從「能記住」到「能審計」：為什麼 AI 記憶層需要 Source Code 級歸因

GitHub Copilot 在 2025 年底推出了 Memory 功能。它會記住你的 repo 慣例、coding style、常用 pattern，下次寫 code 時自動套用。

這是一個正確的方向。但它是閉源的。

所以我做了一個開源版：memcite。

但這篇文章不是要推銷工具。我想聊的是一個更根本的問題：為什麼現有的 AI 記憶層都在解決錯的問題？

所有人都在解決「記住」，沒人在解決「記對」

打開任何一個 AI memory layer 的 README，你會看到類似的 pitch：

• mem0：「讓 AI 記住使用者偏好，跨 session 持續學習」
• Zep：「時序知識圖譜，知道事情發生的先後順序」
• LangMem：「過程記憶，讓 agent 從失敗中學習」

這些都是好東西。但它們有一個共同的盲區：

存進去的記憶，三個月後還是對的嗎？

當你的 agent 記住「這個專案用 Jest 測試」，然後團隊在某次重構中換成了 Vitest —— agent 不知道。它會繼續自信地用 Jest 的語法寫測試，自信地搞壞你的 CI。

這不是幻覺（hallucination），因為這條記憶「曾經」是對的。這是比幻覺更危險的東西：過期的事實，加上 agent 的自信。

我稱它為 Memory Drift（記憶漂移）。

Memory Drift 的三種死法

1. 檔案變了，記憶沒變

Agent 記住「pyproject.toml 第 15 行設定 line-length=120」。三週後有人改成 88。Agent 下次 review code 還是會說「這裡超過 120 字元了」。

2. 檔案刪了，記憶還在

某個 config 檔在重構中被移除，但 agent 腦中還有一條指向它的記憶。更糟的是，agent 可能會建議「你需要在 config/legacy.yaml 加上這個設定」—— 一個已經不存在的檔案。

3. Commit 歷史前進了，記憶停在原地

Agent 記住某個 PR 的決策：「我們決定不用 Redis，改用 SQLite」。但那是六個月前的決策，後來因為 scale 問題又換回 Redis 了。Agent 不知道。

這三種情況的共通點是：記憶沒有出處，或者出處沒有被驗證。

GitHub Copilot Memory 的正確直覺

GitHub 的團隊在設計 Copilot Memory 時，做對了幾件事：

1. Repo-scoped：每個 repo 有獨立的記憶空間，不會跨專案污染
2. Citation-backed：每條記憶對應到 repo 中可驗證的來源
3. Just-in-time verification：使用記憶前，先確認來源還在

這些設計原則來自一個簡單的洞察：在工程環境中，沒有出處的記憶就是幻覺的種子。

問題是，Copilot Memory 是閉源的。如果你不用 GitHub Copilot，或者你想在自己的 agent 裡實現類似的機制，你沒有選擇。

開源版怎麼做：memcite 的三個設計原則

原則一：No Evidence, No Memory

在 memcite 中，你不能存一條沒有出處的記憶。這不是建議，是強制的。

from agentic_memory import Memory, FileRef

mem = Memory("./my-project")

# 這會成功 — 有出處
mem.add(
    "Uses ruff for linting with line-length=120",
    evidence=FileRef("pyproject.toml", lines=(15, 20)),
)

# 這會失敗 — 沒有 evidence 參數
mem.add("Uses ruff for linting")  # TypeError!

四種 Evidence 類型覆蓋了工程場景的主要來源：

原則二：Validate Before Use

當你查詢記憶時，memcite 會自動去驗證每條記憶的出處。

result = mem.query("What linter does this project use?")

for memory, citation in zip(result.memories, result.citations):
    print(f"{memory.content}")
    print(f"  Source: {citation.evidence.short_label()}")
    print(f"  Status: {citation.status.value}")
    # 可能輸出：
    # Uses ruff for linting with line-length=120
    #   Source: pyproject.toml L15-20
    #   Status: STALE  ← 檔案內容已經改了！

如果 pyproject.toml 的第 15-20 行內容已經改變，這條記憶會被標記為 STALE。它不會被刪除（也許只是格式改了，內容還是對的），但 confidence 會下降，排序會靠後。

原則三：Decay What's Stale

$ am validate
✓ 42 memories valid
⚠ 3 memories stale (evidence changed)
✗ 1 memory invalid (file deleted)

Stale memories:
  - "API rate limit is 100/min" ← README.md L33 changed 5 days ago
  - "Uses Jest for testing" ← package.json L12 changed 2 weeks ago

你可以定期跑 am validate，或者在 CI 中加一步，確保你的 agent 不會用過期的知識做決策。

不只是 CLI：四種使用方式

memcite 設計為可嵌入任何 agent workflow：

Python SDK — 三行 code 就能用：

pip install memcite

CLI — 在 terminal 直接操作：

am add "Uses pytest" --file tests/conftest.py --lines 1-10
am query "test framework"

MCP Server — 給 Claude Code 直接用：

{
  "mcpServers": {
    "agentic-memory": {
      "command": "am-mcp",
      "args": ["--repo", "/path/to/project"]
    }
  }
}

REST API — 給任何 agent 透過 HTTP 呼叫：

pip install memcite[api]
am-server --repo ./my-project --port 8080
# OpenAPI docs at http://localhost:8080/docs

混合搜尋：不只是關鍵字匹配

memcite 內建 hybrid search，結合 FTS5 全文搜尋和 TF-IDF 向量相似度：

from agentic_memory import Memory, TFIDFEmbedding

mem = Memory("./my-project", embedding=TFIDFEmbedding())
mem.add("Uses ruff for code formatting", evidence=FileRef("pyproject.toml", lines=(1, 5)))

# 查 "linting" 也能找到存了 "formatting" 的記憶
result = mem.query("What linter does this project use?")

預設零外部依賴（純 numpy），想要更好的語意搜尋可以接 fastembed 或任何 embedding provider。

垃圾記憶不准進：Admission Control

不是所有東西都值得記住。memcite 支援在存入前做品質檢查：

from agentic_memory import Memory, HeuristicAdmissionController

mem = Memory("./my-project", admission=HeuristicAdmissionController())

mem.add("ok", evidence=ManualRef("chat"))
# ValueError: Memory rejected — too vague

mem.add("Uses ruff for linting with line-length=120",
        evidence=FileRef("pyproject.toml", lines=(15, 20)))
# 通過 — 有 actionable content + 具體數值

也支援接 LLM 做更智慧的評分，失敗時自動 fallback 到規則版。

跟競品的差異

結語

AI agent 的記憶層正在從「能記住」進化到「能審計」。

GitHub Copilot Memory 證明了這個方向是對的。但工程社群需要一個開源、可自架、可嵌入的版本。

memcite 就是這個嘗試。71 個測試，MIT license，pip install memcite 就能用。

如果你在做 AI agent，試試看把「記憶來源驗證」加進你的 pipeline。你的 agent 不該自信地引用三個月前的 config 來搞壞 production。

• GitHub: MakiDevelop/agentic-memory
• PyPI: memcite
• Install: pip install memcite

我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。