neo4j-labs/agent-memory

解决的问题

AI代理在长期记忆保持和结构化知识方面常常面临困难。本项目提供了一个图原生内存系统，使代理能够存储对话、构建实体和偏好的知识图谱，并追踪自身的推理过程，从而从过去的决策中学习。

工作原理

它使用 Neo4j 作为后端，实现多层内存架构：

• 短期记忆：使用向量和文本搜索存储会话级对话历史。
• 长期记忆：使用 POLE+O 模型维护实体、事实和偏好的知识图谱，并进行实体解析和去重。
• 推理记忆：记录推理轨迹和工具使用情况，以便代理能够检索类似的过往任务。

系统包含一个多阶段提取管道（使用 spaCy、GLiNER 或 LLMs），将非结构化文本转换为图节点和关系，并提供托管服务（NAMS）和自托管 Bolt 连接两种方式。

适用人群

需要助手在多个会话中记住用户偏好、维护复杂世界模型，或提供代理得出特定结论过程的审计追踪的开发者。

主要亮点

• 多语言 SDK：原生支持 Python 和 TypeScript。
• 广泛集成：兼容 LangChain、Pydantic AI、CrewAI、LlamaIndex 等主流代理框架。
• MCP 服务器：可直接接入 Claude Desktop 或 Cursor 等 MCP 兼容助手，无需编写代码。
• 生产就绪：包含多租户作用域、缓冲写入以提升性能，以及用于评估内存质量的评估工具集。
• 灵活的模型支持：兼容 OpenAI、Anthropic、Bedrock、Vertex AI，以及通过 LiteLLM 支持的 100 多个提供商。