SuanmoSuanyangTechnology/MemoryBear

解决的问题

MemoryBear 解决了传统 AI 记忆的局限性，例如 LLM 的小上下文窗口、训练数据的静态性，以及多个 AI 代理之间无法共享信息所导致的“数据孤岛”问题。它旨在通过模拟生物记忆过程，将 AI 从被动的数据检索转变为积极的认知辅助。

工作原理

MemoryBear 实现了感知、提取、关联和遗忘的生命周期：

• 提取：将非结构化对话和文档解析为结构化的三元组（主语-动作-宾语）和时间标签。
• 存储：采用以图优先的架构，利用 Neo4j 建模复杂关系（因果、时间、逻辑），并使用 PostgreSQL 存储主数据。
• 检索：混合搜索引擎结合 Elasticsearch 的精确关键词匹配和 BERT 嵌入的语义向量搜索。
• 遗忘：通过“突触修剪”引擎，根据使用频率和时间动态衰减知识，移除冗余数据以保持效率。
• 反思：定期检查逻辑冲突，并根据近期使用情况优化关系权重。

适用人群

需要长期、动态记忆、个性化用户历史，并能在不同专业代理间保持一致状态的复杂 AI 代理或多代理系统开发者。

核心亮点

• 生物启发：模仿海马体和新皮层的编码与整合过程。
• 混合检索：结合关键词与向量检索，准确率达 92%。
• 动态遗忘：通过修剪低价值知识，减少超过 60% 的资源浪费。
• 图谱记忆：基于 Neo4j 支持数百万实体和数千万关系边。
• 自我反思：自动检测逻辑冲突并强化高价值信息。