智能体系统规模化迭代这件事,我做了一阵子了,横跨客户项目和自己的实验系统。
反复出现的一种失败模式:大多数「智能体记忆」技术栈,其实是披着记忆外衣、以数据库为中心的架构。
早期,这套行得通。
等系统变大、并发更高、状态更重、智能体化更深,裂缝就露出来了:对外部服务的隐式耦合,并发写入时归属不明,权威状态和检索投影之间的边界糊掉,还有那套基本没法清晰推理的恢复和调试故事。
一个可持久的记忆内核
Kilo 是另一种记忆层。
我把它写成一个可嵌入的 Go SDK,用来在多智能体系统里保存可持久、可审计的记忆状态。更准确地说,它是一个单一所有者的日志结构记忆内核,带可重建的投影层。
这条边界是故意划的。
Kilo 把权威真相保持为一条只追加的变更流,从这份日志物化出当前状态,再把检索/索引当成带明确新鲜度和水位线语义的次级投影。
核心工程选择刻意保守:单一所有者的存储语义,用 ErrStoreLocked 替代多写者歧义;紧凑的元数据记录,加上分块存放的长文本正文;层级和出处是一等原语;投影器带检查点,过期可见;还有 pkg/kilo 的 SDK 优先 API,CLI/HTTP 只是可选的检视适配器,不是主运行时。
把检索留在基座之上
最后这一点很重要。
Kilo 的边界很窄:它为「类记忆状态」提供一个可持久、只追加的基座。
智能体框架、工作流策略、鉴权中间件、路由基础设施、向量检索——这些都属于那一层之上,不属于里面。
这个架构不是「AI 就绪的魔法基础设施」。它是一个带明确恢复性质的常规持久存储层,为那些记忆必须在并发、检视、投影滞后和长周期智能体工作流中活下来的系统而造。
所以,直接回答那个常见问题:
Kilo 是向量数据库吗?
不是。
向量不是权威来源。向量是供检索用的投影面。权威躺在可持久的变更历史和物化状态里。
对检索密集的智能体系统来说,赢就赢在这条边界上。
可持久和确定性属于基座。查询策略属于上面那个可替换的层。
这条分界改变了失败模式。
不再要求检索层表现得像记忆,Kilo 让记忆保持可持久、可审计、可重放,同时检索保持足够灵活,可以继续演化。
这就是我在真实系统里一直缺的那条架构线。
所以我自己把它造了出来。
如果你在做智能体、检索密集型系统,或者长周期基础设施,希望它对你有用: