给记忆加上“线索”——ReMe Memory Tags

一个真正长期使用的记忆系统，迟早会遇到一个看似简单的问题：记忆越来越多以后，怎么只在“正确的那一堆”里找答案？

假设你和 Agent 先后聊过三个项目，都讨论过“发布”“预算”和“负责人”。半年后，你问：

“发布前还有什么要确认？”

这句话本身没有错，但线索太少。关键词搜索可能找回所有出现过“发布”的文档，语义搜索也可能把几个相似项目的经验混在一起。它们找到了“内容相似”的记忆，却不一定知道你此刻说的是哪个项目、哪家公司，或者哪个人。

人类回忆往往不是这样发生的。我们很少在脑海里对所有经历做一次全文搜索，而是先抓住几个线索：**关于 Alice 的、关于 Project A 的、去年讨论过的那件事。**范围缩小以后，具体细节才逐渐浮现。

这就是 ReMe 增加 Memory Tags 的原因：让每份 Markdown 记忆除了“写了什么”，还可以明确表达“这份记忆主要关于谁或什么”，并让这个线索真正参与检索。

为什么需要 Tags？

ReMe 已经可以通过 BM25 找关键词，通过可选的 Embedding 找语义相近的内容，也可以沿着 Wikilink 查看记忆之间的关系。Memory Tags 并不是要替代它们，而是补上另一个维度：检索范围。

可以把三者想成三个不同的问题：

• 搜索词回答“我现在想找什么”；
• Wikilink 回答“这份记忆和哪些记忆有关”；
• Memory Tags 回答“我应该先去哪些记忆里找”。

例如，“预算超支怎么处理”可能在很多项目里都出现过。如果搜索时加上 Project_A，Agent 就可以先把范围缩小到与 Project A 有关的文件，再在其中寻找“预算超支”的具体内容。

目录不能完全解决这个问题。一份会议记录可能同时关于 Alice、Project A 和某个客户，但文件在磁盘上通常只能放在一个位置。标签则允许同一份记忆拥有多个入口，同时不改变文件原本的目录结构。

一份记忆，先说清楚“关于谁或什么”

ReMe 的记忆仍然是普通 Markdown。标签直接写在文件的 YAML frontmatter 中，例如：

---
name: Project A 发布前检查
description: Alice 确认了发布窗口、回滚条件和客户通知顺序。
memory_tags:
  - Alice
  - Project_A
---

Project A 定于周四晚发布。发布前需要先完成回归测试，并由 Alice
确认客户通知；如果错误率超过约定阈值，则执行回滚。

默认字段名是 memory_tags。这个名字有意强调：它不是给文章随手贴一串宽泛关键词，而是在回答一个更稳定的问题：

这份 Markdown 承载的是关于谁或什么现实实体的记忆？

这里的实体可以是人物、组织、公司、项目或资产，例如 Alice、宁德时代、Project_A、黄金。相比“工作”“重要”“会议”这类宽泛主题，实体更适合作为长期记忆的锚点，因为人、组织和项目往往会跨越许多次对话持续出现。

在默认配置中，Auto Memory（auto_memory、auto_memory_cc）和 Auto Dream（auto_dream、dream_cron）会为本轮实际新增或修改的 daily、digest Markdown 生成这类标签。打标时，它会先阅读完整文档和现有 frontmatter，再查看工作区已经使用的标签，优先复用同一个实体的已有写法，避免 Project_A、project a 和 项目A 在不知不觉中变成三套标签。手动导入或编辑文件不会触发自动打标；文件里已经存在的 memory_tags 则会由文件监听流程同步到 Tag Index。

默认情况下，一份文件只选择最主要的实体；确实围绕多个独立实体时才使用多个标签，并限制标签数量。没有明确核心实体的文档也可以使用空列表：

memory_tags: []

这比“为了打标签而打标签”更重要。标签越多不代表记忆越丰富；太多宽泛标签反而会让每次过滤都重新变成全库搜索。

当然，memory_tags 只是 ReMe 的默认约定。标签索引读取哪个 frontmatter 字段可以配置，标签值也由用户自己的工作区决定。已经有 entities、people 或其他字段规范的团队，可以让索引适配自己的文件，而不必把 Markdown 迁入另一套封闭格式。

Tag Index 怎么工作？

读取到 frontmatter 后，ReMe 会构建两张很简单的“线索表”：“一个标签对应哪些文件”，以及“一份文件有哪些标签”。例如：

Alice       -> daily/project-a-launch.md
Project_A   -> daily/project-a-launch.md

daily/project-a-launch.md -> Alice, Project_A

这是一份基于 Markdown 文件派生出来的双向索引。新增或修改记忆时，对应关系会更新；文件删除后，旧关系也会被移除。标签在比较时会忽略大小写，并统一空格等形式，减少同一标签因为书写差异而分裂。

索引本身不取代文件，也不是新的事实来源。真正的标签仍然写在用户可见、可编辑的 frontmatter 里。即使索引丢失，也可以从当前文件图中的 Markdown 元数据重新构建：

reme reindex scope=tag

这仍然遵循 ReMe 一贯的原则：文件属于用户，索引服务于文件，并且随时可以重建。

如果想看看当前工作区里有哪些标签，以及每个标签关联了多少文件，可以直接列出标签：

reme list_tags order_by=file_count order=desc

它不仅方便搜索，也让记忆库的结构变得可观察。你可以很快发现某个项目已经积累了大量记忆，也可以发现同一个人是否被误写成了几种近似名称。

搜索时，标签如何参与？

Memory Tags 最重要的作用不是展示，而是过滤。

还是前面的例子。只搜索一句自然语言：

reme search query="发布前还有什么要确认？"

这是在整个可搜索记忆范围内寻找答案。加入标签后：

reme search \
  query="发布前还有什么要确认？" \
  tags='["Project_A"]'

ReMe 会先通过 Tag Index 找出带有 Project_A 的文件，再让 BM25 和可选向量检索只从这些文件中产生直接命中，最后照常完成排名融合。

这里有一个边界：标签过滤约束的是直接检索命中，不会截断 Wikilink 关系。默认的链接展开仍可能列出标签范围外邻居的路径、名称和描述，帮助 Agent 判断是否要继续读取；这些邻居不会因此变成关键词或向量检索的直接命中。

这可以概括为：

自然语言问题 + 标签线索
          ↓
Tag Index 找到候选文件
          ↓
在候选文件中做关键词 / 语义检索
          ↓
返回直接命中片段，并按需列出关系
（关系邻居可能在标签范围之外）

标签过滤还可以和日期条件叠加。例如，只查看某个项目在最近一个月形成的记忆。每个条件都负责缩小一个维度：实体限定“关于谁或什么”，日期限定“什么时候”，搜索词限定“具体想知道什么”。

如果一次提供多个标签，ReMe 当前采用“命中任意一个即可”的方式筛选文件。比如 tags=[Alice, Project_A] 会召回关于 Alice 或 Project A 的记忆，再由搜索词决定哪些内容排在前面。这种方式适合 Agent 用几个可能的实体线索扩大候选集，同时避免回到全库搜索。

它会带来什么变化？

Memory Tags 带来的效果，不是让每次搜索都多一个必填参数。没有标签时，原有搜索仍然可以正常工作。它真正改变的是：当用户或 Agent 已经知道一部分上下文时，这些上下文不再只能藏在一句模糊的查询里。

1. 同一句话，不再轻易串到别的项目

“上次为什么延期”“预算是谁确认的”“发布前还差什么”都是高度依赖上下文的问题。标签先把项目或人物范围固定下来，可以减少名字相似、内容相似的其他记忆进入候选集。

2. 围绕同一实体的记忆可以跨时间聚合

Alice 可能出现在会议记录、项目决策、个人偏好和复盘文档中。这些文件不需要被搬到同一个目录，只要共享同一标签，就可以形成一个跨目录、跨日期的实体视图。

3. 记忆的结构对人和 Agent 都可见

标签不是藏在专用数据库里的内部字段。用户打开 Markdown 就能看到、修改和审阅它。Agent 也可以先查看当前有哪些标签，再决定带着哪个实体线索搜索。错误标签能被发现，标签命名也能逐步收敛。

4. 搜索更容易解释

当结果不符合预期时，可以把问题拆开检查：文档是否写对了 memory_tags，Tag Index 是否包含对应路径，还是关键词或语义排名没有命中。相比一个无法观察的整体分数，这条链路更容易诊断和修正。

Tags 不是分类法，而是记忆的提取线索

我们并不希望把个人知识库变成一棵需要精心维护的分类树。真实记忆天然会重叠：一次谈话既可能关于一个人，也可能关于一个项目；一项决定既属于当下的会议，也会影响几个月后的复盘。

Memory Tags 更像人类记忆里的提取线索。看到一个人的名字，我们会想起共同经历；想到一个项目，我们会联想到相关决定、问题和承诺。线索本身不是记忆正文，却能帮助我们从大量经历中更快进入正确的上下文。

ReMe 所做的事情很朴素：

• 用 Markdown 保存完整、可读的记忆；
• 用 memory_tags 表达“这份记忆关于谁或什么”；
• 用可重建的 Tag Index 把实体和文件连接起来；
• 搜索时先用标签缩小范围，再用关键词、语义和链接找到具体答案。

这样，记忆不只是一堆可以全文搜索的文档，也开始拥有更符合人类联想方式的结构。

当你说“还是上次 Alice 那个项目”时，Agent 获得的不再只是一句话。它有了一条可以真正沿着走回过去的线索。