标题: 我开源了一个 AI Agent 三层记忆系统：语义 + 情景 + 程序性记忆
标签: AI, LLM, Agent, 开源, RAG
问题
我在构建 AI Agent 时遇到一个反复出现的问题：Agent 不断犯同样的错误。
部署应用 → 忘了数据库迁移 → 数据库崩溃。下次运行，同样的事情再次发生。
把"使用 PostgreSQL"存为事实并没有用。Agent 需要记住发生了什么以及流程应该如何改变。
认知科学的启发
人类使用三种记忆：
| 记忆类型 | 存储内容 | 例子 |
|---|---|---|
| 语义记忆 | 事实、知识 | "项目使用 Railway 部署" |
| 情景记忆 | 事件和结果 | "5月12日部署失败，忘了迁移" |
| 程序性记忆 | 工作流程 | "部署流程：构建→迁移→推送→部署" |
目前大多数 Agent 记忆系统只实现了语义记忆。我把三层都实现了，并且开源了。
架构
1. 语义记忆 — 实体知识图谱
基于实体的知识图谱，事实挂载在实体上，实体之间有类型化关系。
实体: "Railway" (技术)
事实: ["用于部署", "需要预检查迁移"]
关系: → used_by → "项目X"
检索管线：Vector (HNSW) → BM25 (ts_rank_cd) → RRF 融合 → 图扩展 → 时间衰减+MMR → 重排序
2. 情景记忆 — 带结果的事件
从对话中提取事件，包含时间、参与者，以及关键的结果（成功/失败/待定）。
json
{
"summary": "数据库因缺少迁移而崩溃",
"outcome": "已解决",
"resolution": "添加了部署前迁移检查",
"date": "2025-05-12"
}
```
当 Agent 遇到类似情况时，情景搜索会返回过去的经验——什么有效，什么失败了。
### 3. 程序性记忆 — 会进化的工作流
这是最核心的部分。程序是从对话中提取的多步骤工作流。当程序失败时，它会自动进化：
```
v1: 构建 → 推送 → 部署
↓ 失败：忘了迁移
v2: 构建 → 运行迁移 → 推送 → 部署
↓ 失败：内存溢出
v3: 构建 → 运行迁移 → 检查内存 → 推送 → 部署 ✓
每个程序跟踪成功/失败次数，Agent 可以评估可靠性。
提取管线
单次 LLM 调用从对话中提取所有三种类型。去重使用 embedding 相似度（阈值 0.85）+ 大小写无关的名称匹配。
支持的 LLM：
- 云端：OpenAI GPT 系列
- 本地：Ollama（Llama 3.1 8B+、Mistral 7B、Gemma2 9B）
快速开始
bash
pip install mengram-ai
python
from mengram import Mengram
m = Mengram(api_key="om-...")
# 添加对话 — 自动提取三种记忆
m.add([
{"role": "user", "content": "今天部署到 Railway，构建通过但忘了迁移，数据库崩了。加了预检查修复了。"}
])
# 统一搜索
results = m.search_all("部署问题")
# → {semantic: [...], episodic: [...], procedural: [...]}
# 程序反馈 — 触发进化
m.procedure_feedback(proc_id, success=False, context="第3步内存溢出")
也提供 JavaScript SDK、REST API 和 MCP Server（支持 Claude Desktop、Cursor）。
技术栈
- Python + FastAPI
- PostgreSQL + pgvector（HNSW 索引）
- BM25 混合搜索（tsvector + ts_rank_cd）
- OpenAI / Ollama 本地推理
开源
GitHub: github.com/alibaizhano…
Apache 2.0 许可证，免费使用。支持自托管（Ollama）或云端。
免费额度：每月 30 次添加、100 次搜索。
如果你也在做 Agent 记忆相关的工作，欢迎交流。特别想了解大家对"程序性记忆"的看法——有没有更好的方法来解决 Agent 重复犯错的问题？
