Ho scritto oltre 200 righe di regole in CLAUDE.md solo per far sì che l'Agente si ricordi chi sono.
Tono di scrittura, tabù di layout, stili delle immagini: tutto dipende dal fatto che le inserisca riga per riga. Anche se queste regole esistono ogni volta che avvio una nuova sessione, non è memoria dell'Agente, è un manuale che ho scritto io.
Il manuale è statico: se scrivo "non usare trattini", l'Agente non li userà. Ma non sa perché, non sa quante volte l'ho corretto, e non conosce il ragionamento dietro la regola: che "i trattini spezzano il ritmo del cinese, a mio avviso".
Il mio Agente esegue regole, ma non le ha apprese.
La maggior parte delle soluzioni di memoria attuali si limitano a "cercare vecchie chat"
Questo problema non è passato inosservato. ChatGPT ha la memoria, Claude ha la conoscenza del progetto, e sul mercato esistono vari plugin di memoria di terze parti.
Ma se si guarda attentamente, fanno più o meno la stessa cosa: memorizzare le conversazioni passate o le informazioni taggate manualmente, costruire un indice vettoriale e recuperare segmenti rilevanti da reinserire nel contesto durante la chat successiva.
Funziona, ma ci sono diversi problemi inevitabili.
Innanzitutto, ciò che viene memorizzato è la conversazione grezza, che ha un rapporto segnale/rumore molto basso. Quando viene recuperato un frammento di chiacchiere di tre mesi fa, il modello deve giudicare cosa sia utile, e spesso sbaglia.
In secondo luogo, la memoria è piatta. Tutte le informazioni sono memorizzate allo stesso modo; non c'è una gerarchia del tipo "questo è più importante di quello" o "questa conclusione è stata aggiornata". Più a lungo la usi, più rumore c'è.
In terzo luogo, non impara dagli errori. Se hai corretto l'AI dieci volte sullo stesso problema, la sua "memoria" ha dieci registrazioni di correzioni, ma non ha riassunto una strategia del tipo "non farlo più".
Queste soluzioni risolvono il problema della "memorizzazione" ma non quello dell'"apprendimento".
Cosa mi ha detto Hermes dopo aver installato il plugin locale MemOS
Dopo aver installato il MemOS Local Plugin, ho chiesto a Hermes: "Dove è salvata ora la tua memoria?"
Ha dato una risposta molto chiara:
Due righe: la memoria integrata è memorizzata in un file JSON locale, contenente cose che gli ho detto attivamente: nome, ruolo, preferenze, regole di scrittura. MemOS è un sistema di memoria a lungo termine separato e indipendente che estrae automaticamente traces (traiettorie di eventi), policies (regole comportamentali) e world_models (conoscenza ambientale) dalle conversazioni, quindi cristallizza i processi maturi in abilità richiamabili.
Il riassunto di Hermes è migliore della mia spiegazione: "La memoria integrata è un post-it esplicito che salvo attivamente; MemOS è una memoria implicita appresa e accumulata automaticamente in background."
Questa è la differenza più grande tra MemOS e le soluzioni menzionate sopra. Non si limita ad aiutarti a memorizzare le conversazioni; estrae automaticamente strategie dal processo con cui fai le cose.
MemOS chiama questo sistema Reflect2Evolve. Le conversazioni si depositano prima in traces, le traces preziose vengono riassunte in policies (strategie comportamentali) e le policies mature vengono cristallizzate in abilità riutilizzabili. Non si tratta di "ricordare cosa hai detto", ma di "estrarre come fare la prossima volta dal processo di come l'hai fatto".
Test 1: Insegnargli a scrivere tweet
Nel primo round, ho detto a Hermes le mie abitudini per scrivere tweet su X: niente trattini, iniziare direttamente con un punto di vista senza preamboli, avere un tocco umano, nessun sapore da AI. Poi gli ho chiesto di scrivere un tweet sul Context Engineering.
Dopo che ha finito, l'ho corretto una volta: "Questa apertura è troppo piatta; usa un gancio più incisivo. La mia abitudine è lanciare un punto di vista o un conflitto nella prima frase, niente preamboli."
L'ha cambiato immediatamente. La prima frase è diventata: "Hot take: Prompt Engineering è sopravvalutato." Poi ha risposto: "Prima frase è il punto di vista, niente preamboli."
Fino a questo punto, non è molto diverso dalla maggior parte degli assistenti AI. Il vero test è il passo successivo.
Esco da Hermes. Avvio una nuova sessione. Questa volta ho detto solo una frase:
"Aiutami a scrivere un tweet su X con il tema 'CLAUDE.md in Claude Code è essenzialmente Context Engineering'."
Non ho ripetuto nessuna preferenza. Non gli ho ricordato chi sono.
Poi ho visto questo:
Prima di scrivere, ha fatto quattro cose:
- Ha caricato automaticamente un'abilità chiamata x-content-writing.
- Ha usato memos_search per cercare "X writing style context engineering", impiegando 4,7 secondi.
- Ha cercato in memos_environment e ha trovato il percorso del mio vault Obsidian.
- È andato nel mio vault a leggere articoli X che avevo effettivamente pubblicato prima per capire il ritmo.
Poi ha detto: "Ok, scriviamo. Dopo aver letto i tuoi recenti articoli X e aver colto il ritmo, inizierò a scrivere direttamente."
Questo è ciò che ha scritto:
CLAUDE.md non è una configurazione. È Context Engineering. Ogni riga che ci scrivi, stai progettando la finestra di contesto del modello. Struttura del progetto, preferenze di codifica, tabù invalicabili: è tutta memoria di lavoro iniettata manualmente. I prompt gestiscono "cosa fare questa volta". CLAUDE.md gestisce "chi sei tu". Gli sviluppatori backend lo capiranno subito. I microservizi tirano la configurazione da un registro all'avvio per sapere con quali servizi interagiscono. CLAUDE.md è il registro dell'Agente. Leggilo una volta per sessione, poi mettiti al lavoro.
Zero trattini, la prima frase lancia direttamente un punto di vista, l'analogia con il backend scorre naturale, e non c'è un'apertura stile "In questo articolo, capiremo...".
Non si è semplicemente ricordato che avevo detto niente trattini; ha estratto un insieme di strategie di scrittura dal mio processo di esecuzione e dagli articoli pubblicati, poi le ha applicate automaticamente in una sessione completamente nuova.
Questa volta, ho davvero sentito che era diverso dalle soluzioni di memoria che avevo usato prima.
Test 2: Creare due pagine prodotto per vedere se gli stili migrano tra progetti
Proviamo un compito più sostanzioso.
Nel primo round, ho chiesto a Hermes di creare una pagina introduttiva per ReddTrends (www.reddtrends.com) con requisiti specifici: sfondo bianco crema con colori caldi, testo diretto senza parole come "empower" o "one-stop", layout pulito, sensazione da sviluppatore indipendente. Dopo che ha finito, ho corretto il testo del pulsante CTA.
Poi sono uscito, ho avviato una nuova sessione e gli ho chiesto di creare una pagina introduttiva per un altro prodotto, MoleUninstaller, fornendo solo il nome del prodotto e la descrizione della funzione, senza alcuna istruzione di stile.
Risultato: La pagina di MoleUninstaller ha preso una direzione completamente diversa: sfondo scuro, titolo principale in inglese, colore arancione come accento—completamente diverso dallo stile caldo da sviluppatore indipendente di ReddTrends.
Le preferenze di stile non sono migrate tra progetti.
Questo dimostra che la memoria di MemOS non è un semplice "l'utente ha detto bianco crema l'ultima volta, quindi usalo per sempre"; distingue i contesti dei compiti. Al contrario, se ti aspetti che ricordi "uso colori caldi per tutte le mie pagine prodotto", non è ancora in grado di farlo; l'apprendimento di preferenze a questo livello di dettaglio potrebbe richiedere più cicli di accumulo.
Aprire il Visualizzatore per vedere cosa ha imparato
Dopo aver eseguito i due test, le modifiche ai dati nel Visualizzatore erano evidenti:
Da zero all'inizio a 47 ricordi, 8 compiti, 24 esperienze (12 abilitate), 2 abilità e 1 cognizione ambientale. Tutto generato automaticamente.
Le voci più interessanti nella pagina delle esperienze:
"Converti articolo di WeChat Official Account in formato Xiaohongshu", supporto 25, abilitato. Questa esperienza è stata attivata 25 volte, dimostrando che MemOS ha riassunto una strategia dal compito ripetuto di convertire account.
"Verifica tramite navigazione browser dopo aver modificato file" e "Verifica nessun errore console dopo modifica pagina"—queste sono abitudini di ingegneria estratte automaticamente durante la creazione delle pagine prodotto.
Anche la pagina delle abilità è cambiata:
check_obsidian_vault_path_env è passato dalla versione V1 alla V2, con supporto aumentato da 1 a 2. MemOS ha automaticamente aggiornato la versione dell'abilità quando ha incontrato un compito simile per la seconda volta. Questo è ciò che significa "Evolve" in Reflect2Evolve: le abilità non sono statiche; maturano più vengono usate.
Tre modelli svolgono ciascuno il loro ruolo: Xenova locale per l'embedding (gratuito), DeepSeek V4 Flash per i riepiloghi (economico) e DeepSeek V4 Pro per l'evoluzione delle abilità (chiamato solo quando serve un ragionamento forte), usando modelli costosi solo dove contano.
Tutti i dati sono memorizzati in un database SQLite locale e il Visualizzatore ascolta solo localmente, con zero dipendenza dal cloud. Chi ha lavorato con RAG può guardare la pipeline di recupero: ibrido FTS5 full-text + vettoriale, passando attraverso ranking di fusione RRF, deduplicazione MMR e un decadimento temporale con emivita di 14 giorni, poi filtrato da un LLM. È un ordine di grandezza più complesso di "embedding + similarità del coseno", ma la qualità del recupero è lo spartiacque per stabilire se la memoria è utile.
Un nucleo condiviso da più Agenti
Un altro design degno di nota: OpenClaw e Hermes condividono lo stesso nucleo Reflect2Evolve, solo con adattatori diversi. Le esperienze e le abilità che accumuli in Hermes sono compatibili con OpenClaw a livello algoritmico; i tuoi asset di memoria non si azzerano solo perché cambi strumento.
Sensazioni reali dopo l'uso
Ciò che mi ha sorpreso di più non è stato solo che si ricordasse le mie preferenze, ma che nella seconda sessione, prima di scrivere il tweet, ha eseguito una serie di azioni: caricare un'abilità, cercare nella memoria, trovare il mio vault, leggere i miei articoli precedenti e poi dirmi "Ho letto i tuoi articoli recenti per capire il ritmo."
La mia reazione in quel momento è stata: Aspetta, non ti ho chiesto di leggere i miei vecchi articoli.
Ma ha giudicato da solo che fosse la cosa giusta da fare. Questa sensazione è completamente diversa da "aiutami a cercare ciò di cui abbiamo parlato l'ultima volta".
Il lato della pagina prodotto non è stato altrettanto sorprendente; lo stile caldo di ReddTrends non è migrato a MoleUninstaller. A pensarci, ha senso; la preferenza di stile è apparsa solo una volta, e le esperienze di MemOS hanno bisogno di un certo numero di "supporti" per consolidarsi in una strategia. Una volta non basta.
Quindi lo stato attuale è: i compiti ripetitivi ad alta frequenza mostrano effetti molto evidenti, mentre le preferenze occasionali non sono ancora stabili. Ma penso che la direzione sia giusta. Scrivo CLAUDE.md da sei mesi, e più scrivo, più sento che non è un lavoro per umani.
Sito web del MemOS Local Plugin: https://memos-claw.openmem.net/
GitHub: https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
Installazione con un clic dell'Agente:
1https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
Sono Yanhua, mi concentro su AI Agent e sviluppo indipendente per i mercati esteri. Se sei interessato agli AI Agent, seguimi pure --> @yanhua1010
