aiming-lab/SimpleMem

解決的問題

SimpleMem 解決了 LLM Agent 長期記憶效率低下的問題。傳統系統要麼儲存原始的、冗餘的互動歷史（這會消耗過多的 Token），要麼使用緩慢且昂貴的推理循環來過濾雜訊。SimpleMem 提供了一種以高資訊密度儲存與檢索記憶的方法，使 Agent 能夠在使用顯著減少的 Token 的情況下召回更多資訊。

工作原理

SimpleMem 作為一個由三個集成組件組成的統一記憶棧運行：

• SimpleMem (Text Core): 使用三階段流水線（Semantic Structured Compression、Online Semantic Synthesis 與 Intent-Aware Retrieval Planning）將非結構化對話蒸餾為緊湊、自包含的事實，並解決指代關係與絕對時間戳。
• Omni-SimpleMem (Multimodal): 透過熵驅動的選擇性攝取、漸進式檢索（FAISS + BM25 混合）以及用於跨模態推理的知識圖譜增強，將記憶擴展到文本、圖像、音訊與影片。
• EvolveMem (Self-Evolution): 一個自主研究循環（Evaluate $\rightarrow$ Diagnose $\rightarrow$ Propose $\rightarrow$ Guard），不斷調整檢索超參數並發現新的檢索維度（如查詢分解），以隨時間推移提高性能。

適用對象

專為構建需要跨多種模態（文本、圖像、音訊、影片）進行長期、跨會話記憶的 LLM Agent 的開發人員，以及希望在無需手動調整超參數的情況下優化檢索性能的開發人員而設計。

亮點

• 多模態支援： 處理文本、圖像、音訊與影片記憶。
• 語義無損壓縮： 與原始歷史記錄相比，將推理時的 Token 消耗降低約 30 倍。
• 自我進化檢索： 透過 LLM 驅動的閉環過程自動優化其自身的檢索配置。
• 廣泛集成： 透過 Python 集成或作為 MCP (Model Context Protocol) 伺服器為 Claude Desktop 與 Cursor 等用戶端工作。