LycheeMem/LycheeMem

解決的問題

LycheeMemory 為 LLM Agent 提供了一個輕量級的長期記憶框架，解決了上下文窗口限制以及在長期互動中關鍵資訊遺失的問題。它使 Agent 能夠在不同會話之間保持持久的結構化記憶，在提高召回準確度的同時，減少 Token 消耗與成本。

工作原理

LycheeMemory 將資訊組織成四個專門的儲存庫：

• Working Memory: 使用雙閾值 Token 預算管理活動對話窗口。當達到限制時，它會將較舊的對話輪次壓縮為摘要錨點以釋放空間。
• Semantic Memory: 使用 SQLite 與 LanceDB 將資訊儲存為類型化的 MemoryRecords（例如：事實、偏好、約束條件）。它使用分層記憶樹與 Record Fusion Engine 來對相關資訊進行去重並聚類為複合記錄。
• Procedural Memory: 儲存可重用的技能與方法，利用 HyDE (Hypothetical Document Embeddings) 進行檢索。
• Visual Memory: 一個多模態模組，使用 VLM 進行圖像理解，並使用雙嵌入（標題與 CLIP 視覺）進行跨模態檢索，同時結合艾賓浩斯遺忘曲線進行儲存管理。

該系統採用用於編碼、融合與整合的四模組流水線，並可選擇使用基於 Transformer 的重排序器來提高語義記憶搜尋的精度。

適用對象

適用於正在構建需要長期持久性的 Agent 系統（如使用 OpenClaw、Claude Code 或 Hermes 的系統）的開發者，以及任何需要透過 Python API 或 MCP (Model Context Protocol) 獲取即插即用記憶後端的用戶。

亮點

• 多執行階段支援: 為 OpenClaw、Claude Code 與 Hermes 提供原生外掛，外加一個獨立的 MCP 伺服器。
• 高效的 Token 管理: 透過壓縮工作記憶與智慧檢索，減少 Token 消耗（在某些基準測試中高達 71%）。
• 語義結構化: 將記憶分為七種不同的類型（事實、偏好、事件、約束、程序、失敗模式、工具功能）。
• 多模態能力: 支援文本到圖像與圖像到文本的檢索。
• 動作感知: 追蹤使用統計數據與動作-結果循環，為未來的強化學習信號提供種子。