neo4j-labs/agent-memory

解決的問題

AI代理在長期記憶保持與結構化知識方面經常面臨困難。本專案提供一個圖原生記憶系統，讓代理能夠儲存對話、建立實體與偏好之知識圖譜，並追蹤自身的推理過程，從而從過去的決策中學習。

工作原理

使用 Neo4j 作為後端，實作多層記憶架構：

• 短期記憶：使用向量與文字搜尋儲存會話級對話歷史。
• 長期記憶：使用 POLE+O 模型維護實體、事實與偏好的知識圖譜，並進行實體解析與去重。
• 推理記憶：記錄推理軌跡與工具使用情況，讓代理能檢索類似的過往任務。

系統包含多階段萃取流程（使用 spaCy、GLiNER 或 LLMs），將非結構化文字轉換為圖節點與關係，並提供托管服務（NAMS）與自托管 Bolt 連接兩種方式。

適用對象

需要助手在多個會話中記住使用者偏好、維護複雜世界模型，或提供代理達成特定結論過程之審計追蹤的開發者。

主要亮點

• 多語言 SDK：原生支援 Python 與 TypeScript。
• 廣泛整合：相容 LangChain、Pydantic AI、CrewAI、LlamaIndex 等主流代理框架。
• MCP 伺服器：可直接接入 Claude Desktop 或 Cursor 等 MCP 相容助手，無需撰寫程式碼。
• 生產就緒：包含多租戶作用域、緩衝寫入以提升效能，以及用於評估記憶品質的評估工具集。
• 彈性模型支援：相容 OpenAI、Anthropic、Bedrock、Vertex AI，以及透過 LiteLLM 支援的 100 多個提供者。