[Feature] 记忆系统接入 Mem0 和 Hy-Memory，构建专业级长期记忆

[Joe0720]

你在解决什么问题？（必填）

MateClaw 当前的记忆基于 Markdown 文件持久化，能满足基础 recall，但在长期协作场景下存在明显问题：

1. 记忆碎片化：所有信息一视同仁，没有分层加工，记忆越来越多却越来越乱
2. 态度变化丢失：用户观点演变无法追踪，要么覆盖要么堆积，无法还原决策脉络
3. 跨 Session 断裂：长期任务上下文接续依赖手动总结，Agent 无法自动继承

目前业界已有两个成熟的开源记忆框架可以解决上述问题：Mem0 和 Hy-Memory，建议 MateClaw 同时接入两者作为可选记忆后端。

你期望它怎么工作？（必填）

方案一：Mem0（轻量结构化记忆）

• 定位：轻量、快速、MCP 原生
• 优势：API 简洁，支持 graph-enhanced 模式（Mem0ᵍ），适合快速接入
• 适用场景：基础用户画像记忆、偏好提取、事实存储

方案二：Hy-Memory（深度认知记忆）

• 定位：专为长期协作 Agent 设计的专业记忆插件（腾讯混元出品）
• 核心能力：
  • 6 层记忆框架：L1 原始痕迹 → L2 原子事实 → L3 身份画像 → L4 会话摘要 → L5 心智模型 → L6 前瞻意图
  • System1/System2 双系统：System1 实时处理 L1-L4（毫秒级），System2 后台异步沉淀 L5-L6（秒~分钟级）
  • 演化链机制：通过 supersedes 指针串联记忆因果链，命中任意节点自动展开完整态度演变路径
• 性能数据：记忆数量降低 70%+，信息密度提升 45%，写入速度是 Graphiti 的 8 倍，LongMemEval 85.2%（同类第一）

引入 MemoryProvider 可插拔接口，支持多记忆后端切换：

MemoryProvider 接口
  ├── MarkdownFile（内置默认，零依赖）
  ├── Mem0（轻量结构化，MCP 原生）
  └── Hy-Memory（深度认知，6层+演化链）

推荐接入策略：

• 默认：Markdown 文件（当前方案，向后兼容）
• 可选：Mem0（适合个人用户，本地嵌入式，零运维）
• 进阶：Hy-Memory（适合企业长期协作场景，支持 Lite/Pro/Ultra 三档配置）

配置示例：

mateclaw:
  memory:
    provider: hy-memory  # markdown-file | mem0 | hy-memory
    hy-memory:
      mode: pro          # lite | pro | ultra
      embedding: dashscope/text-embedding-v4
      local-storage: true

你试过的替代方案？（选填）

No response