memRagAgent - 智能认知记忆系统产品系统

系统适用于智能客服、个人助理、知识问答、代码审查等场景。通过多租户架构和 API Key 认证，支持 SaaS 化部署。记忆增强能力使其特别适合需要长期交互和个性化服务的场景，如教育辅导、心理咨询、企业知识管理等。

**1. 记忆增强检索（Memory RAG）**
系统创新性地实现了三层记忆架构：情节记忆（Episodic）记录具体对话场景，语义记忆（Semantic）提炼知识概念，程序记忆（Procedural）存储操作流程。通过向量检索和语义匹配技术，系统能够从海量历史对话中精准召回相关上下文，使 AI 具备真正的"记忆力"。相比传统 RAG 只检索静态文档，Memory RAG 能够从动态对话中持续学习，实现知识的自动积累和进化。

**2. 自我学习与进化机制**
系统在每次对话后自动触发学习闭环：首先将对话存入情节记忆，然后通过 LLM 提取知识洞察（Knowledge Insights），识别用户偏好、行为模式和领域知识，最后聚合生成用户画像（User Profile）。这种机制使 AI 能够"记住"每个用户的特点，提供个性化服务，并且随着交互次数增加，回复质量持续提升。

**3. MCP 工具编排系统**
基于 Model Context Protocol 设计的工具系统，支持动态注册和编排外部能力。系统通过意图分析自动判断是否需要调用工具，由 LLM 决策选择合适的工具和参数，执行后将结果融入回复生成。目前已实现八字排盘、文件读取、知识检索等工具，架构支持无限扩展。

**4. 知识图谱深度集成**
采用 Neo4j 图数据库构建知识图谱，支持实体关系建模、路径查询和社区发现。知识图谱与向量检索互补，前者擅长结构化关系推理，后者擅长语义相似度匹配，两者结合实现了更强大的知识检索能力。

**5. 微服务架构设计**
系统采用前后端分离的微服务架构：认知服务（FastAPI）负责意图理解和回复生成，记忆服务（Flask）管理三层记忆和 RAG 检索，知识服务（Flask）处理知识库和图谱。服务间通过 HTTP API 通信，支持独立部署和水平扩展。

本项目由我独立设计和开发完成，使用 AI 工具（Cursor、Kiro）辅助编码。

**系统架构设计**
我设计了三层记忆架构（情节/语义/程序记忆）的理论模型，规划了认知、记忆、知识三大微服务模块的解耦方案，制定了 Memory RAG 的检索策略和上下文聚合算法，以及多租户隔离和 API Key 认证机制。

**后端核心开发**
实现了认知控制器的完整流程：意图理解 → 上下文聚合 → 回复生成 → 学习闭环。开发了三层记忆管理系统，包括 episodic/semantic/procedural 的存储、检索和自动转化机制。构建了 MCP 工具系统的完整框架（工具注册表、执行器、编排器），实现了知识洞察提取和用户画像聚合的自我学习机制。开发了支持多模型切换的 LLM 适配器和客户端池管理。集成 Neo4j 知识图谱，实现实体关系建模、图谱查询和可视化接口。

**前端界面开发**
使用 React + TypeScript 构建了完整的管理控制台，包括认知对话页面（流式输出、意图分析）、记忆管理界面（创建、查询、清理）、知识库管理（文档上传、索引、RAG 测试）、基于 Vis.js 的图谱可视化，以及多租户管理的完整 CRUD 功能。

**数据库与 API 设计**
设计了 PostgreSQL 的 20+ 张数据表结构（记忆表、用户画像表、知识洞察表等）和 Neo4j 图谱模型。实现了 40+ 个 RESTful API 接口，包括认知 API、记忆 API（memories、context、jobs、profiles）、知识 API（collections、documents、rag、graph），编写了完整的 Swagger/OpenAPI 文档。