科大讯飞开源的 MemFlywheel 给 Agent 装上"记忆飞轮"

大家好，我是小智，专注 AI 工具，AI 智能体和编程提效

先看效果

科大讯飞开源的 MemFlywheel 给 Agent 装上"记忆飞轮" — MemFlywheel overview

今天聊的这个项目叫 MemFlywheel，科大讯飞开源的，专门给 AI Agent 加”记忆飞轮”。项目地址：iflytek/memflywheel
Stars：16 ⭐（新项目，刚起步）
技术栈：TypeScript / Node.js ≥22.13
npm 包：@iflytekopensource/adapters、@iflytekopensource/hermes一句话定位：让 Agent 执行前先回忆，执行后再提取，把重复工作进化成可复用技能。每跑一次任务，都成为下一次更聪明的起点。说真的，Agent 的失忆问题，用过 Claude Code、Cursor 的人都深有体会。每次开新会话，它把你之前讨论的架构决策、踩过的坑全忘了，你得从头解释一遍。我之前带过一个项目，光是让 Agent 记住”我们用 Zustand 不用 Redux”这条，重复说了不下十次。这种重复劳动，是当前 Agent 最大的体验硬伤。MemFlywheel 就是来填这个坑的。

解决啥痛点它给 Agent 一个记忆飞轮：执行前先回忆相关记忆，执行后把这次学到的东西沉淀下来，下次自动用上。简单讲就是越用越懂你。这里有个设计我很认可，就是它跟宿主 Agent 的分工边界划得很清楚：宿主自己留着：生命周期管理、模型访问、权限认证、工具调用。
MemFlywheel 只管：记忆和学习循环（recall、extract、dream consolidation、learned skills）。它不吞噬主 Agent，不做模型服务，不管工具权限，是个纯粹的”记忆加学习”层。这种克制很重要，意味着你现有的 Agent 工作流不用推倒重来，加一层就行。

四个特性

文件原生这是我最喜欢的一点。记忆、源码轨迹、学到的技能，全部以 Markdown 文件形式存。意味着可检查、可 diff、可版本控制。你随时能打开看 Agent 到底记了什么，出问题能追踪，团队协作能共享。这比把记忆塞进黑盒向量数据库透明太多了。向量库那套，记忆进去就成了一串数字，你想看它记了啥都费劲，更别说 diff 和 code review 了。文件原生的方案，本质上把”记忆”变成了和代码一样可治理的资产。渐进式召回不是一次性把所有记忆灌给 Agent，而是分层召回。从 MEMORY.md 的索引线索开始，到记忆正文，再到源码轨迹，最后到学到的技能。按需加载，不撑爆上下文。运行后学习任务结束后自动干两件事：turn-end extraction，从每轮对话里提取持久化记忆；dream consolidation，空闲时做记忆巩固和修复，把零散记忆整理成体系。记忆一直在”动”，不是写死就不管了。这个 dream 的概念挺有意思，Agent 闲着的时候不真闲着，在后台整理它的”记忆碎片”。宿主原生通过 npm 包支持主流框架：Pi、Hermes、OpenCode、OpenClaw。以原生记忆插件形式装进去，宿主继续掌控模型、工具、权限、会话，MemFlywheel 只加记忆能力。

如何运转

整个飞轮是这样转的：MEMORY.md 索引线索 |-- progressive read -> 记忆正文 -> 源码轨迹 -> 学到的技能 |-- turn-end -> 持久化记忆提取 |-- idle -> dream 巩固和修复 " repeated="repeated" work="work" gt="gt" learned="learned" skills="skills" data-show-line-number="false" style="display: -webkit-box;padding: 0.5em 1em 1em;overflow-x: auto;text-indent: 0px;color: inherit;background: none;white-space: nowrap;margin: 0px;font-family: "Fira Code", Menlo, "Operator Mono", Consolas, Monaco, monospace;">Agent Harness | | lifecycle / model / auth / tools v MemFlywheel | |-- pre-recall -> MEMORY.md 索引线索 |-- progressive read -> 记忆正文 -> 源码轨迹 -> 学到的技能 |-- turn-end -> 持久化记忆提取 |-- idle -> dream 巩固和修复 `-- repeated work -> 可复用的 learned skills

四个环节串成闭环。pre-recall 执行前回忆，先把 MEMORY.md 索引线索调出来。progressive read 按需深入读取记忆正文、源码轨迹、已学技能。turn-end 每轮对话结束提取值得长期记住的内容。idle 空闲时做 dream consolidation 整理修复记忆。这套设计的关键在于”闭环”两个字。很多记忆方案只做了一半，要么只 recall 不 extract，要么 extract 了不整理。MemFlywheel 把回忆、提取、巩固、进化全串起来了，所以叫飞轮，转起来会越来越顺。

技能飞轮

这是 MemFlywheel 最有意思的能力，也是它区别于普通记忆方案的地方。它不只是记住事实，而是把重复出现的工作模式进化成可复用的 learned skills（学到的技能）。举个实在的例子。你让 Agent 反复做类似的代码审查任务，第一次它从头分析，第二次还是从头分析。但用了 MemFlywheel，它会把这些经验沉淀成一个”代码审查技能”，下次遇到同类任务直接调用，不用重新学。技能同样是文件原生的，Agent 能检查、能复用、能迭代。这是从”记住发生了什么”到”学会怎么做”的质变。普通的记忆方案让你不用重复说，技能飞轮让你连做都不用重复做。

如何安装支持 4 个主流框架，每个一条命令：Pi：pi install npm:@iflytekopensource/adapters

Hermes：npm install -g @iflytekopensource/hermes memflywheel-hermes-install hermes configsetmemory.provider memflywheel

OpenCode：opencode plugin @iflytekopensource/adapters --global opencode run --dir/path/to/project"your task"

OpenClaw：openclaw plugins install npm:@iflytekopensource/adapters openclaw configsetplugins.slots.memory memflywheel openclaw configsetplugins.entries.memflywheel.hooks.allowConversationAccesstrue openclaw configsetplugins.entries.memflywheel.hooks.allowPromptInjectiontrue openclaw gateway run --force

装完以原生记忆插件身份跑，宿主继续掌控一切，MemFlywheel 只加 recall、提取、巩固和技能这四样。

向量可选pre-recall 的 embedding 部分是可选的。不开也能用，MemFlywheel 会直接注入最多 200 行生成的 MEMORY.md 索引。当记忆索引超过 200 行，启动任意 OpenAI 兼容的 embeddings 端点，导出这几个环境变量，pre-recall 自动开启，只注入最相关的条目：

exportMEMFLYWHEEL_EMBEDDING_ENDPOINT="https://embedding-gateway.example.com/v1"
exportMEMFLYWHEEL_EMBEDDING_API_KEY="..."
exportMEMFLYWHEEL_EMBEDDING_MODEL="text-embedding-3-small"

这种设计很务实。小项目零配置就能跑，大项目按需开 embedding，不让新手一上来就被向量数据库劝退。很多工具死就死在”一上来就让你配一堆”，MemFlywheel 这点分寸感拿捏得不错。

为啥值得用第一，打中了 Agent 最大的痛点：失忆。目前主流 Agent 都没有像样的长期记忆方案，MemFlywheel 把这个能力做成了可插拔组件。第二，文件原生的设计选择很聪明。记忆可 diff、可版本控制、可审查，团队协作友好，这点对做企业级应用的人特别重要。第三，记忆加技能双飞轮。不只是记住事实，还能把重复工作进化成技能，这是质变。第四，宿主无关、模型无关。不绑死某个框架或模型，Pi/Hermes/OpenCode/OpenClaw 都支持。第五，科大讯飞出品。大厂开源，工程化质量有保障，npm 包、CI、文档体系都齐全。

一点思考这个项目现在才 16 个 Star，属于刚起步。功能是完整的，4 个框架支持、npm 包已发、文档齐全，但生态还在早期。我个人觉得它值得早期跟进。设计思路（文件原生、飞轮闭环、技能进化）是真的想清楚了，不是拍脑袋的方案。如果你正头疼 Agent 失忆问题，愿意边用边给 Issue 反馈，现在就可以上手试。如果你要的是成熟稳定的工业级方案，再观望一段时间也行，但这个方向值得关注。给 Agent 加记忆这件事，迟早是刚需。与其等大厂把它做成闭源黑盒，不如看看这种开源的、透明的、你能完全掌控的方案。