caspianmoon/memoripy

解决的问题

Memoripy 旨在防止 AI 代理遭受“记忆体污染”——即摄取噪音、矛盾事实或不受信任的指令。它解决了维护一个可靠、基于证据的记忆体存储问题，让代理能够追踪事实随时间的变化，并准确解释为何回想起特定信息。

运作方式

Memoripy 实现了一个本地记忆体运行时，将来源与验证置于简单存储之上。它使用了几个关键机制：

• 准入屏障： 一项正式策略，在传入数据成为持久记忆之前，过滤掉噪音、心跳信号或不受信任的外部指令。
• 双时态记录： 它同时追踪事实被观察的时间和有效的时间，让系统能够区分当前真相与历史证据。
• 多通道检索： 它不依赖单一搜索方法，而是使用倒数排名融合结合多个“通道”（词汇 BM25、语义相似度、实体重叠等），以确保找到最相关的记忆。
• 收据与引用： 每个被回想的记忆都包含一个解释检索逻辑的“收据”，以及链接回原始来源资料的引用。
• 范围隔离： 记忆严格按用户、代理、项目或组织进行分区，以防止跨边界的数据泄露。

适用对象

正在构建 AI 代理的开发者，且这些代理需要高可靠性的记忆、严格的数据隔离，以及审计记忆状态是否存在矛盾或中毒的能力。

亮点

• 证据优先方法： 通过拒绝将检索到的记忆重新摄取为新证据，来防止反馈循环。
• 本地优先： 在本地运行，没有强制的第三方依赖，尽管它支持外部嵌入模型和像 Postgres/pgvector 这样的数据库。
• 审计 CLI： 一个命令行工具，用于检测记忆存储中的重复项、冲突事实和敏感数据。
• MCP 服务器： 包含一个官方的模型上下文协议 (MCP) 服务器，以便与兼容的代理轻松集成。
• 记忆合约： 一个供应商中立的框架，用于针对特定测试用例评估和基准测试记忆行为。