AI记忆
2025-06-14 本文已影响0人
桑榆非晚95
| 框架名称 | 功能特点 | 基本原理 | GitHub地址 |
|---|---|---|---|
| Letta | 配置内存块、持久化内存、消息和系统提示、召回内存 | 利用上下文内存设计，展示消息和系统提示，具有核心内存块和召回内存 | https://github.com/LettaMind/Letta |
| Memary | 知识图谱扩展、持久化内存模块、用户偏好跟踪 | 专注于知识图谱扩展，允许“回溯”能力，跟踪用户偏好，实现跨代理知识共享 | https://github.com/kingjulio8238/memary |
| Cognee | 结合即时上下文窗口和快速检索方法 | 推荐结合即时上下文窗口和快速检索方法，减少幻觉，确保准确性 | https://github.com/topoteretes/cognee |
| Graphiti | 实时增量更新、双时态数据模型、高效的混合检索、自定义实体定义、可扩展性 | 构建和查询时间感知的知识图谱，整合用户交互、结构化和非结构化数据，支持增量数据更新和高效检索 | https://github.com/getzep/graphiti |
| Mem0 | 多级记忆、开发者友好的API、跨平台一致性、无需管理的服务 | 增强AI助手和代理的智能记忆层，记住用户偏好，适应个体需求，并随着时间不断改进，适用于客户支持聊天机器人、AI助手和自主系统 | https://github.com/mem0ai/mem0 |
| MemoryScope | 低延时（多线程实现），分层记忆，时间敏感记忆 | MemoryScope 的核心框架包含三个部分： 数据库中间件: 和 ElasticSearch 交互的函数实现，提示词模板等。 Worker库: 能力原子化，抽象成单独的worker，包括query信息过滤、observation抽取，insight更新等20+Worker。 记忆工作流: 每个工作流集成多个Worker，实现“记忆检索”，“记忆巩固”，“反思与再巩固”等核心能力。所谓“记忆巩固”，就是每接收一批聊天记录，从对话中提取重要信息，以observation形式的记忆片段存储在数据库中。“反思与再巩固”，则是对observations进行反思，以insight形式的记忆片段存储起来，确保记忆片段不矛盾和重复。 |
https://github.com/modelscope/MemoryScope |
image.png
