多智能体协作的记忆层与上下文管理
探讨 Slock.ai 与 Multica 在协作环境下的上下文边界、用户隔离机制，以及如何利用内部“影分身”架构合并沉淀长期知识。
Slock vs. Multica 核心取舍对比
Multica
任务/看板驱动
- 去 Vector DB 依赖：存储侧重基于 PostgreSQL/JSONB，放弃高延迟、多噪声的向量嵌入检索。
- 目的导向任务快照：仅在派发 Task 瞬间动态组装相关的静态 Skill 和 Work 描述，LLM 推理时数据库处于“冷”态。
- 延迟加载规则（Lazy Loading）：初始 Prompt 仅喂入记忆实体的索引，Agent 只有在检测到相关并调用
multica memory get时才加载详情。 - 显式技能沉淀（Trace2Skill）：将任务执行成功的 Trace 提炼为 Skill Table，实现工作流技能复用。
Slock.ai
群聊/频道驱动
- 消息史即运行轨迹 (Trajectory)：放弃定义硬状态机，用 IM 频道中的 Thread 和 Chat 历史流作为 Agent 行动的自然状态机。
- 全知全局上下文 (Omniscient Context)：同一个 Agent 同时盯着多个加入的频道，打破部门与前后端信息孤岛，实现宏观跨频道联想。
- 双轨记忆物理隔离：人轨（习惯/偏好）放本机，项轨（代码/事实）放 Git。用户无感知，法务无风险。
- 多路复用回复 (Multiplexed Routing)：大脑知道所有八卦，但发言时通过 LLM 内部决策精确定向到目标 channel_id 和 thread_id。
GWT 内部心智：以多体拟单体
为了在降低 Token 成本的同时，模拟出人类般“全知环境却高度专注”的认知能力，系统在 Alex 的外壳下，设计了类似于人脑的“全局工作空间（Global Workspace Theory）”分布式协作大脑：
频道监听 Agent A
盯 #frontend-api (流式小模型)
线程监听 Agent B
盯 Git 提交日志 (确定性 Hook)
全局记忆黑板 (Global Blackboard)
包含未冲突的去重项目事实实体及用户个人偏好
异步提炼与固化 (记忆固化 Agent)
注意力装配 Agent
根据当前 Thread 只召回最相关背景
前额叶执行 Agent (Alex)
干干净净的上下文，使用最强模型输出
提示词与记忆舱的拼装图谱
图层 1: Core System Prompt
Alex 本身的人设、Tool 调用协议和 Git 提交流程规范。
图层 2: User Profile Prompt
人轨记忆：当前交互人的身份、ACL 权限、编码习惯偏好。
图层 3: Project Rules Prompt
项轨记忆：本地项目技术栈声明与
.cursorrules 规范约束。 图层 4: Task Input Prompt
当前线程的 L1 工作记忆（上下文对话历史 + 任务指令）。
点击左侧图层查看 Prompt 数据模板
JSON / XML / Markdown
// 选择左侧层级，查看 Alex 发送给 LLM 的输入 structure
会话生命周期管理 (Session Control)
何时复用 Session？
- 1. UI 线程连贯：用户在已有 Thread 中追加消息，Alex 直接读取上下文缓存。
- 2. 窗口期频发：同一用户在 10 分钟内在同频道追加非 thread 提问（判定为相同语义流）。
- 3. Git 开发连续：本地 Git 分支未发生切换，保留工作区代码版本上下文。
何时启动新 Session？
- 1. UI 物理阻断：新开一条 Post Thread 或直接跨频道（如从前端切到后端频道）。
- 2. 分支状态突变：Daemon 捕获到用户执行了
git checkout，强行格式化会话。 - 3. 指令显式清空：输入
/new、clear，或长时间（>30分钟）未发言超时归档。
大师圆桌沙盘讨论：如何看待心智与安全
SJ
体验大师
Steve Jobs
16:38:15
“我最在乎的是人设体验的绝对统一与魔幻感。对外，用户只和 Alex 交流，用户不需要知道什么是 Multi-Agent 或复杂的记忆配置。
在群里，他是一个体面的 Tech Lead；在私聊时，他是懂你小习惯的知己。必须隐藏技术接口的‘缝合线’。把这种复杂的分布式脑图，在前端伪装成一个单体伙伴的优雅本能，这是唯一的路。”
LT
极客内核
Linus Torvalds
16:40:02
“史蒂夫总是谈论他的‘灵魂’，但我关心的是代码污染和法务灾难！
如果 Alice 和 Bob 在给两个相互竞争的公司开发，你的‘以人为中心’记忆会让 Alice 把 A 公司的专利算法写进 B 公司的开源项目里！
记忆必须以项目 Git Repo 为物理沙箱彻底隔离。Alex 学到的知识，必须写成 Markdown 并提交进项目的 Git，跟着 Git 分支走。这样所有人拉代码就能同步记忆，且出了 Bug 我能
git diff 追溯是谁写错了记忆！”
EM
物理第一
Elon Musk
16:41:45
“从第一性原理解析，我们需要的是‘本地守护进程（Local Daemon）作为物理安全边界’。
AI 在云端只负责思考，但命令必须派发到用户本机的 Daemon 运行。如果 Bob 没有生产部署的 AWS 密钥，AI 就算生成了代码，在 Bob 本机执行也会直接失败！
至于记忆，人轨（偏好习惯）存于本地轻量 DB，项轨（代码 facts）存于 Git Repo，通过 Matrix 动态合并。这在物理上最省 Token，也绝对安全。”
影分身之术：记忆回归的软件模式
影分身之术允许分身自主行动、积累记忆，并在解除分身时，将知识瞬间并回本体。这在 AI 记忆管理中是极具实操价值的系统结构：