fleg45/memoria-framework

README 摘要

Memoria 通用 AI Agent 记忆框架 —— 记忆不是检索，是分流。 大多数 Agent 记忆框架把记忆当检索问题解决：召回一批，塞回 prompt。Memoria 不一样——它按类型把每条记忆分流到它该去的地方：事实进参考信息，偏好进用户画像，技能注册成工具，情绪影响策略，规则变成约束。Agent 跨会话记住的，不只是「更多记忆」，而是「记忆去对了地方」。 安装 可选扩展： Extra 说明 memoria[llm] LLM 驱动的类型自动分类（OpenAI 兼容接口） memoria[vector] 向量检索（Qdrant） memoria[local-embed] 本地向量嵌入（sentence-transformers） memoria[redis] Redis 存储后端 memoria[postgres] PostgreSQL 存储后端 memoria[all] 全部扩展 快速开始 核心概念 五层记忆 （ sensory → working → short term → long term → archive ） - sensory ：感知缓冲，短期原始输入 - working ：工作记忆，当前任务上下文 - short term ：短期记忆，跨会话近期事实 - long term ：长期记忆，稳定知识与经验 - archive ：归档，冷数据（通过 query archive 检索） 八种记忆类型 ： episodic （事件）、 semantic （事实）、 procedural （流程/技能）、 relational （关系）、 affective （情绪）、 spatial （空间）、 social （用户画像）、 meta （规则/约束）。 五管线上下文召回 ： contextual recall() 把召回结果按类型分流成五条管线——reference（参考信息）、profile（用户画像）、skills（技能）、emotion（情绪）、constraints（约束），返回结构化的 MemoryContext ，而不是一个扁平列表。 和 Mem0 / AgentMemory 的区别 Mem0、AgentMemory 把记忆当 检索问题 ：向量召回、重排，把结果一股脑塞回上下文。区别只在谁的 embedding 更强、塞多少条。 Memoria 的假设是：记忆的难处不在「搜到」，在「搜到之后」。每条记忆有各自的去向和保质期，混在一起塞给模型是噪声。所以 recall 不返回扁平列表，而是按类型分流成五条管线，各去各的地方。 另一个实际的差别：Memoria 零 LLM 也能跑。默认 keyword（BM25）索引，不接任何模型 API 就能 store / recall，零 token 成本。 现状与 benchmark Lon…

分类