LycheeMem/LycheeMem

解决的问题

LycheeMemory 为 LLM Agent 提供了一个轻量级的长期记忆框架，解决了上下文窗口限制以及在长期交互中关键信息丢失的问题。它使 Agent 能够在不同会话之间保持持久的结构化记忆，在提高召回准确性的同时，减少 Token 消耗和成本。

工作原理

LycheeMemory 将信息组织成四个专门的存储库：

• Working Memory: 使用双阈值 Token 预算管理活动对话窗口。当达到限制时，它会将较旧的对话轮次压缩为摘要锚点以释放空间。
• Semantic Memory: 使用 SQLite 和 LanceDB 将信息存储为类型化的 MemoryRecords（例如：事实、偏好、约束条件）。它使用分层记忆树和 Record Fusion Engine 来对相关信息进行去重并聚类为复合记录。
• Procedural Memory: 存储可重用的技能和方法，利用 HyDE (Hypothetical Document Embeddings) 进行检索。
• Visual Memory: 一个多模态模块，使用 VLM 进行图像理解，并使用双嵌入（标题和 CLIP 视觉）进行跨模态检索，同时结合艾宾浩斯遗忘曲线进行存储管理。

该系统采用用于编码、融合和整合的四模块流水线，并可选择使用基于 Transformer 的重排序器来提高语义记忆搜索的精度。

适用对象

适用于正在构建需要长期持久性的 Agent 系统（如使用 OpenClaw、Claude Code 或 Hermes 的系统）的开发者，以及任何需要通过 Python API 或 MCP (Model Context Protocol) 获取即插即用记忆后端的用户。

亮点

• 多运行时支持: 为 OpenClaw、Claude Code 和 Hermes 提供原生插件，外加一个独立的 MCP 服务器。
• 高效的 Token 管理: 通过压缩工作记忆和智能检索，减少 Token 消耗（在某些基准测试中高达 71%）。
• 语义结构化: 将记忆分为七种不同的类型（事实、偏好、事件、约束、程序、失败模式、工具功能）。
• 多模态能力: 支持文本到图像和图像到文本的检索。
• 动作感知: 跟踪使用统计数据和动作-结果循环，为未来的强化学习信号提供种子。