ruvnet/RuVector

解决的问题

RuVector 为 AI 代理的内存和决策提供高速、本地优先的底层架构。它消除了基本语义检索对外部数据库服务器或 API 密钥的需求，使代理能够在会话间保持持久内存，并在无需每次任务都调用完整大语言模型（LLM）的情况下，快速做出类型化的决策。

工作原理

RuVector 使用原生 Rust 核心处理向量嵌入和存储。它支持本地语义嵌入（通过 ONNX）和持久化向量检索。系统围绕“记忆循环”构建，代理捕获事件，将其持久化为向量，通过相似性或图关系进行回忆，并记录结果以适应未来行为。它提供多种记忆类型，包括工作记忆、情景记忆、语义记忆、程序性记忆和因果记忆，并提供压缩（量化）、时间衰减（优先近期记忆）和基于图的重建工具。

适用人群

专为需要低延迟本地内存、在 Node.js 或 Rust 应用中嵌入持久性，或无需依赖托管向量数据库即可构建复杂记忆架构（如 Reflexion 或多跳知识图谱）的开发者设计。

主要亮点

• 本地优先执行：使用 ONNX 在本地执行语义嵌入和向量搜索，降低延迟和 API 成本。
• 类型化决策引擎：专为有限任务（如意图分类）设计的工具，返回置信度和回避信息的速度比完整 LLM 更快。
• 全面的记忆类型：支持广泛的记忆结构，包括情景记忆、程序性记忆和因果/图记忆。
• 可扩展的持久化：提供多种存储后端，包括本地文件的 VectorDB、PostgreSQL 扩展和浏览器端的 WASM 存储。
• 因果与关系记忆：包含图和超图存储，支持显式关系和多跳回忆。
• 防篡改的溯源记录：使用哈希链接记录和见证日志确保记忆完整性。