当前位置： 首页 > news >正文

基于MongoDB与MCP协议构建AI智能体持久化记忆层

news 2026/7/1 8:40:34

1. 项目概述：为AI智能体构建一个持久、可搜索的记忆层

在构建AI智能体时，我们常常面临一个核心挑战：如何让智能体记住过去？无论是多轮对话中的上下文，还是长期任务中的关键决策，一个可靠的记忆系统是智能体从“单次反应”走向“持续智能”的关键。mcp-memory-layer正是为了解决这个问题而生。它是一个用Go语言编写的MCP服务器，为LLM智能体提供了一个基于MongoDB的持久化、可搜索的记忆层。

简单来说，你可以把它想象成智能体的“外置大脑”。这个大脑不仅能存储海量的自然语言记忆片段，还能通过向量搜索和结构化查询，在需要时精准地调取相关记忆。它通过标准的MCP协议和REST API暴露功能，这意味着无论是Claude Desktop、VS Code Copilot这样的桌面应用，还是LangChain、CrewAI、AutoGen这样的开发框架，甚至是AWS Bedrock AgentCore，都能以统一的方式接入并使用这个记忆层，而无需修改服务器端的代码。

这个项目的设计哲学非常务实：存储层的职责是快速、准确地将正确的文档呈现在LLM面前，而理解这些文档含义的工作，则完全交给LLM本身。它不试图在存储层做复杂的语义理解，而是专注于优化检索效率。同时，它倡导“自由存储，精确过滤，让LLM解释”的模式，认为存储冗余的成本很低，但因过度过滤而丢失关键信息导致错误结果的代价却很高。

2. 核心架构与设计思路拆解

2.1 为什么选择MongoDB + MCP的组合？

在技术选型上，mcp-memory-layer做出了几个关键决策，这些决策背后是经过实战检验的权衡。

首先是数据库选择MongoDB Atlas。这不仅仅是跟风，而是基于几个硬性需求：第一，需要原生支持向量搜索（Atlas Vector Search），以实现基于语义相似度的模糊召回。第二，需要灵活的文档模型，因为记忆的结构可能随着智能体能力的进化而变化，固定的表结构会成为枷锁。第三，需要强大的聚合管道和全文检索能力，以支持复杂的、基于标签、实体和时间的结构化查询。MongoDB的JSON文档模型完美契合了记忆数据半结构化、易扩展的特性。

其次是采用MCP作为核心协议。MCP是一个新兴但势头强劲的协议，旨在为LLM工具调用提供一个标准化的接口。它的优势在于“一次编写，处处运行”。我为我的记忆服务器实现一套MCP工具后，任何支持MCP的客户端（如Claude Desktop）都能立即发现并使用这些工具，无需为每个客户端编写特定的适配器代码。同时，提供REST API作为补充，确保了与不支持MCP的传统框架或自定义脚本的兼容性。这种双协议支持极大地扩展了项目的适用性。

2.2 三层会话模型与记忆生命周期

项目文档中提到的“三层会话模型”是理解其架构的关键。这不是一个随意的分层，而是为了清晰地区分记忆的时效性和作用范围。

  1. 工作记忆：这相当于智能体的“短期记忆”或“上下文窗口”。它存储当前会话中最新、最活跃的记忆片段，检索优先级最高，用于维持对话的连贯性。通常，这部分记忆的生命周期与一次LLM调用或一个简短的子任务绑定。

  2. 会话记忆：对应一个完整的、有明确目标的任务会话。例如，用户要求智能体“帮我规划一个三天的旅行行程”，从开始到产出完整计划的全过程，相关的记忆都归属于这个会话。会话记忆在任务完成后会被归档，但依然可以为了解任务全貌而被检索。

  3. 长期记忆：这是智能体的“知识库”或“经验库”。它存储跨会话的、被判定为有价值、可复用的知识。例如，从多次编程任务中总结出的“用户偏好使用Python的f-string格式化字符串”这条经验，就应该被提升到长期记忆。长期记忆的检索策略更偏向于精确匹配和重要性加权，避免被大量临时信息淹没。

这种分层管理带来了几个好处：首先是检索效率，系统可以优先扫描工作记忆和当前会话记忆，缩小搜索范围。其次是记忆的“新陈代谢”，系统可以定义不同的留存策略，比如工作记忆随上下文滚动，会话记忆在闲置一段时间后自动降级或清理，而长期记忆则需要显式的“提升”操作才能进入。

2.3 混合检索策略：向量搜索与TurboQuant压缩扫描

检索的准确性和速度是记忆系统的命脉。mcp-memory-layer采用了一种混合检索策略，结合了广度语义召回和深度精确匹配。

  • Atlas Vector Search（广度语义召回）：这是第一道关卡。当智能体提出一个查询（如“上次我们讨论的关于用户认证的最佳实践是什么？”），系统会先将查询文本转换为向量嵌入，然后在MongoDB的向量索引中进行近似最近邻搜索。这一步能召回所有在语义上相关的文档，不管它们是否包含了查询中的关键词。它解决了传统关键词搜索“用词不同但意思相同”就找不到的痛点。

  • TurboQuant压缩扫描（深度精确匹配）：这是项目的创新点。向量搜索召回的可能是一个较大的相关文档集合。接下来，系统会利用TurboQuant技术对这些文档的向量进行高比例压缩（比如从1024维压缩到64字节），并将它们缓存在内存中。当需要进行更精确的、带过滤条件的查询时（比如“在project_x这个会话中，关于error_handling标签的记忆”），系统可以直接在内存中高速扫描这些压缩后的向量和元数据，进行快速的初步过滤和排序，而无需反复访问数据库。这相当于在内存中建立了一个超轻量级的向量索引副本，专门用于二次筛选。

这种“向量搜索广撒网，TQ扫描精捕捞”的组合，在实践中取得了很好的平衡。既保证了语义搜索的召回率，又通过内存计算大幅提升了复杂查询的响应速度。

注意：TurboQuant压缩是有损的，会损失一些向量精度，因此它主要用于快速预筛选，而不是最终的相似度计算。最终的相关性排序，通常会结合压缩向量的近似分数和原始向量的精确分数（如果需要的话）。

3. 核心功能解析与实操要点

3.1 记忆的存储结构：不仅仅是文本

一个记忆条目远不止一段文本。mcp-memory-layer为每个记忆文档设计了一套丰富的元数据字段，这使得记忆变得可组织、可连接、可推理。

{ “_id”: ObjectId(“…”), “agent_id”: “coding_assistant”, “session_id”: “session_20231027_planning”, “content”: “用户倾向于在编写API时优先考虑使用FastAPI，因为它自动生成的交互式文档Swagger UI对他们团队协作很有帮助。”, “embedding”: [0.12, -0.05, …], // 1024维向量 “memory_type”: “user_preference”, “tags”: [“backend”, “framework”, “documentation”], “entities”: [{“type”: “technology”, “value”: “FastAPI”}, {“type”: “feature”, “value”: “Swagger UI”}], “related_docs”: [ObjectId(“…”), …], “created_at”: ISODate(“…”), “accessed_at”: ISODate(“…”), “importance_score”: 0.8 }
  • memory_type：这是一个强大的命名空间机制。你可以定义如fact、preference、decision、lesson_learned等类型。在检索时，你可以指定memory_type来缩小范围，例如只检索“经验教训”类的记忆。
  • tags与entities：标签用于自由分类，实体用于结构化提取。例如，一条记忆可以被打上#bug、#performance标签，同时提取出{“type”: “module”, “value”: “auth”}实体。实体信息可以用于构建隐式的知识图谱（通过共现分析），而无需维护复杂的图数据库。
  • related_docs：允许手动或自动建立记忆之间的链接。例如，一条“问题”记忆可以关联到多条“解决方案”记忆，形成因果链。
  • importance_score：这是一个由策略子系统或LLM评估的动态分数，用于在检索结果排序时加权。频繁访问、被关联多的记忆分数会更高。

3.2 MCP工具集：智能体与记忆交互的接口

智能体通过调用MCP工具来与记忆层交互。这些工具设计得尽可能符合LLM的“思考”模式。

  1. memory_intake：记忆摄入。智能体决定将哪段对话、哪个观察结果存入记忆。它需要提供content，并可以可选地添加memory_type、tags、entities等。关键在于，决定“记住什么”的逻辑在智能体侧，这赋予了智能体管理自身记忆的自主权。

  2. memory_recall：记忆召回。这是最常用的工具。智能体提交一个自然语言查询，系统返回最相关的记忆列表。背后是混合检索策略在起作用。调用时可以附加过滤器，如{“agent_id”: “me”, “memory_type”: “fact”, “tags”: {“$in”: [“python”]}}。

  3. memory_query：结构化查询。当智能体需要非常精确地查找信息时使用，例如“查找session_abc中所有带有error标签的记忆”。它使用MongoDB的查询语法，进行确定性的字段查找。

  4. memory_reflect：记忆反思与整理。这是智能体进行“记忆管理”的高级工具。它可以：

    • promote：将一条记忆从会话记忆提升为长期记忆。
    • merge：将两条内容相似或互补的记忆合并成一条更完整的记忆。
    • tag/untag：为记忆添加或删除标签。
    • delete：删除不再相关或错误的记忆。
    • summarize：对一组相关记忆生成一个摘要，并存储为新记忆。

  5. memory_shard_scan：这是一个底层优化工具，它直接利用内存中的TurboQuant压缩数据进行快速扫描，适用于对延迟要求极高的实时过滤场景。

  6. memory_strategy_store/memory_strategy_recall：策略管理。智能体可以存储一套“记忆策略”（例如：“所有关于用户偏好的记忆，重要性分数自动加0.1”），并在后续的存储或检索中应用这些策略，实现个性化的记忆管理风格。

3.3 身份认证与安全隔离

在多智能体环境中，记忆隔离至关重要。项目使用JWT Bearer Token进行认证。每个智能体在数据库的mcp_config.agent_identities集合中有一个身份记录，包含一个私钥。服务器用这个私钥验证JWT签名。

实操要点：agent_id是记忆隔离的核心。所有记忆操作都隐式或显式地与一个agent_id绑定。这意味着智能体A无法访问智能体B的记忆，除非系统特意设计了共享逻辑。在生成JWT时，务必确保payload中包含正确的api_key字段（对应身份记录中的标识），并且Token不会泄露。

4. 从零开始部署与集成实战

4.1 环境准备与配置

假设我们从一个干净的Linux开发环境开始。

第一步：基础设施准备你需要一个MongoDB Atlas集群（免费层即可）。在Atlas控制台中：

  1. 创建一个项目和一个集群（例如，选择M10共享集群）。
  2. 在集群中，为mcp-memory-layer创建一个数据库用户，记录用户名和密码。
  3. 获取集群的连接主机名（如cluster0.abc12.mongodb.net），注意不要包含mongodb+srv://前缀。
  4. 在Atlas中，你需要为存储记忆的集合创建向量搜索索引。项目提供了configs/atlas_indexes.json文件，你可以参考其内容，在Atlas UI的“Search”页面创建索引。通常，索引会建立在embedding字段上，使用cosine相似度度量。

第二步：获取嵌入模型API密钥项目支持多种嵌入模型。以默认的VoyageAI为例：

  1. 访问VoyageAI官网注册并获取API密钥。
  2. 你也可以选择OpenAI（需要OPENAI_API_KEY）或本地运行的Ollama（需要启动Ollama服务并拉取如nomic-embed-text模型）。

第三步：克隆项目并配置

git clone https://github.com/chapmancl/mcp-memory-layer.git cd mcp-memory-layer cp env.example .env

编辑.env文件，填入你的核心配置：

# 必须配置 MONGO_URL=cluster0.abc12.mongodb.net MONGO_USERNAME=your_db_user MONGO_PASSWORD=your_db_password EMBED_PROVIDER=voyageai VOYAGEAI_API_KEY=sk-你的voyageai密钥 # 可选配置 MCP_TOOL_NAME=MyMemoryServer # 你的MCP端点名称 SERVER_PORT=8000

4.2 启动服务器

你有两种主要运行方式：本地Go运行和Docker容器运行。

方式一：本地Go运行（适合开发）

go mod download go run .

如果一切顺利，终端会输出服务器启动日志，并显示MCP和REST端点信息。

方式二：Docker运行（适合部署）

docker compose up --build

这会根据docker-compose.yml构建镜像并启动容器。如果你想使用支持AWS Bedrock嵌入的版本，需要使用docker-compose.aws.yml并确保你的环境已配置AWS凭证。

验证服务：启动后，打开浏览器或使用curl访问：

curl http://localhost:8000/health

应返回{"status":"ok"}。访问http://localhost:8000/会列出所有可用的REST端点。

4.3 生成认证Token并进行首次测试

在调用需要认证的端点前，你需要为你的智能体生成一个JWT Token。项目仓库的mongo-examples子模块或相关文档中通常会有生成Token的脚本示例。这里提供一个概念性的Python示例：

import jwt import time import base64 # 这是你在 mcp_config.agent_identities 集合中为智能体创建的记录中的 `pvk` 字段 # 它是一个base64编码的HMAC-SHA256密钥 agent_pvk_base64 = “你的base64编码私钥” agent_pvk = base64.b64decode(agent_pvk_base64) # JWT Payload，其中 `api_key` 必须对应 agent_identities 文档中的标识 payload = { “api_key”: “my_agent_identity_key”, “agent_id”: “my_cool_agent”, # 这个会用于记忆隔离 “iat”: int(time.time()), “exp”: int(time.time()) + 86400 # 1天后过期 } token = jwt.encode(payload, agent_pvk, algorithm=“HS256”) print(f“Bearer {token}”)

将生成的Token设置为环境变量，然后测试记忆的存储与召回：

export TOKEN=”上面生成的JWT Token” # 存储一条记忆 curl -X POST http://localhost:8000/memory/intake \ -H “Authorization: Bearer $TOKEN” \ -H “Content-Type: application/json” \ -d ‘{ “content”: “用户Alice在今天的会议中明确表示，她希望下周发布的报告重点突出转化率数据，而不是总访问量。”, “agent_id”: “my_cool_agent”, “session_id”: “meeting_20231027”, “memory_type”: “user_requirement”, “tags”: [“report”, “priority”, “stakeholder”], “entities”: [{“type”: “person”, “value”: “Alice”}, {“type”: “metric”, “value”: “conversion_rate”}] }’ # 召回相关记忆 curl -X POST http://localhost:8000/memory/recall \ -H “Authorization: Bearer $TOKEN” \ -H “Content-Type: application/json” \ -d ‘{ “query”: “Alice对报告有什么要求？”, “agent_id”: “my_cool_agent”, “limit”: 5 }’

如果配置正确，召回请求应该能返回刚刚存储的那条记忆。

4.4 与智能体框架集成

与Claude Desktop集成：这是最丝滑的体验之一。Claude Desktop原生支持MCP。你只需要在Claude Desktop的配置文件中添加你的mcp-memory-layer服务器信息。配置完成后，Claude就能直接看到并调用memory_intake,memory_recall等工具，仿佛这些能力是内置的一样。

与LangChain/CrewAI集成：这些框架通常通过自定义Tool类来集成。你需要创建一个封装了REST API调用的Tool。以LangChain为例：

from langchain.tools import BaseTool import requests class MemoryRecallTool(BaseTool): name = “memory_recall” description = “Search through the agent’s past memories based on a query.” def _run(self, query: str) -> str: resp = requests.post( “http://localhost:8000/memory/recall", headers={“Authorization”: f“Bearer {TOKEN}”}, json={“query”: query, “agent_id”: “my_agent”} ) memories = resp.json() # 将记忆列表格式化为LLM可读的文本 return format_memories(memories)

然后将这个Tool加入到你的Agent工具列表中即可。

与VS Code Copilot集成：可以通过配置Copilot的指令文件来实现。在项目的examples/目录下通常有copilot-instructions.example.md，你可以参考它编写指令，告诉Copilot何时以及如何使用记忆工具，例如：“当你需要参考之前关于当前文件的讨论时，使用memory_recall工具进行搜索。”

5. 高级配置、优化与故障排查

5.1 嵌入模型选型与性能调优

选择不同的EMBED_PROVIDER会对成本、速度和效果产生直接影响。

  • VoyageAI（默认）：通过MongoDB Atlas的托管服务调用，性能稳定，向量维度高（默认1024），语义区分度好，是生产环境的推荐选择。注意其API调用成本。
  • OpenAI：text-embedding-3-large模型效果顶尖，但成本较高，且API调用存在延迟和限流风险。适合对效果要求极高且预算充足的场景。
  • Ollama：完全本地运行，零成本，数据隐私性最好。但需要自己维护模型服务，且大多数本地嵌入模型的效果和维度（通常为384或768）与商用API有差距。适合开发、测试或对数据隐私极度敏感的离线环境。
  • Bedrock：适合已经深度集成在AWS生态中的团队。Titan Embeddings模型效果不错，且与其他AWS服务（如Secrets Manager）集成方便。

调优建议：

  1. 维度匹配：确保你选择的嵌入模型维度与configs/atlas_indexes.json中定义的向量索引维度一致，否则索引无法正常工作。
  2. 批量处理：在摄入大量历史数据时，不要逐条调用API。应该在应用层实现一个批量嵌入生成和写入的脚本，以节省成本和提升速度。
  3. 缓存层：对于高频的、重复的查询词，可以在应用层（如Redis）缓存其嵌入向量，避免重复调用嵌入模型API。

5.2 TurboQuant压缩配置详解

TurboQuant是提升内存扫描性能的秘密武器。它的配置主要在configs/turboquant_config.json中。

  • dimensions：必须与你的嵌入向量原始维度一致（如VoyageAI是1024）。
  • seed：用于生成随机旋转矩阵的种子。重要：在生产环境中，一旦开始写入数据，就不要更改这个种子，否则之前压缩存储的向量将无法正确解码。
  • compressed_bytes：压缩后的字节数。这决定了压缩率和精度损失。通常设置为16、32或64。字节数越少，内存占用越小，扫描越快，但精度损失越大。需要通过实验在速度和召回质量间取得平衡。

压缩流程：当一条记忆被摄入时，其原始向量除了存入MongoDB，还会被TurboQuant压缩，然后与文档的_id、tags、memory_type等关键元数据一起，存入一个内存中的“分片缓存”。这个缓存按agent_id和session_id等维度组织，方便快速定位扫描范围。

5.3 索引策略与查询性能

MongoDB的索引是查询性能的基石。除了必备的向量搜索索引，你还需要考虑以下复合索引：

  1. {agent_id: 1, session_id: 1, created_at: -1}：这是最常用的查询模式之一——按智能体和会话查看时间线。降序排列可以快速获取最新记忆。
  2. {agent_id: 1, tags: 1}：加速按标签过滤的查询。
  3. {agent_id: 1, memory_type: 1}：加速按记忆类型过滤的查询。
  4. {agent_id: 1, “entities.type”: 1, “entities.value”: 1}：如果你经常按实体进行查询，这个索引会很有帮助。

使用explain()命令分析你的慢查询，并据此创建或调整索引。记住，索引会占用存储空间并降低写入速度，需要权衡。

5.4 常见问题与排查实录

问题1：服务器启动失败，提示MongoDB连接错误。

  • 排查：首先检查.env文件中的MONGO_URL、MONGO_USERNAME、MONGO_PASSWORD是否正确。确保网络可以访问MongoDB Atlas（可能需要配置IP白名单）。尝试用mongosh命令行工具直接连接，验证凭证。
  • 解决：修正环境变量。如果是网络问题，检查防火墙和Atlas的网络访问列表。

问题2：执行memory_recall查询，返回空数组或无关结果。

  • 排查：
    1. 确认向量搜索索引已正确创建，且索引定义的维度与嵌入模型输出维度匹配。
    2. 检查查询时传递的agent_id是否与存储记忆时的agent_id一致。记忆是严格隔离的。
    3. 尝试一个非常简单的查询，比如存储“apple”，查询“apple”，看是否能召回。如果不能，可能是嵌入模型API调用失败或向量生成有问题。查看服务器日志。
    4. 如果使用了过滤器（如tags），检查过滤器语法是否正确，以及记忆文档中是否存在对应的标签。
  • 解决：根据排查结果，修复索引、核对agent_id、检查嵌入服务状态或修正查询参数。

问题3：记忆摄入速度很慢。

  • 排查：
    1. 瓶颈可能在嵌入模型API调用。查看服务器日志中嵌入步骤的耗时。
    2. 也可能是MongoDB写入延迟。检查Atlas集群的监控指标。
  • 解决：
    • 对于嵌入慢：考虑使用更快的模型（本地Ollama虽然效果稍逊，但延迟极低），或实现异步批量嵌入队列。
    • 对于写入慢：检查是否在频繁创建索引，或者文档体积过大。确保embedding数组字段没有被意外地索引多次。

问题4：TurboQuant扫描似乎没有生效，或者结果不准确。

  • 排查：
    1. 确认turboquant_config.json中的dimensions设置正确。
    2. 检查服务器启动日志，看TurboQuant初始化是否成功，以及分片缓存是否被加载。
    3. 在调用memory_shard_scan工具或相关接口时，确认传入的shard_key（通常是agent_id和session_id的组合）能正确命中缓存的分片。
  • 解决：核对配置，重启服务以重新初始化缓存。如果怀疑压缩导致精度问题，可以临时调整compressed_bytes为一个更大的值（如64）进行测试，权衡性能与精度。

问题5：如何清理或归档旧记忆？

  • 方案：项目本身不提供自动清理策略，这需要你根据业务逻辑来实现。一个常见的模式是：
    1. 定期运行一个后台任务，使用memory_query查找created_at早于某个时间点且importance_score低于阈值的记忆。
    2. 对于这些记忆，可以调用memory_reflect工具的delete操作进行删除，或者将其memory_type改为archived并移动到另一个归档集合。
    3. 更复杂的策略可以结合访问频率 (accessed_at)、关联度等因素。关键是将这些策略逻辑实现为一个可调用的管理工具或定时任务，而不是硬编码在核心服务中。
http://www.cnnetsun.cn/news/2194090.html

相关文章：

  • 别再只抓包了！手把手教你用OpenSSL验证‘挑战-响应’身份鉴别的签名（附完整数据包分析）
  • Python大模型微调不是调参，是系统工程：我们实测了12种量化+微调组合，最终锁定BF16+NF4+GA=2的最优性价比方案
  • 从逆波兰表达式到自制脚本引擎：用C++实现eval()的踩坑与优化实录
  • 终极GlosSI使用指南：让Steam控制器在任何游戏中都能工作
  • 文档重排技术演进与jina-reranker-v3架构解析
  • 别再只测电压了！手把手教你用LTC2944库仑计给锂电池做精准电量监控（附完整Arduino代码）
  • 开箱即用的Docker开发环境：lean-ctx镜像深度解析与实战指南
  • 电感Q值详解：影响谐振电路性能的关键因素
  • 5个简单步骤掌握GlosSI：解锁全平台游戏控制器配置终极指南
  • 5步构建RE引擎游戏Mod：从零开始掌握REFramework开发
  • Appium MCP Server：用自然语言驱动移动端自动化测试
  • 从医学影像到AI模型：我是如何用LIDC-IDRI数据集构建肺癌分类项目第一阶段的
  • taotoken为独立开发者提供稳定可靠的大模型api服务
  • 终极风扇控制方案：FanControl让Windows散热管理如此简单
  • 从数学证明到数据可视化：用Manim CE 0.7制作‘会讲故事’的技术视频
  • CentOS7服务器运维：用yum源管理多版本Golang（稳定版与RC版）实战
  • YimMenu终极指南：如何打造GTA5最强防护与游戏增强体验
  • 从《原神》模型到Unity特效：手把手教你拆解‘消融为灰’的两种ShaderGraph实现方案
  • 高压均质机HPH构造详解：三大核心模块
  • 【FreeRTOS+STM32 C语言深度优化】：仅改11行关键代码，系统吞吐量翻倍、栈溢出归零的工业级方案
  • 体验 Taotoken 官方价折扣活动如何降低个人开发者的模型使用成本
  • 保姆级教程：用PaddlePaddle高层API搞定MNIST手写数字识别（从数据集到推理）
  • 你的用户真的‘活跃’吗？用RFE模型重新定义并精细化运营你的用户分层
  • 别再乱用GiveAbility了！深入理解UE5 GAS中GameplayAbility的激活(Activate)与应用(Give)核心机制
  • 抖音内容下载架构设计与生产环境部署指南：基于Python的高效批量下载解决方案
  • 从嵌入式到云端：手把手教你用Paho和libmosquitto搞定C/C++ MQTT客户端（附心跳、重连配置）
  • 从`[1]`到`(Author, 2023)`：详解如何在LaTeX中为Elsevier期刊定制参考文献引用样式（以EJOR为例）
  • 用Python的scikit-fuzzy库，手把手教你实现一个智能洗衣机模糊控制器
  • 3步快速安装Video DownloadHelper CoApp伴侣应用：完整使用指南
  • Obsidian Zettelkasten模板：3步构建你的第二大脑知识系统