LycheeMem/LycheeMem
Lightweight Long-Term Memory for LLM Agents.
What it solves
LycheeMemory 提供一套轻量级的长期记忆基础设施，解决了上下文窗口限制以及跨会话信息丢失的问题。它让代理能够持续保存关于用户、偏好与过去事件的知识，而不必完全依赖庞大的上下文窗口或简单的平面向量存储。
How it works
LycheeMemory 将记忆组织为四个专门的存储区：
- Working Memory: 使用双阈值 token 预算管理当前对话。当预算接近满额时会触发后台压缩（摘要），以保持上下文精简。
- Semantic Memory: 采用层级记忆树（SQLite + LanceDB）存储类型化记录（事实、偏好、事件、约束等）。通过“Record Fusion Engine”将相似记忆合并为更密集的复合记录，并使用 transformer‑based reranker 提升检索准确性。
- Procedural Memory: 存储可复用的技能和方法，利用 HyDE（Hypothetical Document Embeddings）进行检索。
- Visual Memory: 多模态存储，使用 VLM 进行图像理解，并以双嵌入（caption + CLIP）实现跨模态检索，结合艾宾浩斯遗忘曲线管理数据。
系统可以通过 Python API、HTTP MCP（Model Context Protocol）服务器，或 OpenClaw、Claude Code、Hermes 等代理运行时的原生插件进行集成。
Who it’s for
它面向构建需要持久长期记忆、自动回忆用户偏好，并能够在多次会话中从过去的失败与成功中学习的代理系统的开发者。
Highlights
- Multi-layered Storage: 结合 SQLite、LanceDB 与文件系统，实现高效检索和存储。
- Action-Aware Memory: 跟踪使用统计和失败模式，为未来的强化学习信号提供种子。
- MCP Compatible: 可通过 HTTP 端点轻松与任何 MCP 兼容客户端集成。
- Automatic Consolidation: 提供类型抽取、去上下文化和层级聚类的流水线。
- Transformer Reranker: 包含专用的 reranker，以提升语义搜索时证据选择的精确度。