Awareness：面向多 Agent 的记忆与成长系统
定位：面向多 Agent 的记忆云服务基础设施 核心价值：不只是让 AI 记住，而是让 AI 拥有"经验"与"认知习惯"
什么是 Awareness？
每次 AI 助手开启新会话，它就会忘掉一切。你要重新解释项目背景、重新教它你的工作习惯、眼看着它重蹈覆辙。
Awareness 解决的就是这个问题。它是一套记忆云服务基础设施，让 AI Agent 拥有持续积累的经验 不只是存储原始文字，而是结构化的知识：决策记录、可执行技能、踩坑预警、工作偏好。
想象一下：一个员工每次都从头翻笔记，和一个真正把团队经验内化于心的老员工，差距就在这里。Awareness 让你的 AI Agent 成为后者。
Awareness 的差异在哪里
大多数记忆方案只做"存文本、取文本"。Awareness 做的是更根本的事：理解发生了什么，并将其存储为结构化知识 决策、技能、踩坑、偏好 真正帮助 Agent 下次做得更好的那类知识。
对话变成决策资产
每当 AI Agent 完成一项任务，Awareness 自动将会话提炼为可复用的知识卡片：
- 决策 "我们选 Postgres 而非 MongoDB，原因是需要关联查询"
- 踩坑 "生产环境禁止执行
db push会清空数据列" - 技能 "部署流程：pull build nginx reload"
- 偏好 "变量命名统一使用 snake_case"
下次任何 Agent 或团队成员 面对同样的问题，答案早已就位。
经验在多个 Agent 之间流转
在多 Agent 系统中，Agent A 踩过的坑在 Agent B 接手时不会消失。Awareness 通过 MCP 协议在 Agent 之间传递记忆：
- Agent A 调研后放弃了某技术方案 Agent B 自动收到警告
- Code Review Agent 能看到当初设计决策的完整背景
- 新成员一上手就继承了整个项目知识图谱
不再重复解释
Awareness 跨会话、跨 IDE 记住你的工作流偏好、团队规范和项目上下文。从 Cursor 切换到 VS Code，你的 AI 助手依然了解你的工作方式。
六大核心价值
1. 对话沉淀为资产
每次讨论或任务都自动提炼为可检索的决策卡片和经验链路。信息不再散落，不再需要反复补充上下文。
2. 技能与偏好持续生效
Awareness 记录的不只是做了什么，还有怎么做的 推理步骤、解决思路、冲突处理方式、团队偏好。可以复用完整工作流，而不只是代码片段。
3. 带执行向导的步骤卡片
每张知识卡片包含完整执行指引：步骤、提示词、前置条件和风险标记。它既是索引便签，也是可执行向导。
4. 冲突检测与自动修正
当新知识与已有记录矛盾时，Awareness 自动发出警告。过时或冲突的卡片会被标记，让你的知识库始终准确。
5. 架构可追溯
每个决策都附带原因记录。当有人问"当初为什么这样设计？"，答案在知识图谱里 而不只是埋在代码注释里。
6. 经验即资产，可购买可共享
记忆市场让你安装由专家创建的高质量 Skill 包和决策模板，开箱即用，直接提升项目执行效率。
真实应用场景
Vibe Coding：你的 Agent 每次都失忆
Vibe Coding 最大的痛点不是写代码，而是每次新会话都要重新交代上下文。你告诉 Agent 用 FastAPI + snake_case，下个会话它反问"你用什么框架？"。你警告它别用 Redis 缓存，下个会话它又加上了 Redis。
有了 Awareness，每一个决策、偏好和踩坑记录都会被自动保存并召回。新会话 ≠ 新用户。Agent 从上次停下的地方无缝继续。
团队场景：防止重复踩坑
Agent A 调研某个库之后发现关键 bug，放弃使用。三周后，Agent B 尝试引入同一个库。Awareness 自动检测到冲突 "检测到架构决策冲突" 展示 Agent A 当时的调研结论，在写下任何一行代码之前就发出预警。
个人场景：真正了解你的 AI
你的 AI 编程助手会记住：
- 你喜欢的代码风格和命名规范
- 你常用的第三方库及其版本
- 上个月那个数据库迁移问题是怎么解决的
不需要重新训练，不需要重新解释。它就是知道。
新人入职场景
一个新工程师（或新 AI Agent）加入项目。他不需要翻几周的聊天记录，直接查询 Awareness：
- "11 月为什么重构了鉴权系统？"
- "这个项目的部署步骤是什么？"
- "支付模块有哪些已知的坑？"
所有答案都已就位，并能追溯到原始上下文。
不只是结论，还有背后的思考过程
大多数知识系统只记录"做了什么决定"。Awareness 记录的是"为什么这样决定"。
当你的 AI Agent 调研了三个方案、最终选择了第二个，它不只记录选择本身 —— 它记录整个推理链路：考虑了哪些因素、排除了哪些选项、原因是什么。几个月后，当有人问"当初为什么没用方案A？"，答案就在那里 —— 不是埋在 Slack 消息流里，也不是关掉的浏览器标签页里。
这就是"记录事实"的系统和"记录决策是如何形成的"系统之间的本质差距。
方向调整时：完整的版本演化历史
项目会发展，决策会被重新审视。一月份正确的选择，到十月份可能就不对了。
Awareness 为每张知识卡片保留完整的版本历史。如果你三月份引入了框架 X，六月份因为性能问题放弃了，九月份又在考虑重新引入 —— 三个状态都在，有时间戳，可追溯。
当 Agent 问"我们对框架 X 现在是什么态度？"，它得到的是当前结论，以及这个结论是怎么演变来的完整上下文。没有遗失的历史，没有莫名其妙的方向转变。
三层架构
Awareness 分为三层，各司其职：
-
记忆基础设施 底层基础。通过混合检索（语义 + 关键词 + 知识图谱）存储和检索记忆，支持通过 MCP 标准协议连接 13+ 种 IDE，覆盖多 Agent 环境。
-
认知层 核心差异化层。自动从会话中提取 13 种结构化知识，检测新旧信息之间的冲突，管理记忆版本演化。采用渐进式召回，只返回当前最相关的内容，大幅减少 Token 消耗。
-
记忆市场 生态层。由专家创建的高质量 Skill 包和模板，可安装、可复用，构建不断增长的 AI 经验资产库。