24,
tier0_max_tokens=500,
tier1_max_tokens=2000,
)
mm = MemoryManager(config)- Checkpoint/Rollback - 状态保存与恢复
- 自动 Skills - 从经验自动生成 Skill