作用
让 agent 能“记住跨会话的事实”，同时避免对话上下文无限增长。harness 把记忆拆成两层：高频低质量的“流水账” + 低频高质量的“策划后长期记忆”，并补上一套 FTS5 检索 + 后台维护。触发
关键逻辑
双层记忆模型
- 第一层·流水账
memory/YYYY-MM-DD.md：MemoryFlushManager专属，只追加，不去重；是“刚刚在说什么”的原始记录。 - 第二层·策划后长期记忆
MEMORY.md：MemoryConsolidator专属，整体重写；MemoryFlushManager 不会去动它。每次推理都走WorkspaceContextHook注入到 system prompt。 - 索引
MemoryIndex：启动时indexAllFromWorkspace一次；每次 flush 写今日流水账后增量重建该文件索引；SQLite 文件位于<workspace_parent>/memory_index.db。
对话压缩（ConversationCompactor）
TruncateArgsConfig—轻量预处理（可选）
在 LLM 摘要之前，可以先走一个不走 LLM 的干预：对老消息里不那么重要的 ToolUseBlock 参数做字符串截断（默认阈值 25 条 / 40k tokens，参数超 2000 字符被裁揉）。适合 write_file 这种入参体量大、后期不需要原貌的场景。
上下文溢出自动恢复
当模型返回context_length_exceeded / maximum context 之类错误，HarnessAgent.recoverFromOverflow → forceCompactAndRetry 会拼一个临时 triggerMessages=1 的 CompactionConfig 走一轮压缩，清空 Memory 后重试；前提是配置了 compaction(...)，否则直接抛错。
记忆提取（MemoryFlushManager）
flushMemories(messages)：拿当前MEMORY.md和今日流水账作为“去重参考”丢给 LLM，要求输出 仅新增的 bullet；“NO_REPLY” 表示什么都不写。- 写入位置固定是
memory/YYYY-MM-DD.md，不会动MEMORY.md（以防二层被一层覆写）。 - 写完后立刻
indexFromString重建该文件索引，并调MemoryMaintenanceScheduler.requestConsolidation()提示“能合并了合并下”。
二次合并（MemoryConsolidator）
- 读 mtime 超过 watermark 的日流水账 + 当前
MEMORY.md，调 LLM 合并、去重、裁剪。 - 输出限制：默认
maxMemoryTokens=4000（约 16k 字符），prompt 会以字符预算的形式告诉 LLM。 - 写后推进 watermark，存于
memory/.consolidation_state；下次只看 mtime 超 watermark 的日文件。 - 合并仅在后台 executor 跳：定期 tick 或
requestConsolidation()发起，永不阻塞推理循环。
后台维护（MemoryMaintenanceScheduler）
HarnessAgent.build() 中自动创建并 start()，每个 tick 顺序跑：
expireDailyFiles— 超过dailyFileRetentionDays的日文件归档到memory/archive/（默认 90 天）consolidateMemory— 调MemoryConsolidator.consolidate()pruneOldSessions— 删除 mtime 超sessionRetentionDays的会话文件（默认 180 天）reindex—MemoryIndex.indexAllFromWorkspace
Duration.ofHours(6)；opportunistic 调用实际节流间隔 30 分钟，避免频繁 flush 打爆 LLM。
工具结果卸载（ToolResultEvictionConfig）
与压缩独立。某次 tool_call 返回的文本超过阈值时，全文写到 evictionPath 下的文件，原位置只留一个“首尾预览 + 路径”的占位符，agent 需要完整内容时走 read_file。