存储一切并不等于拥有记忆。对 IDE 的 AI 而言，“记忆”的本质是：在有限的上下文窗口里，用尽可能少的 token 复现过去的关键事实。
所以 trae-mem 把 “Log（原始观测）” 和 “Summary（压缩记忆）” 明确分层：日志负责可追溯，摘要负责可注入。
本文聚焦第三块核心能力：Compression & Summarization（压缩与摘要），核心实现位于 compress.py。
1. 压缩目标：我们要压缩成什么样？
trae-mem 的摘要不是写作文，而是生成“下一次会话可直接贴进 Prompt”的内容。你可以把它理解为 Android 里的：
- 崩溃日志：原始的 stacktrace（可追溯）
- Crash Summary：一句话结论 + 复现路径 + 修复建议（可行动）
项目里默认会生成两层摘要（在会话结束时写入 summaries 表）：
- brief：更短（默认上限约 900 字符），适合频繁注入
- detailed：更长（默认上限约 3200 字符），适合需要背景时注入
这些上限由调用方控制，例如在 hooks_bridge.py：
brief = summarize_session(obs, max_chars=900)
detailed = summarize_session(obs, max_chars=3200)
2. 数据入口：摘要吃什么？ObservationLike
摘要函数不直接依赖数据库 Row，而是使用一个轻量的结构 ObservationLike：
@dataclass(frozen=True)
class ObservationLike:
ts: int
kind: str
tool_name: Optional[str]
content: str
调用方会从 DB 拉取当前 session 的 observations，然后过滤掉 private=1 的记录，再转成 ObservationLike 列表（见 hooks_bridge.py）。
这一步很重要：敏感内容从源头就不进入摘要。
3. 隐私策略： 标签是如何处理的？
隐私处理有两层：
3.1 文本级脱敏：正则清洗
在 compress.py：
<private>...</private>会被识别- 支持
contains_private/remove_private/redact_private
_PRIVATE_RE = re.compile(r"<private>[\s\S]*?</private>", re.IGNORECASE)
def remove_private(text: str) -> str:
return _PRIVATE_RE.sub("", text).strip()
3.2 存储级隔离：private=1 不入索引
写库时如果 private=True，不会写入 FTS 表（见 db.py）。这保证了“隐私内容既不可被检索命中，也不会在摘要中被带出来”。
4. 两种摘要器：启发式 vs LLM（可选）
trae-mem 的摘要器是可插拔的：默认无外部依赖（启发式），也可以通过环境变量切到 LLM。
分发逻辑在 summarize_session()：
provider = _llm_provider()
if provider == "none":
return heuristic_session_summary(...)
try:
return llm_session_summary(...)
except Exception:
return heuristic_session_summary(...)
这里的关键取舍是：LLM 失败不能影响整个系统。所以无论网络、Key、限流等任何异常，都会 fallback 回启发式摘要。
4.1 启发式摘要：把日志“归类 + 去重 + 截断”
启发式摘要的实现是 heuristic_session_summary()：
它做了四件事：
- 按 kind 分类：
user/tool/decision/error - 每条内容做一行化（合并空白）并截断
- 去重（保持顺序）
- 输出为 bullet list，并限制总字符数（
max_chars）
if o.kind == "user":
user_msgs.append(_clip(re.sub(r"\s+", " ", c), 180))
...
return _as_bullets([...], max_chars=max_chars)
这种摘要的优点是：
- 完全离线、可预测
- 不会产生“幻觉”
- 性能稳定
缺点也很明显：它更像“压缩日志”，而不是“理解语义”。
4.2 LLM 摘要：生成更可注入的结构化要点（可选）
当你设置环境变量 TRAE_MEM_SUMMARIZER=anthropic/openai 时，会走 llm_session_summary()：
- 先把每条 observation 渲染成统一格式的文本
- 拼一个固定结构 prompt
- 请求对应的云端模型
prompt 在 compress.py 里定义，要求输出格式固定为：
- 用户目标：
- 已完成：
- 未解决/风险：
- 下一步建议：
这也是一个非常工程化的取舍：输出结构固定，便于注入、便于未来做 UI 展示。
5. 什么时候生成摘要？谁触发？
trae-mem 默认是“事件驱动生成摘要”。
两条典型触发路径：
- 生命周期挂钩：
SessionEnd事件触发_summarize_session()（见 hooks_bridge.py） - 手动结束会话：MCP 工具
trae_mem_end_session结束会话并生成摘要（见 mcp_server.py）
这种设计让摘要“可控且一致”：只要会话结束，摘要一定存在。
6. 你可以怎么扩展？
压缩层是最适合做“智能增强”的地方，典型方向：
- 按工具类型定制压缩：例如 read_file 输出只保留文件路径 + 关键 diff 片段
- 引入“关键信息提取器”：从工具输出中提取函数名/类名/错误码，作为 tags，提高检索命中率
- 本地 LLM 摘要：通过 Ollama 等本地推理实现完全离线的语义压缩
下一篇我们拆解 MCP 服务接口：工具是如何被 Trae 发现、被 Agent 调用、并返回结果的。
