新闻详情

新闻详情

首页 / 资讯中心 / 详情

Mnemosyne路线图前瞻:L0-L4分层Agent记忆与SHMR自和声推理完整指南

发布时间:2026/11/17 4:04:08来源:尧图网络
Mnemosyne路线图前瞻:L0-L4分层Agent记忆与SHMR自和声推理完整指南
Mnemosyne路线图前瞻L0-L4分层Agent记忆与SHMR自和声推理完整指南【免费下载链接】mnemosyneZero-cloud AI memory that works everywhere. SQLite-backed. One pure-Python dependency.项目地址: https://gitcode.com/gh_mirrors/mnemosyne5/mnemosyneMnemosyne是一个零云端的 AI 记忆系统Zero-cloud AI memory基于 SQLite、仅依赖一个纯 Python 包。本文为你前瞻它的下一步L0-L4 分层 Agent 记忆架构与SHMRSelf-Harmonizing Memory Reasoning自和声记忆推理的演进路线——从记住走向理解与推理。为什么 Mnemosyne 需要一个下一层记忆Mnemosyne 当前的核心是BEAM 双层记忆引擎工作记忆热上下文→ 情景记忆长期存储→ TripleStore时态知识图谱混合打分检索50% 向量 30% FTS5 20% 重要度全部在本地 SQLite 内完成。这套架构在 1000 万条消息的 BEAM 基准上召回延迟仅 35ms、存储仅 7.2MB。但面对长时间运行的 Agent 会话它还有三个痛点原始对话、工具调用等高保真事件缺少独立存储用户画像、可复用流程等高层记忆缺乏组织与溯源系统擅长检索却不擅长对已存知识进行推理。官方路线图 docs/roadmap-layered-agent-memory.md 给出了答案扩展 BEAM而不是替换它。L0-L4 五层记忆每一层存什么层级名称存什么示例L0原始追踪用户/助手消息、工具调用、文件编辑等全保真事件只追加、按哈希去重一次完整命令的输出L1原子记忆带证据链接的小事实、决策、偏好、约束用户偏好简洁 markdownL2场景/情景任务级叙事试了什么、用了什么工具、哪里失败了一次发布排障过程L3画像/Profile用户、项目、Agent 的版本化画像含置信度与有效期该项目用 pytestL4技能/SOP可复用的流程、检查清单、恢复模式发布检查清单设计上有两条铁律每一条合成记忆都必须能回溯到原始证据所有层都保持 SQLite 优先、本地优先不引入云端强制依赖。三个关键能力设计 1. 渐进式披露召回Progressive Disclosure Recall召回时先返回最小可用包L3/L4 提示 → L2 情景摘要 → L1 原子 → 最后才展开 L0 原始追踪。Agent 可按需索要细节而不是把所有内容一次性塞进 prompt直接降低长会话的 token 膨胀。2. 工具日志卸载Tool-Log Offload利用 Hermes 的post_tool_call钩子把臃肿的工具输出完整写入 L0prompt 中只注入紧凑的句柄与摘要——需要时再展开保证命令与结果可复现。3. 符号化任务画布Task Canvas为目标、子任务、阻塞项、假设、决策建立轻量工作台与记忆、三元组、文件互相关联让 Agent 无需回放整个会话即可恢复任务状态。SHMR 自和声推理从检索到推理SHMR 是 Mnemosyne 中第一个对已存知识进行推理的模块把语义相似的事实聚成簇让 LLM 把簇内矛盾协调成更少、更稳定的高阶信念再用和声分数校验一致性达标才写入。它的理论基础是 ECHO-OR并已针对 BEAM 重构。一次harmonize()运行的流程收集候选活跃事实 近期情景记忆截断为 300 字符聚类余弦相似度 ≥ 0.70 的候选组成连通簇和声协调LLM 消解矛盾输出create/update/dampen动作评分校验信念与簇中心的加权和声分 ≥ 0.60 才应用否则迭代最多 3 轮落盘溯源写入harmonic_beliefs表provenance字段记录全部来源事实 ID。⚠️ 现状提示SHMR 目前是库内模块尚未接入主流程——sleep()不会自动调用它也没有对应 MCP 工具。源码位于 mnemosyne/core/shmr.py完整机制与配置见 docs/shmr.md。路线图中的噪声治理 RDdocs/rfc/noise-remediation-rnd.md正是提议把 SHMR 接入卫生管线、让它随mnemosyne sleep定期运行。实施路线8 个 PR 级步骤官方把改造拆成了可独立交付的序列迁移期间现有 BEAM API 与 Hermes 插件保持兼容分层 Schema先加最小元数据与证据链接字段保留旧表追踪存储只追加的 L0 写入、保留策略与大小限制Hermes 工具调用卸载捕获策略、脱敏、载荷上限均可配置分层召回打包器在 token 预算下组合 L4→L0 证据并附带证据句柄画像合成基于 L1/L2 生成带置信度、有效期与冲突检测的画像任务画布目标/阻塞/决策表并接入召回包可选本地 REST 网关默认关闭仅服务于 Web 面板等非 Python 客户端基准与演示对比分层召回与纯 BEAM 召回的 token 数与完成率。成功指标与开放问题 ✅路线图用 6 个可量化指标验收更低的注入 token 数、更长的会话完成率、画像准确率、全链路可溯源、跨记忆库隔离、可控的延迟与存储占用。仍有几个开放问题等待社区定夺L0 超大载荷是否用本地旁路目录存储默认保留策略如何平衡可溯源与磁盘占用不依赖 LLM 时置信度如何校准写在最后Mnemosyne 的下一步是让 Agent 的记忆像人脑一样分层组织原始事件沉底、结论浮到顶层、每一步都能溯源——而 SHMR 则负责让记住的变成想明白的。 延伸阅读路线图原文docs/roadmap-layered-agent-memory.md架构与召回引擎详解docs/architecture.mdSHMR 完整机制docs/shmr.md集成指南docs/integrations/README.md【免费下载链接】mnemosyneZero-cloud AI memory that works everywhere. SQLite-backed. One pure-Python dependency.项目地址: https://gitcode.com/gh_mirrors/mnemosyne5/mnemosyne创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉