MemBrain让AI拥有长期记忆系统
MemBrain 是由 FeelingAI 团队开源的长期记忆系统,旨在解决多轮对话及跨会话场景下 AI Agent 的记忆存储与检索问题。该项目采用严格的三层架构设计,通过 Postgres 数据库与 ParadeDB 扩展支持,提供了一套包含原子事实、实体及实体树的核心记忆模型,旨在为 AI 应用提供具备工程化水准的持久化记忆能力。
01核心存储机制
- Fact(原子事实)
记忆的基本单元,采用自然语言陈述,并通过方括号标记实体,时间标注精确遵循 ISO 8601 格式。 - Entity(实体)
用于关联和组织原子事实的关键对象,通过实体标记建立数据间的逻辑联系。 - Entity Tree(实体树)
构建实体的层级关系,支持更复杂的上下文关联与检索路径。 - 数据校验
利用 Pydantic 进行输出层校验,对于不合规的数据自动触发重试机制,确保写入数据的规范性与一致性。
02架构设计解析
MemBrain 采用了领域与层次相结合的二维分层架构,代码总量约 1.7 万行,具有较高的工程纪律性。在领域划分上,系统明确分为 memory(写入域)和 retrieval(检索域)两个独立部分。在层次结构上,遵循单向依赖原则:api 层依赖 application 层,application 层依赖 core 层,core 层依赖 infra 层。值得注意的是,架构严格规定 core 层禁止依赖 infra 层,以保证核心算法的纯粹性。
03检索系统详解
- 六路并行检索
系统集成了 BM25 全文搜索、三种不同 query 策略的向量相似度搜索、Entity Tree beam search 以及由 LLM 生成的 Tantivy 查询。 - 融合策略
采用 RRF(Reciprocal Rank Fusion)算法对多路检索结果进行融合排序。 - 成本控制
在检索逻辑中优先使用确定性算法处理简单情况,仅在面临真正模糊的查询时才调用 LLM,旨在节省 Token 消耗的同时保证准确率。
04工程亮点与局限性
特性评估
工程亮点
体现项目工程化优势的关键设计
- Manifest 驱动的 Agent 编排,更换模型只需修改 JSON 配置
- 具备 Checkpoint/Resume 机制,支持大规模评测任务的断点续传
- 配置即算法,提供大量可调超参数
- 支持 4 个主流长期记忆 benchmark
当前局限
项目在部署与成本方面的制约因素
- 强依赖 PostgreSQL 数据库及 ParadeDB 扩展
- 写入 pipeline 需要多次 LLM 调用,导致运行成本较高
- 目前仅支持单机部署模式
当前文章无评论,是时候发表评论了