Nemori Reason-Over-Memory-Tool

From facts to meaning, in context.
Part of Nemori-AI, exploring memory as the foundation of agent cognition.

---

引言：事实不会自己说话

在传统 Memory Injection 模式下，工具只把“原始事实”交给模型：

• 用户是四川人
• 用户上周胃疼

然而，事实本身并不包含答案。
同一个事实，在不同场景中会指向不同的含义：

• “四川人” → 在饮食问题里可能意味着偏好重辣； 在文化活动里，可能意味着节日习俗、地域方言； 在会议安排时，则可能不代表任何信息
• “胃疼” → 在饮食场景中意味着需要清淡； 在日程安排里，则可能意味着避免早起或高强度活动。

ReasonOverMemory 的目标，就是把这种“事实在语境中的意义”提前推理出来：

• 不仅记住事实，还要在当前语境下解释它们；
• 输出的不是片段，而是行动就绪的指导；
• 让 Agent 拿到的是“事实在此刻意味着什么”，而不是一堆死信息。

哲学上的差别在于：

• Memory Injection：事实是死的，语境推理是隐性的。
• ReasonOverMemory：事实在场景中被点亮，含义被外显为可执行的指导。

换句话说，我们要交给 Agent 的，不是事实的静态快照，而是事实在此时此地的意义。

对比图

Memory Injection

flowchart TD
  A[User Request<br/>教我如何做辛拉面] --> B[Agent]
  B --> C[[ToolCall: SearchMemory<br/>inputs: query, context]]
  subgraph Tool: Memory Store
    C --> D[(Retrieve facts)]
    D --> E{{ToolResponse:<br/>用户是四川人<br/>上周胃疼}}
  end
  E --> F[[LLM Reasoning inside Agent<br/>组合记忆 + 语境推理]]
  F --> G[Agent Output<br/>先确认身体情况，再给做法]
  classDef tool fill:#f7f7f7,stroke:#bbb,stroke-width:1px,color:#333
  class C,D,E tool

Loading

---

ReasonOverMemory

flowchart TD
  A[User Request<br/>教我如何做辛拉面] --> B[Agent]
  B --> C[[ToolCall: ReasonOverMemory<br/>inputs: conversation_context, user_request]]
  subgraph Tool: ReasonOverMemory
    note1[Memory is internal/implicit]:::note
    C --> D[(Access internal user memory)]
    D --> E[[Reasoning over memory<br/>归纳 + 约束 + 优先级]]
    E --> F{{ToolResponse:<br/>偏好重辣，但上周胃疼<br/>应先确认恢复再定做法}}
  end
  F --> G[Agent Output<br/>先确认身体情况，再给做法（重辣/温和两版）]
  classDef tool fill:#f7f7f7,stroke:#bbb,stroke-width:1px,color:#333
  classDef note fill:#fff5e6,stroke:#f0c36d,color:#7a5b00,stroke-dasharray:3 3
  class C,D,E,F tool
  class note1 note

Loading

---

API 设计

记忆（用户画像、长期事实等）不作为参数传入，而是系统内部隐式注入。 外部调用只需要两类输入：

• conversation_context：总结过的对话上下文
• user_request：当前用户请求

函数签名

ReasonOverMemory({
  conversation_context: string,
  user_request: string
}) => {
  reasoning: string,   // 面向 Agent 的思考文字
  guidance: {
    ask_user_first?: boolean,
    cautions?: string[],
    personalization?: string[],
    next_steps?: string[]
  },
  trace?: {
    memory_keys?: string[],
    confidence?: number
  }
}

---

示例

输入

{
  "conversation_context": "用户前几轮对话未涉及饮食",
  "user_request": "教我如何做辛拉面"
}

（系统内部注入记忆：四川人，偏好重辣；上周胃疼）

ToolResponse

{
  "reasoning": "用户平常偏好重辣，但上周胃疼。应先确认身体恢复，再决定做法。",
  "guidance": {
    "ask_user_first": true,
    "cautions": ["避免空腹重辣", "减少辣油"],
    "personalization": ["提供重辣/温和两版"],
    "next_steps": ["询问用户恢复情况"]
  },
  "trace": {
    "memory_keys": ["profile.region=四川", "health.last_week=胃不适"],
    "confidence": 0.78
  }
}

Agent 最终回复

辛拉面的辣度可以调整。
不过您上周提过胃部不太舒服，现在恢复得怎么样？
如果好了，我给您重辣版；如果还在恢复中，我提供温和版做法。

---

总结

• Memory Injection：提供的是静态事实，推理隐含在模型内部
• ReasonOverMemory：提供的是在场景中被解释过的含义，推理结果外显 这带来几个直接价值：
  • 更短链路：减少误差叠加
  • 可审计性：推理链路清晰可见
  • 可复用性：不同任务可以共享“推理后的指导信息”
  • 可对齐性：合规与策略可以在工具层直接控制

---