Memmy 实战：接续 Agent 任务查询，并为本地检索设置超时边界

当一个任务先后经过 Codex、OpenClaw、Hermes 等工具，真正麻烦的往往不是重新执行命令，而是找回上一次决策的上下文。Memmy 作为本地运行的个人 AI Agent 和记忆中心，可以在获得授权后索引这些工具的历史记录，让后续 Agent 从已有工作继续推进。实际使用中，还需要处理一个很现实的问题：本地检索可能因为索引量、磁盘 I/O 或某个异常数据源而超时。

以下以本地项目 SalesScout 为例，说明如何把“继续上次任务”和“检索失败可恢复”做成一条稳定工作流。文中的目录与字段仅是可改造的示例，不代表 Memmy 的固定接口。

接续任务，关键是查询可执行上下文

“查找与 SalesScout 有关的记录”通常不够用。Agent 接手任务时，需要的不是一组孤立片段，而是能直接驱动下一步的上下文：

• 当前目标和已确认的约束；
• 修改过的文件、尚未完成的步骤；
• 已运行的命令及其结果；
• 被否决的方案和原因；
• 最后一次工作停在什么位置。

因此，查询条件应尽量同时包含项目名、任务意图和时间范围。例如，SalesScout 中“修复导入线索时的去重逻辑”比单独搜索“去重”更容易召回有用记录；再限制为最近 14 天，可以减少旧方案对当前任务的干扰。

一个适合交给后续 Agent 的恢复提示可以写得很明确：

你正在继续本地项目 SalesScout 的既有任务。

请从已授权的本地记忆中检索最近 14 天与以下目标有关的记录：
- 修复 CSV 导入时的 lead 去重逻辑
- 追踪已修改文件、测试结果和未完成事项

先输出：当前结论、下一步最小改动、需要验证的风险。
不要基于不完整片段直接覆盖现有实现；若记录互相矛盾，优先查看最新记录和当前工作区代码。

这里的重点是把“召回记忆”和“做出代码变更”拆开。检索结果是线索，不是事实来源；真正落地前，Agent 仍应读取当前工作区、检查 Git 状态并运行相关测试。

本地记忆中心如何降低工具切换成本

多个 Agent 各自保存会话历史时，项目知识很容易被分散在不同终端、不同格式的记录中。把授权后的历史记录汇入同一个本地记忆中心，能让任务接续从“人工翻聊天记录”变成一次带条件的查询。

但统一检索不等于无限制采集。更稳妥的边界包括：

• 只授权明确的历史目录或导出文件；
• 将工作项目与个人、生产环境记录分开；
• 查询时使用项目名、分支名或任务号缩小范围；
• 在结果中保留来源工具、时间和会话标识，便于核对；
• 对令牌、密钥、客户数据等敏感内容设置排除规则或先行脱敏。

对 SalesScout 这类本地项目而言，记忆系统最有价值的内容通常不是完整聊天全文，而是任务摘要、文件变更、命令输出摘要和待办项。它们更短、更容易检索，也更适合让新 Agent 快速建立判断。

给本地检索加超时与降级路径

本地检索超时不能简单等同于“没有结果”。它可能意味着某个数据源不可读、索引尚未就绪、查询范围过大，或者机器正在承受较高负载。调用侧应显式区分成功、空结果和超时，并在超时时缩小查询范围后重试。

下面的 Python 示例展示了一层通用的 HTTP 调用包装。假设本机的记忆服务提供 POST /v1/search 接口；请把地址、请求字段和返回字段替换为你实际部署的 Memmy 接口。

from __future__ import annotations

import httpx

MEMMY_URL = "http://127.0.0.1:8080/v1/search"


def search_memory(query: str, days: int, timeout_seconds: float = 5.0) -> dict:
    payload = {
        "query": query,
        "filters": {
            "project": "SalesScout",
            "time_range_days": days,
            "sources": ["codex", "openclaw", "hermes"],
        },
        "limit": 8,
    }

    try:
        response = httpx.post(MEMMY_URL, json=payload, timeout=timeout_seconds)
        response.raise_for_status()
        return {"status": "ok", "data": response.json()}
    except httpx.TimeoutException:
        return {"status": "timeout", "data": None}
    except httpx.HTTPError as error:
        return {"status": "error", "error": str(error), "data": None}


result = search_memory(
    "CSV import lead deduplication: changed files, tests, and remaining work",
    days=14,
)

if result["status"] == "timeout":
    # 超时后减少扫描范围，优先保证任务能继续。
    result = search_memory(
        "lead deduplication remaining work",
        days=3,
        timeout_seconds=3.0,
    )

print(result)

安装并运行示例：

python -m pip install httpx
python memmy_search.py

超时后的重试不应只是把等待时间翻倍。对于本地检索，更有效的策略往往是减少时间范围、限定来源工具、降低返回条数，或仅检索当前项目对应的会话。若第二次仍然超时，应把状态明确反馈给用户或 Agent，并允许其转向当前代码库、Git 日志和测试结果继续诊断。

把恢复流程写成固定协议

为了避免每次任务接续都依赖临场提示，可以为团队或个人工作流约定一个简短协议：

1. 新任务开始前，记录目标、仓库、分支和验收条件。
2. 每个阶段结束时，写入变更文件、验证命令、结果和未完成项。
3. 新 Agent 接手时，先按项目和任务目标检索近期摘要。
4. 检索结果必须与当前 Git 状态和代码交叉验证。
5. 检索超时时执行受限重试；仍失败则降级为仓库内排查，并记录本次故障。

Memmy 这类本地记忆系统解决的是跨工具上下文断裂，而不是替代工程验证。把查询设计成可执行的任务恢复，把超时视为需要处理的系统状态，再保留代码和测试作为最终依据，才能让多个 Agent 的协作真正连续而可控。