mnemosyne: Mnemosyne: 本地優先 AI 記憶層

off_topic: false summary: Mnemosyne 是一個本地優先、以 SQLite 為後端的 AI 代理記憶層，提供工作記憶、情節記憶以及時間知識圖譜（TripleStore），無需外部服務或雲端依賴。 how_it_works: Mnemosyne 使用 BEAM 架構，分為三層：工作記憶（帶 TTL 的熱點上下文）、情節記憶（使用 sqlite-vec 和 FTS5 進行混合向量與關鍵字搜尋的長期存儲），以及用於時間知識圖譜的 TripleStore。它結合向量相似度（50%）、FTS5 排名（30%）和重要性（20%）進行評分，並使用二進制向量壓縮（MIB）在 SQLite 中高效存儲嵌入向量。 key_features:

  • 透過 MCP 或直接 SDK 與多個代理框架合作（Cursor, Claude Code, Codex, OpenWebUI, OpenClaw, Hermes 等）
  • 除了 Python 之外零依賴（可選擇的額外功能用於嵌入和完整特性）
  • 內建 MCP 伺服器，用於 stdio 或 SSE 傳輸
  • 用於直接整合的 Python SDK
  • 用於記憶操作的 CLI（存儲、回顧、統計、睡眠、匯入/匯出、同步）
  • 在 LongMemEval 上基準測試（98.9% Recall@All@5）以及 BEAM（在 100K 規模下端到端 QA 達 65.2%）
  • 預設為本地優先，可選擇加密同步
  • 可透過環境變數進行配置（嵌入模型、權重等）
  • 適用於 Hermes Agent 使用者的 Hermes 外掛
  • 實例之間的雙向記憶體同步（Mnemosyne Sync） limitations:
  • BEAM 基準測試結果來自 v3.0.0（2026 年 5 月），不包含後續增強功能（多聲道回顧、增強回顧、SHMR、人格層）
  • BEAM 檢索在各規模上顯示平坦的 20% Recall@10（絕對值較低，但值得注意的是它不會隨規模而降低）
  • LongMemEval 對於 Mnemosyne 的指標（Recall@All@5）無法直接與他人的 Recall@5 進行比較
  • BEAM 端到端 QA 分數使用了不同的評判者（Llama 3.3 70B 結合 DeepSeek V4 Flash），與某些競爭者不同，限制了直接比較
  • 在當前代碼庫上重新運行基準測試是一項未完成的任務

Sources