MemCore Enhanced - 增强版五层记忆系统
基于原版 MemCore，新增四大核心功能：情景记忆、语义压缩、记忆触发器、遗忘曲线
架构概览
┌─────────────────────────────────────────────────────┐
│ Context Memory - 当前对话 (秒-分钟级) │ 原有
│ (滑动窗口 + Token限制) │
├─────────────────────────────────────────────────────┤
│ Task Memory - 任务状态 (分钟-小时级) │ 原有
│ (状态机管理) │
├─────────────────────────────────────────────────────┤
│ User Memory - 用户偏好 (持久化) │ 原有
│ (版本控制) │
├─────────────────────────────────────────────────────┤
│ Knowledge Memory - 外部知识 (持久化) │ 原有
│ (向量检索) │
├─────────────────────────────────────────────────────┤
│ Experience Memory - 执行历史 (长期) │ 原有
│ (强化学习) │
├─────────────────────────────────────────────────────┤
│ ✨ 新增四大功能 │ 增强
├─────────────────────────────────────────────────────┤
│ Episodic Memory - 情景记忆 (事件/结论) │ ✓ 新增
│ (上次讨论X时，结论是Y) │
├─────────────────────────────────────────────────────┤
│ Semantic - 语义压缩 │ ✓ 新增
│ Compression (10条→1条摘要) │
├─────────────────────────────────────────────────────┤
│ Memory Triggers - 记忆触发器 │ ✓ 新增
│ (关键词→自动加载相关记忆) │
├─────────────────────────────────────────────────────┤
│ Forgetting Curve - 遗忘曲线 │ ✓ 新增
│ (艾宾浩斯遗忘模型) │
└─────────────────────────────────────────────────────┘
│ 🔧 额外增强功能 │
├─────────────────────────────────────────────────────┤
│ Persistent Storage - SQLite持久化 │ ✓ 新增
│ Vector Knowledge - 向量语义检索 │ ✓ 新增
│ Conflict Resolver - 智能冲突解决 │ ✓ 新增
│ Confidence Tracker - 记忆置信度跟踪 │ ✓ 新增
└─────────────────────────────────────────────────────┘快速开始
安装依赖
pip install numpy基本使用
from memcore_enhanced import MemCoreEnhanced, MemoryPriority, MemorySource
# 初始化（启用持久化）
mc = MemCoreEnhanced(db_path="~/.memcore/memory.db")
# 记录情景记忆
episode_id = mc.record_episode(
episode_type="discussion",
context_summary="用户询问优化建议",
conclusion="建议添加四个新功能",
related_topics=["MemCore", "AI记忆"],
priority=MemoryPriority.HIGH,
confidence=1.0,
source=MemorySource.EXPLICIT
)
# 查询时触发相关记忆
result = mc.process_input("我想继续弄MemCore")
print(result['suggested_context'])核心功能详解
1. Episodic Memory (情景记忆)
记录具体事件和结论，支持自然语言回忆。
# 记录情景
mc.record_episode(
episode_type="discussion", # discussion | decision | event
context_summary="用户询问优化建议",
conclusion="建议添加四个模块",
related_topics=["MemCore", "AI记忆"],
participants=["user", "assistant"],
priority=MemoryPriority.HIGH
)
# 回忆相关情景
episodes = mc.recall_episodes(topic="MemCore", limit=5)
for ep in episodes:
print(ep.to_natural_language())
# 输出: [2025-01-13 14:30] discussion: 关于 '用户询问优化建议' 的讨论，结论是：建议添加四个模块2. Semantic Compression (语义压缩)
自动压缩冗余信息，保持上下文窗口精简。
# 添加大量对话上下文
for msg in conversation:
mc.add_to_context(msg)
# 超过20条消息时自动触发压缩
mc.compress_memories("context")
# 压缩后保留: [最近2条, {摘要}]3. Memory Triggers (记忆触发器)
关键词触发，自动加载相关背景。
# 创建触发器（也会自动根据情景记忆创建）
mc.create_trigger(
keywords=["项目X", "Project X"],
target_memory_ids=["ep_abc123", "user_pref_456"]
)
# 处理用户输入
result = mc.process_input("我想继续搞项盯x")
# 返回: {
# "triggered": True,
# "loaded_memories": [...],
# "suggested_context": "...",
# "related_knowledge": [...]
# }4. Forgetting Curve (遗忘曲线)
模拟艾宾浩斯遗忘曲线，智能清理低价值记忆。
# 运行遗忘周期（通常每天运行一次）
result = mc.run_forgetting_cycle()
# 返回: {
# "checked": 100, # 检查的记忆数
# "deleted": 5, # 删除的记忆数
# "deleted_ids": [...]
# }
# 查看记忆健康报告
health = mc.get_health_report()Forgetting Score 计算:
9057忘分数 = 1 - R(t)
R(t) = e^(-t/S) + 最近访问奖励 - 压缩惩罚
S = 优先级 × (1 + 访问次数 × 0.1) # 记忆强度5. Persistent Storage (持久化存储)
SQLite 数据库持久化存储，支持跨会话记忆。
# 初始化时指定数据库路径
mc = MemCoreEnhanced(db_path="~/.memcore/memory.db")
# 所有操作自动持久化
# - 情景记忆
# - 用户偏好
# - 触发器
# - 任务状态
# 重启后自动恢复
mc2 = MemCoreEnhanced(db_path="~/.memcore/memory.db")
# 所有记忆已加载6. Vector Knowledge (向量知识检索)
语义相似度检索，无需精确关键词匹配。
# 添加知识
mc.add_knowledge(
content="MemCore 采用五层记忆架构",
metadata={"topics": ["architecture", "MemCore"]},
source="docs"
)
# 语义查询
results = mc.query_knowledge("记忆系统怎么设计的？")
# 返回高相似度结果，即使关键词不完全匹配支持外部 Embedding 模型：
from vector_knowledge import OpenAIEmbeddingWrapper
mc = MemCoreEnhanced(
embedding_fn=OpenAIEmbeddingWrapper(api_key="sk-...")
)7. Conflict Resolution (记忆冲突解决)
自动检测并解决新旧记忆矛盾。
# 当记录新记忆时自动检测冲突
mc.record_episode(
context_summary="用户偏好",
conclusion="用户喜欢Python"
)
mc.record_episode(
context_summary="用户偏好",
conclusion="用户讨厌Python" # 检测到矛盾！
)
# 解决策略:
# - TIME_PRIORITY: 新的覆盖旧的
# - CONFIDENCE_PRIORITY: 高置信度优先
# - MERGE: 尝试合并
# - KEEP_BOTH: 保留两者8. Confidence Tracking (记忆置信度跟踪)
每条记忆都有置信度和来源溯源。
# 注册时指定来源和置信度
mc.record_episode(
context_summary="用户告知姓名",
conclusion="用户叫露丝",
confidence=1.0,
source=MemorySource.EXPLICIT # 用户明确说的
)
# 用户验证增加置信度
mc.confidence_tracker.verify("ep_xxx", verifier="user")
# 用户否认降低置信度
mc.confidence_tracker.contradict("ep_xxx", reason="姓名错误")
# 查看置信度报告
report = mc.confidence_tracker.get_confidence_report("ep_xxx")
# {
# "effective_confidence": 0.95,
# "trust_level": "💚 高度可信"
# }高级使用
与原版 MemCore 兼容
# 也可以单独使用原有层
from memcore_enhanced import ContextMemory, TaskMemory, UserMemory
context = ContextMemory(max_messages=20, max_tokens=4000)
context.add_message("user", "Hello")
messages = context.get_context()用户偏好管理
# 更新用户偏好
mc.update_user_preference(
user_id="user_123",
key="response_style",
value="concise",
confidence=1.0,
source=MemorySource.EXPLICIT
)
# 查询用户偏好
prefs = mc.backend.load_user_memory("user_123")健康监控
# 获取系统健康报告
health = mc.get_health_report()
# {
# "episodic_memory": {"count": 100, "by_priority": {...}},
# "triggers": {"count": 20, "total_triggered": 150},
# "knowledge": {...},
# "database": {...}
# }
# 查看低置信度记忆
low_conf = mc.confidence_tracker.get_low_confidence_memories(threshold=0.5)API 参考
MemCoreEnhanced
主要类，提供统一入口。
Methods:
record_episode(...)- 记录情景recall_episodes(...)- 回忆情景create_trigger(...)- 创建触发器process_input(text)- 处理输入add_knowledge(...)- 添加知识query_knowledge(...)- 查询知识run_forgetting_cycle()- 运行遗忘get_health_report()- 健康报告
枚举类
MemoryPriority: CRITICAL, HIGH, MEDIUM, LOW, EPHEMERAL
MemorySource: EXPLICIT, IMPLICIT, INFERRED, IMPORTED, DERIVED
ConflictStrategy: TIME_PRIORITY, CONFIDENCE_PRIORITY, MERGE, KEEP_BOTH, MANUAL_REVIEW
性能指标
| 操作 | 复杂度 |
|---|---|
| 记录情景 | O(1) |
| 回忆查询 | O(n) |
| 触发器检查 | O(m×k) |
| 向量检索 | O(n) |
| 数据库查询 | O(log n) |
版本历史
- v0.2.0 - 增强版
- 新增情景记忆 - 新增语义压缩 - 新增记忆触发器 - 新增遗忘曲线 - 新增SQLite持久化 - 新增向量检索 - 新增冲突解决 - 新增置信度跟踪
- v0.1.0 - 原版
- 五层记忆架构
贡献者
- 原版架构: @laojun509
- 增强版协助: Hermes Agent (露丝)
许可证
MIT-0 - 完全开源，可自由使用、修改和分发