SimpleMem：它是什麼、解決了什麼問題以及為何受到關注

它解決了什麼

SimpleMem 為 LLM 代理提供了一套長期記憶系統，避免了原始、佔用大量 token 的互動歷史與緩慢、昂貴的推理迴圈之間的取捨。它讓代理能在多個會話之間有效地維持上下文並回溯過去資訊，而不必重複處理冗餘資料。

它如何運作

SimpleMem 採用三段式架構來管理記憶：

1. Text Memory：將非結構化的互動壓縮成緊湊、獨立的事實，並解決核心指代與絕對時間戳記。此過程使用語意結構化壓縮、線上合成去除冗餘，以及意圖感知的檢索規劃，以組合出精確的上下文。
2. Multimodal Memory (Omni-SimpleMem)：將上述原則擴展至文字、影像、音訊與影片。它採用熵驅動的過濾機制進行攝取，結合 FAISS 與 BM25 的混合檢索，並以金字塔式 token 預算擴展，同時利用知識圖譜增強跨模態推理。
3. Self-Evolving Retrieval (EvolveMem)：一個自主迴圈（Evaluate → Diagnose → Propose → Guard），利用 LLM 診斷檢索失敗，並自動調整設定（如 top_k 與融合模式），隨時間提升效能。

目標使用者

開發需要在多個會話間保持持久、長期記憶的 LLM 代理的開發者，以及需要將多模態資料（影像、音訊、影片）整合進代理記憶堆疊的使用者。

重點特色

• 語意無損壓縮：在推論時將 token 消耗降低約 30 倍，同時提升召回精度。
• 多模態支援：統一處理文字、影像、音訊與影片記憶。
• 自我優化：檢索機制可根據開發問題集自行演化配置。
• MCP 整合：提供雲端託管服務或透過 Docker 自行部署，兼容 Claude Desktop、Cursor 以及其他 MCP 客戶端。