我给 Agent 写了一个"记忆层"：不用向量数据库，一个 SQLite 文件就够了

YQteamdyq
5 阅读5分钟

先说说为什么会有这个东西

做 AI Agent 的朋友应该都有过这种感觉：模型本身没有记忆，每次对话都是"失忆"重来。要让 Agent 记住用户偏好、记住上次任务做到哪一步、跨会话复用历史知识，就得自己搭一套记忆系统。

我调研过现成的方案，体验都不太顺：

  1. 上向量数据库（Pinecone、Qdrant、Weaviate 这些），功能确实全，但为了一个记忆功能就要部署一套分布式服务，对小项目和独立开发者来说太重了；

  2. 用云上的记忆服务（比如 Mem0），数据都在别人那里，而且按量付费，用起来总有顾虑；

  3. 自己用内存里的 HashMap 存，重启就没了，更别提语义检索。

我想要的东西其实很朴素：一个文件、一条命令就能跑起来的本地记忆层，装上就能用，数据完全在自己手里。找了一圈没有完全合心意的，于是决定自己写一个。这就是 yq-nova-agent 的由来，8 月 3 号开源，现在在 GitHub 上：github.com/YQteam-dyq/…

它解决什么问题

一句话概括：一个单文件 SQLite 的 Agent 记忆与状态层，核心就三个操作——remember（记住）、recall（回忆）、forget（遗忘）。

具体能干什么：

  • Agent 学会的东西可以跨会话保留下来，重启不丢；
  • 用自然语言就能召回过去存过、语义相关的信息；
  • 能记录实体和它们之间的关系，做简单的图谱推理；
  • 过期的、不重要的记忆会被自动清理，不会无限膨胀。

你不需要为了这些功能去部署任何外部服务，运行时依赖只有一个 SQLite 文件。

设计上几个我觉得值得说的点

记忆三件套，心智模型足够简单

整个 API 刻意收敛成三个动作，没有一堆概念。无论走 HTTP、Rust SDK 还是 CLI，都是同一套语义。

# 记住一条信息，可以打标签、标重要性
yq-nova remember "用户是 Rust 开发者，偏好轻量级工具" --tag user-profile --importance 0.9

# 用自然语言召回
yq-nova recall "用户的技术背景" --top-k 5

# 查询统计
yq-nova stats

不想起 HTTP 服务的话，CLI 直接就能用；想嵌进自己的 Rust 程序，把 yq-nova-core 当库引进去就行。

混合检索：不是只靠向量

早期版本如果只做向量相似度检索，会漏掉很多信息：精确的关键词匹配、实体之间的图关系，这些是纯语义搜索照顾不到的。所以 recall 走了混合路线——把三路信号用 RRF（Reciprocal Rank Fusion）融合排序：

  1. 语义检索（embedding 相似度）
  2. 关键词检索（SQLite FTS5 全文索引）
  3. 图谱信号（实体关系相关度）
# 混合模式 + 图谱增强
yq-nova recall "SQLite 相关的存储方案" --mode hybrid --graph

Embedding 这块做成可插拔的：默认接 OpenAI 兼容接口，也内置了一个 mock provider 方便离线开发和测试。

实体图谱：记忆之间要有关系

光有零散的记忆条目是不够的，信息之间往往有关联。项目里维护了实体-关系图，支持递归 BFS 遍历。比如存了"React 是 UI 库"、"Vue 是 UI 库"，recall 的时候可以顺着图找到相邻概念，这是纯向量检索给不了的上下文。

SQLite 被低估了

很多人觉得 SQLite 只能做玩具，其实配合 WAL 模式、复合索引和 FTS5，做单机记忆层完全够用，而且部署成本几乎是零。数据持久化、事务、迁移都有现成方案，不用自己造轮子。这也是"零外部依赖"这个承诺能成立的原因。

v0.2.0 里补的工程化东西

8 月 6 号发了 v0.2.0，主要补的是"从能跑到能用"的差距：

  • 嵌入式 SDK 模式 EmbeddedNova，不进 HTTP 服务也能在进程内直接用；
  • 本地 ONNX 推理（FastEmbed），不依赖 OpenAI API 也能出向量；
  • HTTP 服务加了 API Token 认证中间件；
  • SQLite 向量索引（sqlite-vec 的 HNSW 后端）；
  • 集成测试 + Criterion 性能基准（KNN、图遍历、embedding）；
  • Docker 镜像和 docker-compose 一键启动；
  • 一个 Python 客户端 yq_nova。
# Docker 起服务，数据落盘在 /data
docker run -p 7999:7999 \
  -v yq-nova-data:/data \
  -e YQ_NOVA_EMBEDDING__DEFAULT_PROVIDER=mock \
  yq-nova serve

认证、可观测性（OpenTelemetry）、基准测试这些虽然是"看不见的功能"，但对真正想在生产里用的人来说是刚需，所以我在 v0.2 里优先把它们补齐了。

说点实话

项目还很新，8 月 3 号才开源，到现在 star 还是 0，issues 里也只有我自己。代码基本都是我一个人在写，18 个 commit。发这篇文章，不是想说自己做了多厉害的东西，而是这个方向（Agent 记忆）我自己踩了不少坑，觉得"轻量 + 本地 + 单文件"的路线是真实存在的需求，想把它介绍给更多有同样困扰的人。

如果你也在做 Agent，对记忆这块有自己的一套想法，或者实际用过之后觉得哪里设计得不对，欢迎来 GitHub 开 issue 聊。尤其想知道的是：你现在的 Agent 记忆是怎么做的？最痛的点在哪？ 这些反馈对我接下来做 v0.3 会很有帮助——目前 v0.3 还在潜心开发中，具体优先做什么，我想多听一些真实场景的声音再定。

如果这个项目对你有用，或者你觉得这个方向有意思，给个 star 就是对我最大的鼓励。

仓库地址：github.com/YQteam-dyq/…

我的 ID 是 YQteam-dyq，欢迎交流。

avatar
文章
阅读
粉丝