AI 记忆管理的新思路：让 Agent 用 Git 做记忆仓库

你有没有这种感觉——用 AI 助手聊了一堆重要内容，结果下次它”失忆”了，一切重来？

这其实是当前 AI Agent 最大的痛点之一：记忆管理。

传统方案要么塞向量数据库，昂贵又难解释；要么简单存日志，时间久了数据膨胀。就没有第三种选择了吗？

还真有——DiffMem，一个用 Git 做记忆存储的 AI Agent 记忆框架，最近在开发者社区悄悄火了起来。

把记忆当代码来管

DiffMem 的核心思路非常巧妙：把你的 AI 记忆当成一个 Git 仓库来维护。

每次对话产生的新知识，commit 一次；历史的变更全部存在 Git 的提交记录里；需要查的时候，只调当前状态，BM25 索引毫秒级响应。

换句话说，AI 的记忆不再是黑盒子——你想追溯”它是怎么得出这个结论的”，直接 git log 就行。

为什么这个思路值得注意

三个原因：

1. 人类可读、可编辑
记忆以 Markdown 文件存储，你直接打开就能看，不像向量数据库那样需要专门工具。哪天想手动修正 AI 的记忆？直接改文件，commit，搞定。

2. 版本化带来可解释性
传统的 RAG 方案很难回答”这个知识是什么时候学到的”。DiffMem 天然带时间线——每一次 commit 都是一条时间戳记录，AI 可以回答”关于 X 这个问题，我是上周三更新的认知”。

3. 分支机制带来无限可能
Git 的分支功能在这里被赋予了新的意义——AI 可以开一个实验分支去测试某条记忆是否有效，确认后再合并回来。”遗忘”机制也变成了归档到历史分支，而不是直接删掉。

适合什么场景

• 长期陪伴型 AI 助手：需要跨 sessions 记住用户偏好、长期目标的
• 研究型 Agent：需要追踪研究思路演化的
• 多 Agent 协作：每个 Agent 的记忆独立仓库，共享知识时走 merge request
• 隐私敏感场景：数据全本地，自带版本管理，不需要第三方数据库

怎么用

项目本身就是 Python 模块，不需要额外部署服务：

git clone https://github.com/Growth-Kinetics/DiffMem.git
cd DiffMem && pip install -e .

核心三个模块：
– Writer Agent：分析对话，生成记忆更新，提交 commit
– Context Manager：根据查询需求组装上下文（basic/wide/deep/temporal 四种模式）
– Searcher Agent：BM25 检索，返回可解释的结果

API 调用也很简单：

from diffmem import DiffMem

dm = DiffMem(user_id="alice")
dm.process_session(messages)  # 写记忆
results = dm.query("alice 最近的计划是什么？")  # 读记忆

当前状态

还是 PoC 阶段（轻量验证），依赖极少，适合二次开发集成。限制是暂无自动同步和多用户锁机制——但这正好是开源社区可以贡献的方向。

项目由 Growth Kinetics 维护，MIT 协议，GitHub ⭐ 502，还在活跃迭代中。

如果你在构建需要长期记忆的 AI 应用，这个思路值得存下来研究研究。

GitHub 链接：https://github.com/Growth-Kinetics/DiffMem

GitHub: https://github.com/Growth-Kinetics/DiffMem