RichmondAlake/memorizz

解决的问题

Memorizz 是一个用于构建可在会话和对话间记忆信息的 AI 代理的框架。它通过提供结构化的多层记忆系统和持续学习的控制平面，解决了 LLM 的「遗忘」问题，使代理能够随着时间推移保持并优化知识。

工作原理

该框架实现了多种记忆类型（情景记忆、语义记忆、程序记忆、短期记忆和共享记忆），并支持可插拔的存储提供者，如 MongoDB、Oracle 或本地文件系统。框架使用语义检索（嵌入和向量搜索）和实体记忆来处理类似个人资料的事实。它还具备一个「元 harness」，可在共享记忆和策略控制平面后运行其他编码代理（如 Claude Code 或 OpenHands）。

适用人群

开发记忆增强型 AI 代理的开发者、探索 LLM 中持续学习的研究人员，以及希望拥有本地 Web UI 和 CLI 的持久化、个性化 AI 助手的用户。

主要亮点

• 多层记忆：支持情景记忆、语义记忆、程序记忆和短期记忆系统。
• 持续学习：自动将成功的工具工作流提升为可重用的技能。
• 元 harness：一个控制平面，用于在共享记忆和主机验证结果下运行外部代理（如 Codex、OpenHands）。
• MCP 连接性：对 Model Context Protocol (MCP) 提供原生支持，可连接 Notion、Google 日历等工具。
• 本地 LLM 支持：原生集成 Hugging Face、MLX（Apple Silicon）、Ollama 和 OpenAI 兼容服务器。
• 生产治理：包含持久的主机审批、沙箱代码执行和上下文窗口遥测。