SuanmoSuanyangTechnology/MemoryBear

解决的问题

MemoryBear 解决了传统 AI 记忆的局限性，例如 LLM 的上下文窗口受限、训练数据静态化，以及 AI 会遗忘早期对话历史的「近期偏差」问题。它还解决了多智能体系统中的数据孤岛问题，即不同智能体无法共享用户偏好或历史记录，以及因术语或上下文依赖性引用导致的推理语义模糊问题。

工作原理

MemoryBear 实现了受认知启发的记忆生命周期：感知、提取、关联和遗忘。它使用 记忆提取引擎 将非结构化数据解析为结构化的三元组（主语-动作-宾语）和时间标签，并将其存储在 Neo4j 图数据库 中以建模复杂关系。为检索信息，它采用 混合搜索 机制，结合关键词匹配（Elasticsearch）和语义向量搜索（BERT）。最后，记忆遗忘引擎 模拟生物的突触修剪，随时间衰减未使用知识的强度；而 自我反思引擎 则定期检查逻辑一致性并优化关联权重。

适用对象

专为需要在不同会话和智能体之间实现长期、动态、个性化记忆的高级 AI 智能体和多智能体系统开发者设计。

主要亮点

• 图优先架构：使用 Neo4j 支持数百万实体和复杂关系边。
• 突触修剪：动态遗忘机制，移除冗余知识以减少浪费。
• 混合检索：结合向量与关键词搜索，实现 92% 的检索准确率。
• 自我反思：自动每日流程，检测逻辑冲突并强化高价值知识。
• 高性能：FastAPI 服务层支持 1000 QPS，延迟低于 50ms。