Mnemon（/ˈniːmɒn/），源自古希腊语 μνήμων（mnḗmōn），由 μνάομαι（"铭记"）与施事后缀 -μων 构成，意为"铭记者、善于记忆之人"。荷马在《奥德赛》中以 "καὶ γὰρ μνήμων εἰμί"（我记得很清楚）描述这一特质。在古希腊城邦制度中，Mnemones 是专职的记录官员，在财产交易与法律程序中承担见证与存档职责，是口述传统向书面记录过渡时期的制度性记忆载体。
该词同源于记忆女神 Mnemosyne（Μνημοσύνη）——宙斯与她结合诞生了九位缪斯，象征记忆是一切知识与创造的源泉。
Mnemon 是一个为 LLM agent 设计的持久化记忆系统。它采用 LLM-Supervised 模式：宿主 LLM 作为独立记忆 Binary 的外部编排者，通过符号化 CLI 接口交互，而 Binary 负责确定性的存储、图索引和生命周期管理。记忆以四图知识结构组织 — temporal、entity、causal、semantic 四种 edge。以单一 Go binary + SQLite 的形式实现，不依赖任何外部 API。
本文档描述当前 Mnemon binary 与 engine architecture。正式 modular self-evolution harness 文档见 Mnemon Harness，可安装 runtime 资产位于仓库根目录的 harness 目录。
Harness 方向把这个 engine 扩展为给已有 agent 使用的事件溯源生命周期层。Mnemon 保留宿主 agent 作为任务执行 runtime，并在其外围治理 memory、skill、eval、 proposal、audit 和 projection 生命周期。
Mnemon 存在的原因 — LLM agent 的失忆问题、传统方案的结构性瓶颈，以及与现有方案（Mem0、MemGPT、Claude Code Memory）的对比。
当前 engine 的 LLM-Supervised 模式、Hook-native / LLM-led / Protocol-constrained 原则、器官 vs 教科书隐喻、记忆网关协议（LLM↔DB 交互的 MCP 类比）、关键设计洞察，以及 RLM、MAGMA 和 Graph-LLM 结构分析的理论基础。
Insight/Edge 数据模型、数据库 Schema（SQLite WAL）、系统架构（CLI 层 → 引擎 → 存储）、代码结构，以及通过命名 Store 实现的数据隔离。
MAGMA 四图模型（temporal、entity、causal、semantic），LLM 注意力与图存储之间的结构同构，Extract→Candidate→Associate 范式，读写对称性，remember/link/recall 作为通用代数，LLM↔DB 协议缺口，以及学术定位。
写入管线（remember 内置 diff）、读取管线（Smart Recall：意图检测、RRF 锚点融合、Beam Search 遍历、多因子重排序），以及去重/冲突检测。
有效重要性（EI）衰减公式、豁免规则、自动清理、GC 命令，以及通过 Ollama（nomic-embed-text）实现的可选嵌入向量支持。
Markdown 可安装的 runtime 集成：SKILL.md、INSTALL.md、GUIDELINE.md、四个 hook phase（Prime、Remind、Nudge、Compact）、agent 主导的记忆判断、可选 setup 自动化，以及轻量 Markdown 自进化。
正式 modular harness 文档，覆盖 agent-agnostic 安装挂载、memory loop、skill loop 与未来可外挂 evolution modules。
关键权衡（LLM-Supervised vs 嵌入式、SQLite WAL vs 图数据库、Beam Search vs BFS、软删除）、与 MAGMA 论文的偏差、存储侧可插拔性路线图，以及迈向记忆网关的愿景。