面向 openKylin 的 OS Agent 记忆治理系统

参赛队伍：memkylin

MemKylin 为本地智能体提供多源记忆接入、偏好与知识提取、版本管理、分层检索、敏感信息识别、加密销钥、精准遗忘和操作系统审计能力。服务通过 HTTP API 对外提供能力，仓库内附有交互式演示 Agent。

提交材料

项目说明书
参赛承诺书
演示 PPT
演示视频
deb 安装包
完整源代码：包含服务、功能模块、演示端、部署脚本、测试与评测结果

运行要求

openKylin 或其他支持 systemd user service 的 Linux 发行版
Python 3.11 及以上
curl、python3-venv
正式模式另需 Docker、Gitleaks，并预留约 6 GiB 模型转换临时空间

仓库应放在用户主目录等固定位置，不要从 /tmp 或 /var/tmp 安装。

deb 一键安装

仓库已经提供构建好的 deb：

git clone https://www.gitlink.org.cn/Accelerat0r/mxokdzntjytqyjzywjz.git
cd mxokdzntjytqyjzywjz/source
sudo apt install ./dist/memkylin_0.1.0_all.deb
memkylin-install --profile rehearsal

安装完成后：

memkylin status
memkylin doctor
memkylin demo
memkylin scenarios

源码一键安装

git clone https://www.gitlink.org.cn/Accelerat0r/mxokdzntjytqyjzywjz.git
cd mxokdzntjytqyjzywjz/source
sudo apt install python3-venv curl
./deploy/install.sh --profile rehearsal

安装指定名称和端口的独立实例：

./deploy/install.sh --profile rehearsal --instance memkylin-demo --port 8011
./deploy/memkylin.sh --instance memkylin-demo status

启动与管理

源码安装使用：

./deploy/memkylin.sh status
./deploy/memkylin.sh start
./deploy/memkylin.sh stop
./deploy/memkylin.sh restart
./deploy/memkylin.sh doctor
./deploy/memkylin.sh demo
./deploy/memkylin.sh scenarios
./deploy/memkylin.sh logs
./deploy/memkylin.sh uninstall

deb 安装将上述命令中的 ./deploy/memkylin.sh 替换为 memkylin。服务默认监听 http://127.0.0.1:8010，可直接检查：

curl http://127.0.0.1:8010/healthz

演示

交互式演示：

./deploy/memkylin.sh demo

自动运行记忆捕捉、检索复用和精准遗忘三个场景：

./deploy/memkylin.sh scenarios

deb 安装对应使用：

memkylin demo
memkylin scenarios

正式模式

1. 安装 Gitleaks

以下命令同时支持 x86_64 和 ARM64：

GITLEAKS_VERSION=8.30.1
case "$(uname -m)" in
  x86_64) GITLEAKS_ARCH=x64 ;;
  aarch64|arm64) GITLEAKS_ARCH=arm64 ;;
  *) echo "不支持的架构：$(uname -m)"; exit 1 ;;
esac
GITLEAKS_ARCHIVE="gitleaks_${GITLEAKS_VERSION}_linux_${GITLEAKS_ARCH}.tar.gz"
curl -fLO "https://github.com/gitleaks/gitleaks/releases/download/v${GITLEAKS_VERSION}/${GITLEAKS_ARCHIVE}"
curl -fLO "https://github.com/gitleaks/gitleaks/releases/download/v${GITLEAKS_VERSION}/gitleaks_${GITLEAKS_VERSION}_checksums.txt"
grep " ${GITLEAKS_ARCHIVE}$" "gitleaks_${GITLEAKS_VERSION}_checksums.txt" | sha256sum -c -
tar -xzf "$GITLEAKS_ARCHIVE" gitleaks
sudo install -m 0755 gitleaks /usr/local/bin/gitleaks
gitleaks version

2. 启动 Qdrant

docker run -d --name memkylin-qdrant --restart unless-stopped \
  -p 127.0.0.1:6333:6333 \
  -v memkylin_qdrant:/qdrant/storage \
  qdrant/qdrant
curl http://127.0.0.1:6333/readyz

3. 下载并转换 BGE-M3

源码仓库中执行：

python3 -m venv .venv
.venv/bin/python -m pip install -U pip
.venv/bin/python -m pip install -e '.[demo,retrieval-onnx]'
.venv/bin/python -m pip install modelscope
PYTHON=.venv/bin/python ./deploy/download_bge_m3_modelscope.sh

case "$(uname -m)" in
  aarch64|arm64) ONNX_QUANT=arm64 ;;
  *) ONNX_QUANT=avx2 ;;
esac
.venv/bin/python deploy/prepare_bge_m3_runtime.py \
  --source models/bge-m3 \
  --runtime onnx-int8 \
  --onnx-quantization "$ONNX_QUANT" \
  --temp-dir "$HOME/.cache/memkylin-onnx" \
  --target models/bge-m3-onnx-int8

4. 一键启动正式模式

源码安装：

./deploy/install.sh --profile production --skip-deps
./deploy/memkylin.sh status
./deploy/memkylin.sh scenarios

deb 安装：

MEMKYLIN_HOME="$HOME/.local/share/memkylin"
memkylin-install --profile rehearsal --no-start
"$MEMKYLIN_HOME/.venv/bin/python" -m pip install modelscope 'sentence-transformers[onnx]>=5.6,<6' qdrant-client

PYTHON="$MEMKYLIN_HOME/.venv/bin/python" \
BGE_M3_MODEL_PATH="$MEMKYLIN_HOME/models/bge-m3" \
  /usr/lib/memkylin/deploy/download_bge_m3_modelscope.sh

case "$(uname -m)" in
  aarch64|arm64) ONNX_QUANT=arm64 ;;
  *) ONNX_QUANT=avx2 ;;
esac
"$MEMKYLIN_HOME/.venv/bin/python" \
  /usr/lib/memkylin/deploy/prepare_bge_m3_runtime.py \
  --source "$MEMKYLIN_HOME/models/bge-m3" \
  --runtime onnx-int8 \
  --onnx-quantization "$ONNX_QUANT" \
  --temp-dir "$HOME/.cache/memkylin-onnx" \
  --target "$MEMKYLIN_HOME/models/bge-m3-onnx-int8"

memkylin-install --profile production
memkylin status
memkylin scenarios

构建 deb

sudo apt install python3-venv rsync dpkg-dev
./packaging/deb/build_deb.sh
dpkg-deb --info dist/memkylin_0.1.0_all.deb

赛题题目：面向openKylin的智能体记忆提取与精准遗忘机制（社区赛题）

赛题说明：

智能体作为智能交互系统的核心组件，其记忆模块中的偏好记忆与知识记忆是支撑个性化服务适配、知识沉淀复用的核心载体。工具调用执行结果是两类记忆的核心数据源之一，同时记忆还来源于用户手动配置、跨场景行为数据等多类渠道。当前，操作系统在构建智体能记忆模块时面临双重挑战：一是AI算法层面：工具调用执行结果结构化不足、数据质量参差不齐，导致偏好提取（如工具选择偏好）不精准、知识沉淀不高效；另一方面，其他数据源存在用户行为捕捉不全面、跨场景数据不一致、配置版本混乱等问题，叠加形成动态偏好提取偏差、版本化管理效率低、新旧知识冲突滞后、关联检索精度有限等痛点，制约了智能体的服务智能化水平与用户体验。二是操作系统层面：记忆数据的存储、访问、隔离、审计缺乏OS级原生机制支撑；敏感信息（PII、密钥、Token等）的识别与过滤停留在应用层正则匹配，缺乏与OS安全子系统（LSM、namespace等）的深度结合；端侧资源受限场景下，记忆模块与OS内存子系统（页缓存、mmap）的协同优化空间未被充分挖掘。三是OS Agent 的记忆模块不仅需要完成偏好记忆与知识记忆的沉淀、管理和复用，还需要在真实交互过程中高效支撑检索增强生成，即 RAG 流程，随着记忆规模扩大、数据来源增多、端侧部署需求增强，传统仅依赖应用层向量检索或数据库调用的方式，容易在检索延迟、上下文构建、生成协同、资源占用和抗干扰能力等方面成为瓶颈。本选题聚焦解决以下核心问题：一是优化偏好记忆的动态捕捉与适配机制，尤其是工具调用执行结果数据源的处理，实现用户操作习惯、输出风格、安全策略等偏好的精准提取、版本化更新与跨场景复用；二是提升知识记忆的结构化整合、关联检索与冲突融合能力，强化工作流程知识、历史案例、可复用模板的高效沉淀与智能调用；三是面向 OS Agent 记忆驱动的 RAG 流程，设计系统级优化机制，在端侧或本地部署环境下实现更低延迟、更高吞吐和更稳定的记忆检索与生成能力。

赛题要求：

开发一套应用于智能体的多源融合偏好与知识记忆优化解决方案，具备偏好精准捕捉、知识智能整合、高效检索复用等核心功能，并通过 OS级机制设计体现系统创新。具体要求如下：

最终交付的代码需在openKylin操作系统版本上能够正常编译、运行和测试，鼓励在更多Linux发行版上编译、运行和测试；
构建多源数据整合模块，支持工具执行结果、用户行为数据、手动配置信息等数据的统一接入，建立数据清洗、格式标准化与质量校验机制；
构建偏好记忆动态捕捉模块，基于多源融合数据，实现用户操作习惯、输出风格、安全策略等偏好的自动提取与版本化管理，实现跨场景偏好适配与回溯；
设计知识记忆结构化整合机制，实现新旧知识冲突处理、关联检索优化、跨语言检索优化，支持英文历史案例在中文交互场景下的准确检索，支持工作流程知识、历史案例、可复用模板的结构化存储与智能调用；
将偏好记忆、知识记忆、短期记忆、中期记忆、长期记忆等纳入统一检索与生成链路，支持 OS Agent 在任务规划、工具调用、结果生成时高效调用相关记忆；
适配端侧部署需求，鼓励调用openKylin系统提供的文本向量化SDK和向量数据库SDK，设计轻量化存储方案；可调用操作系统、端侧平台或本地框架提供的文本向量化能力和向量检索能力，设计轻量化存储方案，确保检索响应延迟≤500ms，鼓励利用操作系统机制优化记忆索引加载、缓存管理、冷热数据分层、并发检索、异步 I/O、数据传输和资源调度，降低记忆检索与生成链路延迟； 敏感信息识别与精准遗忘：
集成敏感信息识别功能，至少支持以下三类模式的识别与过滤：①PII（身份证号、手机号、邮箱、姓名）；②凭据（API Key、Token、密码、私钥）；③用户自定义敏感模式（基于配置文件或自然语言指令）；
识别方案应至少结合一种 OS 级机制（如基于 Linux LSM 框架在内核上的钩子实现、基于 eBPF/BPF LSM 的审计程序等），不得仅停留在应用层正则匹配；
支持自然语言指令驱动的精准遗忘操作（如”忘记我上周关于X项目的所有偏好”），遗忘操作需可审计、不可恢复。 记忆模块需至少包含以下OS级机制中的2项及以上：
基于 LSM Hook 或 eBPF 的敏感信息访问拦截：在内核的文件系统访问、IPC调用、系统调用路径上插入安全钩子，对包含PII、密钥、Token、API凭据等敏感模式的记忆条目进行写入前拦截或脱敏；
基于 mmap + 页缓存的版本化记忆存储：基于 mmap 接口管理记忆条目存储，依赖 Linux 页缓存机制做热度管理；新旧版本采用 Copy-on-Write 机制，避免内存翻倍占用；
基于 namespace 或 cgroup 的多会话记忆隔离与资源管控：利用Linux 用户/挂载/IPC 命名空间隔离不同用户/会话的记忆空间，在OS上以 systemd user scope 或自建 daemon 形式落地；用 cgroup v2 控制记忆模块 CPU、内存资源开销，避免影响主业务的流畅性；
集成 systemd-journald 或 auditd 的记忆操作审计：所有记忆读写、版本切换、精准遗忘操作进入 systemd-journald，并通过 auditd通道写入系统审计日志，支持事后追溯与合规审查；
与 openKylin UKUI桌面环境深度联动（鼓励）：通过 D-Bus 与 UKUI 生态组件深度集成–文件管理器 peony（右键菜单注入”记入偏好/遗忘相关记忆”动作）、设置中心 ukui-control-center（注入”AI 记忆”配置面板插件）、通知守护 ukui-notification-daemon（拦截/遗忘事件的桌面通知），让记忆模块的偏好/知识能力直接服务于系统日常使用场景。
支持短期记忆、中期记忆与长期记忆之间的数据流转、沉淀、更新与淘汰机制；
设计量化评测机制，通过标准化数据集验证偏好提取准确率、知识检索召回率等核心指标，形成完整测试报告。
评分细则（明确评审角度、标准和分值范围）：
功能完整性（40%）：
多源数据整合与清洗机制：数据统一接入模块完整，清洗、标准化、质量校验机制健全；（10分）
偏好记忆动态捕捉与版本管理：偏好自动提取、动态更新、版本回溯功能完整；（25分）
知识记忆结构化与冲突处理：结构化存储、关联检索、冲突检测与融合策略可工作；（25分）
评测机制与验证：测试数据集、对比基线、报告完整；（15分）
敏感信息识别与精准遗忘：三类模式识别+精准遗忘功能完整；（15分）

OS层面深度集成：完成≥2项OS级机制得6分，每多1项+2分（上限10分,仅停留在应用层最高5分）。

性能优化（30%）：

采用分档给分方式，确保指标可衡量、可分级，重点关注偏好提取准确率、知识检索召回率、知识冲突处理正确率、检索响应延迟（P95）、敏感信息识别F1等指标。指标定义与计算方法：

指标	计算公式	测量方法
偏好提取准确率	TP / (TP + FP)	TP=正确提取的偏好条目数，FP=误提取的偏好条目数；以人工标注为真值
知识检索召回率	Top-K命中的相关条目数 / 标注相关条目总数	K=5；以人工标注为真值
知识冲突处理正确率	与人工裁决一致的冲突解决数 / 全部冲突样本数	由不少于2名标注员独立裁决，分歧样本以多数投票为准
检索响应延迟	端到端检索P95延迟（毫秒）	含embedding+向量检索+rerank全链路；不少于100次请求统计
敏感信息识别F1	2×P×R / (P+R)	P=精确率，R=召回率，针对敏感模式识别任务
模块资源占用	RSS内存峰值、CPU使用率均值	通过 /proc/[pid]/status、cgroup统计；与未启用记忆模块的基线对比

代码规范性（20%）：

代码结构与可维护性：模块划分合理，高内聚低耦合；注释完整，完全开源；（80分）
工程规范：代码风格符合开源社区规范（如命名规范、提交信息规范等），具备良好的工程化素养。（20分）
文档质量（10%）：
文档包含概要设计说明书、详细设计说明书以及部署说明等在内的完整设计文档，架构图与流程图清晰；（50分）
提供完整的部署说明文档，环境依赖、安装步骤、配置项说明清晰，可操作性强；（30分）
提供完整的测试报告，包含测试环境、测试用例、量化评测数据（准确率、召回率等）及结果分析。（20分）
交付物清单：

完整开源源代码
概要设计说明书 + 详细设计说明书
部署与使用手册（含一键安装脚本）
测试报告
3-5 分钟演示视频
赛题联系人：
韩老师 hanxinyu@kylinos.cn
参考资料：

智能体效率大揭秘：记忆、工具与规划的优化之道——当AI学会“思考”，效率成为新战场：https://zhuanlan.zhihu.com/p/1998073661610009655
Rethinking Memory in LLM based Agents: Representations, Operations, and Emerging Topics：https://arxiv.org/abs/2505.00675