FlowElement-ai/m_flow

A bio-inspired cognitive memory engine — a new paradigm for Graph RAG.

解决的问题

传统的 RAG 系统通常依赖于简单的向量相似性，这可能会找到语义接近但上下文无关的关键词。M-flow 通过将检索视为推理和关联问题，而非仅仅是邻近匹配，从而解决了这个问题，确保检索到的信息通过连贯的证据链连接在一起。

工作原理

M-flow 将知识组织成四层分层“锥形图”（Cone Graph）：

  • Episode: 受限的语义焦点，如事件或决策。
  • Facet: Episode 的主题切面。
  • FacetPoint: 原子断言或事实。
  • Entity: 跨 Episode 链接的命名对象（人、工具、指标）。

系统不仅仅是进行向量匹配，而是将图作为评分引擎。查询通过向量搜索找到入口点（锚点），然后系统沿着语义加权的边传播证据。最终结果是一个“Episode bundle”，其评分基于连接查询与信息的强度最高、成本最低的推理路径。

适用对象

  • AI Agent 开发者：构建需要持久、长期情境记忆和程序化记忆的 Agent。
  • 企业知识管理：需要解决复杂的依赖关系和指代消解（例如，知道“她”指的是“Maria”）以在长对话中保持上下文的系统。
  • 构建多用户系统的开发者：利用人脸感知记忆分区，通过生物识别身份来隔离用户数据。

亮点

  • 图驱动检索：在结构化图上使用路径成本优化，而非扁平的相似性排名。
  • 指代消解：在摄取过程中将代词解析为具体的实体，以防止检索空白。
  • 多粒度支持：允许查询从任何级别（Entity、Facet 或 Episode）进入并导航层次结构。
  • 程序化记忆：捕获抽象模式、工作流和决策规则，以实现知识复用。
  • 广泛的集成：支持 50 多种文件格式和包括 Neo4j、LanceDB 和 PostgreSQL 在内的多种数据库。