adoresever/graph-memory

解决的问题

Graph Memory 解决了长篇 AI 代理对话中“上下文占用”的问题，即不断增长的消息历史会消耗过多 Token 并降低模型性能。它通过归档旧历史记录，同时确保先前对话或不同工作阶段中的关键知识仍可被检索，从而防止上下文窗口过载。

运作方式

它作为 DeepSeek Harness (DSH) 和 OpenClaw 的内存插件运作。它不会将每条消息保留在活动窗口中，而是仅保留最近的几次对话，并以紧凑的归档标记取代旧历史。它使用基于图的导航层来存储从已完成对话中提取的摘要与主词-述词-宾词 (SPO) 三元组。当需要相关的旧信息时，系统会使用向量搜索（并提供 FTS5 后备机制）来导航图谱，并检索原始问题与最终答案作为证据，而不是仅依赖图谱节点本身作为事实载体。

适用对象

DeepSeek Harness (DSH) 或 OpenClaw 的开发者与用户，他们正在构建需要跨多个对话轮次或多个工作阶段的长期记忆，且希望避免产生巨大 Token 成本的代理程序。

特色亮点

• 显著减少 Token 使用量：在 20 轮对话中，首次请求的 Token 使用量最高可减少 80%。
• 来源支持检索：检索原始来源消息而非仅仅是摘要，确保事实准确性。
• 持久化存储：使用本地 SQLite 实现稳定、跨工作阶段与跨项目的内存存储。
• 轻量级提取：仅提取用户问题与最终答案，忽略推理与工具追踪，保持内存库整洁。
• 灵活搜索：支持与 OpenAI 兼容的嵌入端点进行向量搜索，并具备全文搜索 (FTS5) 后备机制。