maske-neural-memory（掩模神经记忆）

Neural Memory — 神经记忆系统

一句话描述: 使用传播激活的联想记忆，实现持久、智能的回忆。

功能概述

生物启发的记忆系统，使用传播激活代替关键词/向量搜索。记忆形成神经图，神经元通过20种类型突触连接。频繁共同访问的记忆加强连接（赫布学习）。陈旧记忆自然衰减。矛盾自动检测。

为什么不只是向量搜索？ 向量搜索找到与查询相似的文档。NeuralMemory通过图遍历找到*概念相关*的记忆 — 即使没有关键词或嵌入重叠。

核心特性

• 零LLM依赖 — 纯算法：正则、图遍历、赫布学习
• 传播激活 — 通过神经图进行联想回忆，非关键词/向量搜索
• 20种突触类型 — 时间(BEFORE/AFTER)、因果(CAUSED_BY/LEADS_TO)、语义(IS_A/HAS_PROPERTY)、情感(FELT/EVOKES)、冲突(CONTRADICTS)
• 记忆生命周期 — 短期→工作→情景→语义，带艾宾浩斯衰减
• 矛盾检测 — 自动检测冲突记忆，降低过时记忆优先级
• 赫布学习 — "一起激发的神经元连在一起" — 记忆随使用改善
• 时间推理 — 因果链遍历、事件序列、时间范围查询

深度级别

工具参考

核心记忆工具

智能工具

管理工具

使用示例

记住决策

nmem_remember(
  content="生产用PostgreSQL，开发用SQLite",
  type="decision",
  tags=["database", "infrastructure"],
  priority=8
)

联想回忆

nmem_recall(
  query="生产环境数据库配置",
  depth=1,
  max_tokens=500
)

返回通过图遍历找到的记忆，非关键词匹配。相关记忆（如"部署使用Docker与pg_dump备份"）即使没有共享关键词也会浮现。

追踪因果链

nmem_recall(
  query="上周部署为什么失败？",
  depth=2
)

跟随CAUSED_BY和LEADS_TO突触追踪因果关系链。

从对话自动捕获

nmem_auto(
  action="process",
  text="我们决定从REST切换到GraphQL，因为前端需要灵活查询。迁移需要2个sprint。TODO: 更新API文档。"
)

自动提取：1个决策、1个事实、1个TODO。

工作流

会话开始时

1. 调用 nmem_context 将最近记忆注入意识
2. 如果用户提及特定主题，调用 nmem_recall

对话期间

1. 做出决策时：nmem_remember type="decision"
2. 发生错误时：nmem_remember type="error"
3. 用户陈述偏好时：nmem_remember type="preference"
4. 被问及过去事件时：nmem_recall

会话结束时

1. 调用 nmem_auto action="process" 处理重要对话片段
2. 自动提取事实、决策、错误和TODO

核心参数

版本历史

*🎩 马斯克出品 | 打造地表最强智能体*