aayoawoyemi/Ori-Mnemos

解决的问题

Ori Mnemos 为 AI 代理提供了持久、本地优先的记忆基础设施。它通过允许代理使用磁盘上的纯 Markdown 文件，跨会话、客户端和机器存储与检索信息，解决了上下文窗口限制和供应商锁定的问题，从而消除了对昂贵的云端向量数据库的需求。

运作方式

Ori 实现了一个“递归记忆套件”（RMH），将记忆视为可导航的知识图谱，而非扁平的文档列表。它使用 wiki-links 作为边，并结合四种检索信号——语义嵌入、BM25 关键词匹配、Personalized PageRank 和关联温度——来寻找信息。

该系统采用了受认知启发的机制：

• 激活衰减：笔记会随时间根据 ACT-R 方程淡出，除非它们被频繁访问。
• 递归探索：复杂的查询会被分解为子问题，并在图谱中遍历直到收敛。
• 检索智能：系统使用 Q 值重排序和赫布学习，在共同检索的笔记之间增长边，有效地从自身的使用模式中学习。

适用对象

正在构建 AI 代理的开发者，他们需要在模型变更或客户端切换后仍能存活的长期、便携式记忆，以及那些希望完全拥有数据所有权而不依赖云端 API 的人。

亮点

• 零云端依赖：使用本地嵌入和 SQLite 进行索引，核心功能无需任何 API 密钥。
• 本地优先存储：数据以人类可读的 Markdown 文件存储，使其对 Git 友好且易于携带。
• MCP 集成：提供具有 16 个工具的 Model Context Protocol (MCP) 服务器，可与 Claude Code、Cursor 和 Hermes 等代理无缝集成。
• 高性能：在多跳检索基准测试 中优于现有系统，并在长期对话记忆 上媲美顶级系统。
• Token 效率：通过仅检索相关片段而非将整个知识库倾倒至上下文窗口中，大幅降低 Token 成本。