引言​

我用Trae 做了一个有意思的Agent 「个人记忆中枢」。 点击 https://s.trae.com.cn/a/5902e3 立即复刻，一起来玩吧！​

在信息爆炸的时代，我们每天被聊天记录、文档、网页链接、会议纪要等信息洪流包围，却常陷入“明明看过但想不起来”的困境。作为一名需要同时处理项目、客户、学习任务的职场人，我深切体会到“信息管理”的重要性——直到我在Trae平台上部署了个人记忆中枢智能体，它像一位贴心的“数字秘书”，将我的碎片化知识编织成一张动态网络，彻底解决了信息断层问题。本文将分享这场“让记忆可管理”的实践之旅。

​​Agent简介​

​​核心定位​​

记忆中枢是一款基于Trae平台部署的结合MCP（模型上下文协议）的智能体，核心功能是为个人提供​​跨会话的持久化知识管理​​。它通过整合聊天记录、本地文档、网页内容（通过Fetch抓取），构建动态知识图谱，并支持多维度检索、知识关联推荐及复杂问题推理，彻底解决“信息分散”“多轮遗忘”“关联缺失”三大痛点。

核心能力​​

• ​​跨会话记忆​​：基于Knowledge Graph Memory与Memory双工具，实现信息的本地持久化存储，即使关闭对话窗口或重启设备，历史信息依然可追溯。
• ​​智能整合​​：自动解析文本、文档、网页中的关键实体（如人名、项目名、时间节点），并通过知识图谱建立关联（如“客户A→合作项目X→负责人张三”）。
• ​​灵活检索​​：支持自然语言指令（如“上周提到的客户A的合作背景”“项目X中张三负责的模块”），快速定位目标信息。
• ​​深度推理​​：调用Sequential Thinking工具，对复杂问题（如“梳理项目风险链”）进行分步分析，输出逻辑清晰的结论。

Agent创作构思​

​​创作背景​​

作为自由职业者，我的日常工作涉及：

• 与客户的微信/邮件沟通（碎片化聊天记录）；
• 项目文档（PDF/Excel/Word）的本地存储；
• 行业报告、竞品分析的网页抓取（需频繁切换浏览器）；
• 多轮对话中“上次提到的XX信息”的反复追问（信息断层）。

这些问题导致：

• 重复劳动：同一信息需多次确认（如客户电话、项目截止日期）；
• 效率低下：查找历史资料耗时（平均每次5-10分钟）；
• 决策偏差：因信息不全导致的推理错误（如遗漏项目关键节点）。

设计目标​​

我希望打造一个“不会忘记的朋友”，它能：

1. ​​主动记录​​：自动捕获我产生的所有信息（聊天、文档、网页），无需手动整理；
2. ​​智能关联​​：将分散的信息串联成网，让我“看到”信息背后的联系；
3. ​​灵活调用​​：通过自然语言随时调取所需信息，支持复杂问题的深度分析。

技术实现原理​

记忆中枢在Trae平台的部署，深度依赖其​​MCP工具生态​​与​​本地化计算能力​​。以下是其核心技术架构与实现流程：

工具矩阵：MCP能力的本地化集成​​

Trae平台为MCP工具提供了标准化的接口与运行环境，记忆中枢通过以下工具实现核心功能：

• ​​Knowledge Graph Memory​​：负责知识的图结构化存储，支持实体（如“客户A”）、关系（如“合作项目X”）、属性（如“电话138-XXXX-XXXX”）的定义与关联；

• ​​Memory​​：作为底层持久化引擎，将知识图谱数据存储于本地数据库（SQLite），确保跨会话数据不丢失；
  

• ​​Fetch​​：用于抓取网页内容（如行业报告、客户官网信息），并转换为结构化文本（如提取标题、关键段落、数据表格）；
  

• ​​Sequential Thinking​​：基于知识图谱的推理引擎，按逻辑序列拆解复杂问题（如“风险链分析”→“节点A→影响节点B→应对方案C”）；
  

• ​​文件系统​​：管理本地文档（PDF/Word/Excel）的读取与解析（通过OCR与关键词提取技术）；

• ​​联网搜索​​：当Fetch无法获取目标信息（如非公开的内部文档）时，调用此工具补充公开数据；

• ​​预览​​：生成知识图谱的可视化界面（通过D3.js渲染），支持用户直观查看实体关系。

​​核心流程：从信息输入到知识输出​​

记忆中枢的工作流程可分为​​信息采集→知识建模→智能检索→推理输出​​四大阶段，全程依赖Trae平台的MCP工具协同：

信息采集：主动感知与被动补充​​

• ​​主动输入​​：用户通过对话指令（如“记下来：客户A的电话是138-XXXX-XXXX”）、上传文档（拖拽PDF至对话窗口）、分享链接（发送网页URL）等方式提交信息；
• ​​被动抓取​​：若用户提到模糊信息（如“上次提到的项目风险”），智能体自动触发：
  • 调用Fetch工具抓取用户历史聊天中提到的网页链接内容；
  • 调用文件系统扫描本地“项目X”文件夹，提取相关文档；
  • 调用联网搜索补充行业背景（如“2024年AI行业风险报告”）。

知识建模：从碎片到图谱的结构化​​

采集到的信息需经过​​实体识别→关系抽取→图谱存储​​三步处理：

• ​​实体识别​​：通过自然语言处理（NLP）模型提取关键实体（如“客户A”“项目X”“张三”）及属性（如“联系方式”“负责模块”“时间节点”）；
• ​​关系抽取​​：基于规则（如“与…合作”→建立“合作关系”）与预训练模型，识别实体间的关联（如“客户A”与“项目X”是“甲方-乙方”关系）；
• ​​图谱存储​​：调用Knowledge Graph Memory将实体与关系存入本地知识图谱，同时通过Memory工具同步至SQLite数据库，确保跨会话持久化。

智能检索：自然语言驱动的精准查询​​

用户通过自然语言提问（如“上周提到的客户A的合作背景”），智能体执行：

• ​​意图解析​​：识别用户需求（“查询客户A的合作背景”）；
• ​​图谱查询​​：调用Knowledge Graph Memory在知识图谱中检索关联节点（“客户A”→“合作项目X”→“合作时间2024-03-01”→“合作内容：AI解决方案采购”）；
• ​​结果生成​​：将查询结果结构化输出（如时间线、关键节点列表），并主动推荐关联信息（如“客户A还参与过项目Y，需要查看吗？”）。

推理输出：复杂问题的分步解决​​

面对多步推理需求（如“梳理项目X的风险链”），智能体调用Sequential Thinking工具：

• ​​步骤拆解​​：将问题分解为“识别风险源→分析影响范围→制定应对方案”；
• ​​数据调用​​：从知识图谱中提取项目节点（如“供应商”“预算”“时间”）及历史风险记录；
• ​​逻辑推理​​：按步骤分析（如“供应商延迟→影响开发节点→触发备用供应商方案”），并通过联网搜索验证最新数据（如“供应商最新交货周期”）；
• ​​结论输出​​：生成包含推理过程与依据的详细报告（附知识图谱关系图）。

Prompt设计​

为了让用户轻松与记忆中枢对话，我设计了​​场景化Prompt模板​​，覆盖日常信息管理、多轮对话、复杂推理三大场景：

日常信息记录（主动输入）​​

• ​​指令示例​​：“记下来：客户A的电话是138-XXXX-XXXX，邮箱是a@company.com，合作项目是‘AI客服系统’，截止日期2024-06-30。”
• ​​智能体响应​​：“已为您记录客户A的信息（电话/邮箱/项目/截止日期），并同步至知识图谱。需要为您生成一份联系人卡片吗？”

​​多轮对话检索（被动查询）​​

• ​​指令示例​​：“上周提到的客户A的合作背景是什么？”
• ​​智能体响应​​：“根据知识图谱，客户A的合作背景如下：
  • 时间：2024-03-01（首次提及）；
  • 内容：采购AI客服系统，预算50万元；
  • 关联项目：项目X（负责人张三，负责需求对接）；
  • 补充：上周三您还提到客户A对‘多轮对话功能’有特别要求。”

效果展示​

模块1：信息记录能力测试​​

​​目标​​：验证智能体能准确采集用户输入的文本、文档、网页信息，并完成结构化处理。

测试用例编号	测试场景	输入内容/操作步骤	预期结果
TC001	主动输入文本信息记录	用户发送：“记下来：客户A的电话是138-XXXX-XXXX，邮箱是a@company.com，合作项目是‘AI客服系统’，截止日期2024-06-30。”	智能体回复：“已为您记录客户A的信息（电话/邮箱/项目/截止日期），并同步至知识图谱。需要为您生成一份联系人卡片吗？”
TC002	上传本地文档（PDF）信息提取	用户上传“项目X需求文档.md”（含“功能列表：智能客服、工单系统；负责人：张三”），发送指令：“提取文档关键信息。”	智能体回复：“已提取文档核心信息：项目名称：项目X。 功能列表：智能客服、工单系统。负责人：张三已同步至知识图谱。”

​​模块2：跨会话记忆能力测试​​

​​目标​​：验证智能体在对话中断后（关闭窗口/重启设备），仍能保留历史信息。

测试用例编号	测试场景	输入内容/操作步骤	预期结果
TC004	对话窗口关闭后重启查询	步骤1：用户发送：“记下来：客户B的电话是159-XXXX-XXXX。”步骤2：关闭对话窗口，等待5分钟后重新打开。步骤3：用户提问：“客户B的电话是多少？”	智能体回复：“客户B的电话是159-XXXX-XXXX（记录时间：2024-04-01 14:30）。”
TC005	设备重启后信息保留	步骤1：用户发送：“记下来：项目Y的预算为80万元。”步骤2：关闭电脑，重启后打开Trae平台。步骤3：用户提问：“项目Y的预算是多少？”	智能体回复：“项目Y的预算为80万元（记录时间：2024-04-01 16:15）。”

模块3：知识图谱构建能力测试​​

​​目标​​：验证智能体能正确提取实体、建立关系，并生成可视化的知识图谱。

测试用例编号	测试场景	输入内容/操作步骤	预期结果
TC006	实体与关系提取（单条信息）	用户发送：“客户A与项目X合作，负责需求对接的是张三。”用户提问：“客户A和项目X是什么关系？”	智能体回复：“客户A与项目X是‘甲方-乙方’合作关系，项目X的需求对接负责人是张三。知识图谱关系：客户A → 合作 → 项目X；项目X → 负责人 → 张三。”
TC007	多实体关联验证（复杂信息）	步骤1：用户依次发送：“客户A的电话是138-XXXX-XXXX。”“项目X的负责人是张三。”“张三的邮箱是zhangsan@company.com。” 步骤2：用户提问：“客户A如何联系项目X的负责人？”	智能体回复：“客户A可通过项目X负责人张三联系，张三的联系方式：电话：需确认（当前知识图谱未记录张三电话）邮箱：zhangsan@company.com知识图谱关联路径：客户A → 合作 → 项目X → 负责人 → 张三。”