aiming-lab/SimpleMem

解决的问题

SimpleMem 解决了 LLM Agent 长期记忆效率低下的问题。传统系统要么存储原始的、冗余的交互历史（这会消耗过多的 Token），要么使用缓慢且昂贵的推理循环来过滤噪声。SimpleMem 提供了一种以高信息密度存储和检索记忆的方法，使 Agent 能够在使用显著减少的 Token 的情况下召回更多信息。

工作原理

SimpleMem 作为一个由三个集成组件组成的统一内存栈运行：

• SimpleMem (Text Core): 使用三阶段流水线（Semantic Structured Compression、Online Semantic Synthesis 和 Intent-Aware Retrieval Planning）将非结构化对话蒸馏为紧凑、自包含的事实，并解决指代关系和绝对时间戳。
• Omni-SimpleMem (Multimodal): 通过熵驱动的选择性摄取、渐进式检索（FAISS + BM25 混合）以及用于跨模态推理的知识图谱增强，将记忆扩展到文本、图像、音频和视频。
• EvolveMem (Self-Evolution): 一个自主研究循环（Evaluate $\rightarrow$ Diagnose $\rightarrow$ Propose $\rightarrow$ Guard），不断调整检索超参数并发现新的检索维度（如查询分解），以随时间推移提高性能。

适用对象

专为构建需要跨多种模态（文本、图像、音频、视频）进行长期、跨会话记忆的 LLM Agent 的开发人员，以及希望在无需手动调整超参数的情况下优化检索性能的开发人员而设计。

亮点

• 多模态支持： 处理文本、图像、音频和视频记忆。
• 语义无损压缩： 与原始历史记录相比，将推理时的 Token 消耗降低约 30 倍。
• 自我进化检索： 通过 LLM 驱动的闭环过程自动优化其自身的检索配置。
• 广泛集成： 通过 Python 集成或作为 MCP (Model Context Protocol) 服务器为 Claude Desktop 和 Cursor 等客户端工作。