memRagAgent - 智能认知记忆系统_开源项目-程序员客栈

技术信息

语言技术
Python、postgres、TypeScript、前端系统类型
Web行业分类
人工智能开源地址
https://github.com/daoyou-zhang/memRangeAgent授权协议
MIT许可

行业场景

### 当前 AI 对话系统的核心痛点

传统 AI 对话系统普遍存在三大问题：一是"健忘症"，每次对话都是全新开始，无法记住用户的历史交互和偏好；二是"知识孤岛"，只能依赖预训练知识，无法从实际对话中学习和进化；三是"能力边界"，受限于 LLM 的上下文窗口和静态知识库，难以处理复杂的多轮对话和专业领域问题。

市面上的 RAG 系统虽然能检索外部文档，但仅限于静态知识库，无法从动态对话中提取和积累知识。用户每次提问都需要重新检索，系统无法建立对用户的深度理解，导致回复千篇一律，缺乏个性化和连贯性。

### memRagAgent 的创新解决方案

本项目通过"记忆增强检索"（Memory-Augmented RAG）技术，构建了一个具备长期记忆和自我进化能力的智能对话系统。核心创新点包括：

**三层记忆架构**：借鉴人类记忆模型，设计了情节记忆（Episodic）、语义记忆（Semantic）和程序记忆（Procedural）三层结构。情节记忆记录具体对话场景和时间线，语义记忆提炼抽象知识概念和用户画像，程序记忆存储操作流程和工具调用序列。三层记忆相互转化，实现从短期到长期的知识沉淀。

**自我学习闭环**：每次对话后自动触发学习机制，通过 LLM 从对话中提取知识洞察（Knowledge Insights），识别用户偏好、行为模式和领域知识，聚合生成动态更新的用户画像。系统能够"记住"每个用户的特点，随着交互次数增加，回复质量持续提升，真正实现个性化服务。

**混合检索策略**：结合向量检索和知识图谱两种技术。向量检索基于语义相似度，擅长模糊匹配和语义理解；知识图谱基于实体关系，擅长结构化推理和路径查询。两者互补，突破了传统 RAG 的检索局限，能够处理更复杂的知识关联和推理任务。

**工具编排能力**：基于 MCP（Model Context Proto

功能介绍

### 记忆增强检索（Memory RAG）

系统的核心是三层记忆架构的实现。情节记忆（Episodic）采用 PostgreSQL 存储，每条记录包含对话内容、时间戳、用户 ID、会话 ID 等元数据，并通过向量化技术生成 embedding，支持语义检索。语义记忆（Semantic）通过 LLM 从情节记忆中提炼，存储抽象概念、用户偏好、领域知识等，形成结构化的知识条目。程序记忆（Procedural）记录成功的工具调用序列和操作流程，支持流程复用。

向量检索基于余弦相似度算法，将用户输入向量化后，在记忆库中检索最相关的历史记录。检索结果按相关性和时间衰减加权排序，确保既考虑语义相关性，又优先召回近期记忆。通过 Redis 缓存热点查询，将 RAG 检索延迟控制在 100ms 以内。

### 认知控制器（Cognitive Controller）

认知流程分为四个阶段：意图理解 → 上下文聚合 → 回复生成 → 学习闭环。意图理解使用独立的快速模型（qwen-flash），低温度（0.1）保证稳定的 JSON 输出，分析用户意图类别、实体、置信度和是否需要工具调用。上下文聚合从记忆服务获取用户画像、工作记忆（最近对话）和 RAG 检索结果，从知识服务获取图谱查询结果，融合成完整上下文。回复生成使用高质量模型（deepseek-v3），温度 0.5 保证创造性和稳定性的平衡。学习闭环将对话存入情节记忆，触发异步的画像聚合任务。

### 知识图谱集成

采用 Neo4j 图数据库构建知识图谱，支持实体（Entity）、关系（Relationship）、属性（Property）的灵活建模。实体包括人物、概念、事件等，关系包括"属于"、"相关"、"导致"等语义连接。通过 Cypher 查询语言实现路径查询、社区发现、中心性分析等图算法。

项目实现

### 系统架构设计

我设计了前后端分离的微服务架构，将系统拆分为三个独立服务：认知服务（daoyou_agent）负责意图理解、回复生成和工具编排；记忆服务（memory）管理三层记忆、RAG 检索和用户画像；知识服务（knowledge）处理知识库、文档索引和图谱查询。服务间通过 HTTP API 通信，支持独立部署、水平扩展和技术栈异构（FastAPI + Flask）。

这种架构的优势在于职责清晰、松耦合、易维护。认知服务专注于"思考"，记忆服务专注于"记忆"，知识服务专注于"知识"。任何一个服务的升级或故障都不会影响其他服务。同时支持按需扩展，例如记忆服务可以独立部署多个实例处理高并发的 RAG 查询。

### 三层记忆模型设计

我借鉴认知心理学的记忆理论，设计了情节-语义-程序三层记忆架构。情节记忆是"原始素材"，记录每次对话的完整信息；语义记忆是"提炼精华"，通过 LLM 从情节中抽取抽象知识；程序记忆是"经验总结"，记录成功的操作流程。三层记忆通过定时任务和触发器自动转化，实现从短期到长期的知识沉淀。

在数据库设计上，情节记忆表包含 content、embedding、timestamp、user_id、session_id 等字段，支持向量检索和时间过滤。语义记忆表包含 concept、description、confidence、source_memories 等字段，记录知识来源的可追溯性。程序记忆表包含 procedure_name、steps、success_rate 等字段，支持流程复用和优化。

### 自我学习机制设计

我设计了完整的学习闭环：对话 → 情节记忆 → 知识洞察 → 语义记忆 → 用户画像 → 下次对话。