SuanmoSuanyangTechnology/MemoryBear

解決的問題

MemoryBear 解決了傳統 AI 記憶的限制，例如 LLM 的小上下文視窗、訓練資料的靜態性，以及多個 AI 代理無法共享資訊所產生的「資料孤島」問題。它旨在透過模擬生物記憶過程，將 AI 從被動的資料檢索轉變為主動的認知輔助。

工作原理

MemoryBear 實現了感知、提取、關聯與遺忘的生命周期：

• 提取：將非結構化對話與文件解析為結構化的三元組（主語-動作-賓語）與時間標籤。
• 儲存：採用圖優先架構，利用 Neo4j 建模複雜關係（因果、時間、邏輯），並使用 PostgreSQL 儲存主資料。
• 檢索：混合搜尋引擎結合 Elasticsearch 的精確關鍵字匹配與 BERT 嵌入的語意向量搜尋。
• 遺忘：透過「突觸修剪」引擎，根據使用頻率與時間動態衰減知識，移除冗餘資料以維持效率。
• 反思：定期檢查邏輯衝突，並根據近期使用情況優化關係權重。

適用對象

需要長期、動態記憶、個人化使用者歷程，並能在不同專業代理間維持一致狀態的複雜 AI 代理或多代理系統開發者。

核心亮點

• 生物啟發：模擬海馬體與新皮質的編碼與整合過程。
• 混合檢索：結合關鍵字與向量檢索，準確率達 92%。
• 動態遺忘：透過修剪低價值知識，減少超過 60% 的資源浪費。
• 圖譜記憶：基於 Neo4j 支援數百萬實體與數千萬關係邊。
• 自我反思：自動檢測邏輯衝突並強化高價值資訊。