AI APPLICATIONS · AGENT INFRASTRUCTURE
电商业务出身，正在给 AI Agent 构建记忆基础设施。
从 Amazon、Ozon 电商业务现场出发，把长期记忆、可靠性治理与多 Agent 工作流连接起来。关注的不只是模型能做什么，更是它记住什么、相信什么，以及什么时候必须交给人。
THE PROBLEM I CHOOSE TO SOLVE
三个项目来自三个连续的问题：先让 AI 记得住，再让它分得清，最后让它能参与真实业务。
01 / MEMORY
上下文越来越长，AI 还会忘记进度。过去只能手动存 txt、开新窗口再喂一次。
02 / TRUST
对话里有废话，也有模型推断甚至幻觉。错误记忆被再次使用，会把问题越滚越大。
03 / OPERATIONS
选品、上架、推广、客服和售后都要人盯。重复事务多，敏感操作又不能随便自动执行。
THREE PROJECTS · ONE PROGRESSION
它们不是三个孤立的 Demo，而是一条逐层递进的工程路径。
让 AI 不必每次从头读完整段对话，只取回当前任务真正需要的记忆。
三层记忆：Working / Long-term / Episodic；混合检索结合 BM25、trigram、关系扩展与重排；提供 Python SDK、CLI、REST API 与 7 个 MCP 工具。
VERIFIED（按 HANDOFF 记录：0.2.0，287 passed / 2 skipped）
已知边界：本地优先、单机单进程使用边界；尚未发布 PyPI，Docker 验证未完成。旧提交历史曾含本机路径，公开仓库历史清理仍有后续事项。
给记忆加上来源、信任等级和隔离区，避免 AI 把猜测当成事实。
按来源分配 user_verified / user_stated / model_inferred / untrusted 标签；状态包括 ACTIVE、CONFLICT、QUARANTINED、SUPERSEDED 等；规则冲突升级人工确认。
VERIFIED（按 HANDOFF 记录：main 0.1.0，33 tests passed；v0.1.1 WIP 不计入发布能力）
已知边界：当前发布版为内存态，未交付持久化存储；基准数据为合成数据，规则主要依赖确定性启发式，不能等同于语义理解。IssuerRegistry 与 JsonFileStore 不在已发布 main。
把电商客服与售后拆成不同 AI 角色；退款等敏感动作保留人工审批。
Supervisor / Router 分派物流、售后与商品 Agent；记忆适配 NanoMemory，治理适配 mem-guard；退款通过状态机、额度重算与人工决策控制。
VERIFIED（按 HANDOFF 记录：v0.1.2，CI success；48 contracts，SQLite 24 passed + 2 skipped，PG16 25 passed）
已知边界：MVP；settle 仅更新订单记账字段，没有真实支付网关打款。尚无 IdP / 租户强制隔离；Docker / Compose 未在本机验证。
指标口径：来自项目 README / 测试记录与 2026-11-11 项目 HANDOFF。合成基准、CI 结果与项目功能描述分别标注，不代表生产环境 SLA。
BUSINESS × ENGINEERING
业务理解决定问题边界，工程能力负责把方案做成能验证、能交接的系统。
商品与选品 → 上架与库存 → 订单与物流 → 售后与客服 → 营销与数据运营
使用 Python、n8n、Claude Code、DeepSeek Harness 等工具，设计工作流、模型工具集成与自动化处理。
业务分析、产品拆解、架构选型、数据模型、API 规范、UI/UX 设计、测试与工程文档。
UNDER THE HOOD
下面是工程验证的摘要。详细证据以仓库文档和对应 CI 记录为准。
NanoMemory 0.2.0 测试、mem-guard 发布 main 测试、OmniCare v0.1.2 CI（含 PostgreSQL 16）均有记录。
mem-guard 持久化与 IssuerRegistry 未进入发布 main；NanoMemory PyPI 与 Docker 验证未完成；OmniCare 未接真实支付网关，且 Docker / Compose 本机验证未完成。