Mnemosyne：给 AI Agent 装上会遗忘、会学习的大脑
每个 AI Agent 都有失忆症。每次对话从零开始，不能从错误中学习，不能积累专业知识，不能把知道的东西告诉其他 Agent。
这不是一个小问题——这是 Agent 从 Demo 走向生产的最大瓶颈。
Mnemosyne 试图解决这个问题。它不是又一个向量数据库的封装，而是一个 5 层认知架构，灵感来自人脑存储、检索和强化记忆的方式。MIT 开源，TypeScript 实现，42 Star。
为什么 Agent 需要"认知级"记忆？
目前主流的 Agent 记忆方案，大多是"对话历史 + 向量检索"的简单组合。存进去，搜出来，完事。
但真正的记忆远比这复杂：
- 重要的记忆应该持久，琐碎的记忆应该衰减——不是所有信息都同等重要
- 重复使用的记忆应该被强化——就像人脑的"用进废退"
- 矛盾的记忆需要被识别和解决——而不是同时返回两个相互矛盾的事实
- 多个 Agent 之间应该能共享认知——团队协作需要共同记忆
Mnemosyne 把这些学术论文里的概念变成了可运行的生产代码。
5 层架构
L1 基础设施层
- 向量存储：基于 Qdrant，768 维嵌入，HNSW 索引
- 二级缓存：L1 内存（50 条，5 分钟 TTL）+ L2 Redis（1 小时 TTL），缓存召回 < 10ms
- 知识图谱：FalkorDB 上的时序实体图，自动链接 + 路径查找 + 时间线重建
- 双时态模型：每条记忆追踪
eventTime（事件发生时间）和ingestedAt（存入时间）
L2 管线层
这是 Mnemosyne 最核心的差异化：12 步摄入管线，零 LLM 调用。
安全过滤 → 嵌入 → 去重 → 实体提取 → 分类 → 评分 → 链接 → 图谱 → 广播
全部算法化实现，不调用任何大模型。这意味着：
- 每条记忆的存储成本 $0（竞品如 Mem0 每条约 $0.01）
- 延迟 < 50ms（vs. LLM 调用的数百毫秒到数秒）
- 安全过滤器自动拦截 API Key、凭证、私钥等敏感信息
L3 知识图谱层
- 时序查询："X 在某日期与什么关联？"
- 自动链接：新记忆自动发现并链接到相关记忆，双向关联
- 路径查找：任意两个实体之间的最短路径
L4 认知层
这里是最有趣的部分：
激活衰减：对数衰减模型。关键记忆保留数月，琐碎记忆自然消退。核心记忆和程序性记忆免疫衰减。
多信号评分：5 个独立信号——相似度、时效性、重要性×置信度、频率、类型相关性。
意图感知检索：自动检测查询意图（事实查询、时序查询、偏好查询、探索性查询），动态调整评分权重。
多样性重排：防止"回声室效应"——不会返回 10 条语义几乎相同的结果。
L5 自我进化层
强化学习：反馈循环追踪每条记忆的有用程度。检索 3 次以上且有用率 > 0.7 的记忆自动提升权重。
主动合并：4 阶段自主维护——矛盾检测、去重合并、热门提升、陈旧降级。
闪电推理：通过记忆图谱的 BFS 遍历重建多步逻辑链："服务故障 → 配置变更 → 需要回滚"。
Agent 心智理论（ToMA）：多 Agent 场景下，"Agent B 对 X 了解多少？"——跨 Agent 的知识差距分析。
快速上手
npm install mnemosy-ai
# 需要 Qdrant
docker run -d -p 6333:6333 qdrant/qdrant
import { createMnemosyne } from 'mnemosy-ai'
const m = await createMnemosyne({
vectorDbUrl: 'http://localhost:6333',
embeddingUrl: 'http://localhost:11434/v1/embeddings',
agentId: 'my-agent'
})
await m.store({ text: "用户偏好深色模式和 TypeScript" })
const memories = await m.recall({ query: "用户偏好" })
await m.feedback("positive") // 记忆从使用中学习
只需要 Qdrant 作为硬依赖，Redis 和 FalkorDB 可选。
与竞品对比
| 维度 | Mnemosyne | Mem0 | Zep | LangMem |
|---|---|---|---|---|
| 摄入方式 | 算法（零 LLM） | LLM 调用 | LLM 调用 | LLM 调用 |
| 每条记忆成本 | $0 | ~$0.01 | ~$0.01 | ~$0.01 |
| 记忆衰减 | 对数衰减模型 | 无 | 无 | 无 |
| 知识图谱 | 内置（免费） | $249/月 | 无 | 无 |
| 多 Agent 共享 | 原生支持 | 有限 | 无 | 无 |
| 强化学习 | 内置 | 无 | 无 | 无 |
| 安全过滤 | 3 级分类 | 无 | 无 | 无 |
| GitHub Star | 42 | 57,000+ | - | - |
| 协议 | MIT | Apache 2 | BSL | MIT |
Mem0 是这个赛道的 800 磅大猩猩（57k Star），但它的核心路径依赖 LLM 调用，这意味着成本和延迟都更高。Mnemosyne 选择了一条更激进的路线：零 LLM，全算法。
Agent 记忆赛道正在爆发
Mnemosyne 不是孤例。过去两个月，至少 5 个同类项目在 HN 上出现：
- YourMemory（231 Star）：基于艾宾浩斯遗忘曲线的 Agent 记忆，LoCoMo 基准测试比 Mem0 高 16 个百分点
- Memoirs：100% 本地的记忆引擎，SQLite + MCP 协议
- Mnemo：本地优先的 AI Agent 笔记本
- PLUR：零成本的持久化 Agent 记忆
- WUPHF：多 Agent 通过"八卦协议"防止上下文漂移
这些项目的共同趋势：本地优先、零 LLM 依赖、持久化。Agent 记忆正在从"有就行"的附属功能，变成一个独立的基础设施层。
冷思考
Mnemosyne 的愿景很宏大——5 层架构、33 个功能、10 个"AGI 级"能力。但 42 Star 的现实也很骨感。
几个值得关注的问题：
- 零 LLM 的代价：算法化的实体提取和分类，准确率能否匹配 LLM 方案？README 没有给出基准测试数据
- Qdrant 依赖：虽说"只需要 Qdrant"，但在本地跑一个向量数据库的门槛并不低
- 生产验证：宣称"13,000+ memories across a 10-agent mesh"，但没有公开的用户案例
- 维护风险：单人项目（从 commit 历史看），42 Star 的开源项目长期维护是个问号
不过，它提出的问题比它给出的答案更重要：Agent 到底需要什么样的记忆系统？
向量检索显然不够。记忆需要衰减、需要学习、需要推理、需要在多个 Agent 之间流动。这些需求是真实的，只是最佳解法还没有定论。
Mnemosyne 是目前对这些问题回答最完整的开源方案之一。即使你不用它，它的架构设计也值得研究。
GitHub: 28naem-del/mnemosyne | npm: mnemosy-ai | License: MIT