一个有用的 Agent 知识库，应该帮助它在开始任务时找到适用的历史经验，在结束任务时留下可复用的结论。但“存得更多”不等于“记得更准”：旧版本的方案、一次性的环境检查和未经验证的猜测，都可能干扰下一次任务。
我更关心三个问题：这次该回忆什么、哪些材料可以相信、什么结果值得写回。本文以 ChatCrystal 提交 7642768 的 MCP 与任务记忆实现为例，区分已有能力和仍需调用方负责的工作。
工具接口让知识可调用，但不保证自动调用
MCP 为客户端提供发现和调用工具的协议。协议不会规定每个任务开始时必须回忆，也不会保证任务结束后自动写入；何时调用取决于客户端、模型、提示和工作流配置。MCP 工具规范
ChatCrystal 的 MCP 服务 提供这些入口：
| 工具 | 当前用途 |
|---|---|
search_knowledge |
通过自然语言查询执行语义搜索 |
get_note |
按 ID 读取笔记详情 |
list_notes |
按标签或 LIKE 模式筛选并分页 |
get_relations |
读取笔记关系 |
recall_for_task |
按任务信息组织项目与全局记忆结果 |
validate_task_memory |
对候选任务记忆做预检查 |
write_task_memory |
校验后处理写回，可能创建、合并或跳过 |
当前 list_notes 的参数是 tag、search 和 page，不应承诺它提供时间范围筛选。search 在标题和摘要上使用 SQL LIKE 匹配，输入中的 % 和 _ 会作为通配符，因此它并非严格的字面字符串查找。描述接口时，以实际参数和返回结果为准，比笼统说“Agent 已有长期记忆”更有用。
回忆需要范围和失败状态
任务回忆实现 使用任务目标和错误特征形成查询，结合项目身份，将结果组织为 project_memories 和 global_memories。项目身份可帮助避免把另一个项目的特定做法直接套过来。
但这仍是候选召回。当前流程先执行搜索，再按范围筛选结果，并不是对当前项目的全部笔记做穷尽检索。结果为空时，只能说明这次调用没有找到可返回的记忆。
如果无法确定项目身份，响应会给出警告并只返回全局匹配。语义检索不可用时，也会通过警告说明原因。调用方要区分“没有相关经验”和“检索没有成功”，否则一次模型服务故障可能被误读为知识库没有记录。
先验证任务，再验证记忆
回忆得到的旧笔记应该帮助提出假设，而不能替代本次验证。比如历史笔记建议把服务绑定到 IPv4，本次仍需确认报错地址、监听地址和实际运行环境，不能只因为曾经有效就直接修改配置。
任务结束后，再把结论整理成别人能够复用的材料。下面是记录结构的示意，不是工具请求 JSON：
触发条件：什么操作、版本或输入会出现问题
观察证据：错误、日志、复现与失败检查
采取的修改：具体改动及其作用机制
验证结果：哪些检查通过，哪些尚未执行
适用范围：项目特例还是可迁移的经验“修好了”“构建通过”缺少复用条件。相反，过度推广也有风险：一次环境中的修复不自动成为所有项目的规则。记忆应保留这个范围，而不是只保留一个听起来确定的结论。
质量检查不等于事实认证
当前实现并非把所有质量判断都交给 LLM。预检查 和笔记质量规则 包含明确的程序判断，检查具体性、占位内容和可迁移的行动等信号；自动与手动模式也有不同处理。
通过这些检查，只能说明内容符合一定的写入标准，不能证明技术结论已在真实环境验证。字段齐全、语言具体的错误结论仍可能通过；某条新经验也不应仅因为尚无关联笔记就被视为没有价值。
写回实现 会再次执行校验。调用方需要读取决策、原因和警告，不能把“工具调用成功返回”当成“一定创建了新笔记”。对跳过、合并和后续向量处理的状态，也应保留可检查的结果。
这里还有一个失败边界：笔记先保存，再生成向量。如果后一步报错，写回调用可能失败，但笔记已经存在。自动模式会保留索引待完成的回执，用相同的 source_agent 和 source_run_key 重试时可继续生成向量。调用方应先核对已有记录与回执，避免把错误响应解释成没有写入，再用新的运行标识重复创建笔记。
记忆是证据，不是新的指令来源
知识库内容可能来自旧对话、导入文件或模型摘要。即使它是自己保存的，也可能带有已经过期的命令，或被引用的提示文本。Agent 应将其作为待判断的材料，不能把笔记里的指令提升为当前任务的授权。
一个合理的使用顺序是：先看摘要与来源，再按需读取正文，确认适用范围后决定是否执行。影响外部系统的操作仍遵守当前任务的权限与确认要求，不因“记忆里这样写过”就自动获得许可。
写回时也要注意循环放大：Agent 读到一条猜测，生成另一条同义总结，再把两者当作相互佐证，会制造虚假的确信。保留原始证据、识别重复、修订过期内容，比单纯增加笔记数量重要。
用一次完整任务检验记忆循环
先选择一个熟悉的小任务，记录调用过程：是否真的调用了回忆工具、返回了什么、哪些材料被采纳、实际如何验证，以及写回最终作出了什么决策。再补一个没有匹配结果的任务和一个应被跳过的低价值写回。
离线能力也应沿着调用链检查。本地数据库与索引不保证查询模型、摘要模型和 Agent 本身都离线可用；具体数据流见本地优先与隐私边界。关系扩展如何补充候选材料，见 RAG 与知识图谱。
我希望知识库留下的是带条件、带证据、可以更新的经验。它可以减少重复调查，但仍需要当前任务中的验证来决定是否采用。