★ FEATURED ARTICLE Agent 记忆人工智能知识图谱CLIAI 插件dsh-plugin本地部署【免费下载链接】mnemonLLM-supervised persistent memory for AI agents — graph-based recall, cross-session knowledge, single binary. Works with DeepSeek Harness, Claude Code, OpenClaw, and any agent runtime.项目地址https://gitcode.com/gh_mirrors/mn/mnemon点击查看免费下载Mnemon 是一个为 AI Agent 设计的LLM 监督式LLM-supervised持久记忆引擎它基于 RLM 论文范式与 MAGMA 四图方法论用图记忆替代向量检索来存储跨会话知识。本文将解读它的两大理论支柱为什么图结构存储与 LLM 注意力机制天然同构以及这套理论如何落地为单二进制、零外部依赖的记忆系统。一、从失忆症说起LLM Agent 的记忆困境用过 Claude Code、Cursor 或 OpenClaw 的朋友大概都有体会——Agent 的失忆来自三个层面症状表现 上下文压缩丢失一次/compact后此前的所有决策和发现全部蒸发 跨会话遗忘新会话从零开始不知道昨天干了什么 长会话衰减上下文填满后早期关键信息被挤出注意力范围传统 RAG 方案Mem0、MemGPT 等试图解决它但存在结构性瓶颈写入是被动的对话结束才总结、检索是扁平的只靠向量相似度、没有遗忘机制要么全记要么一刀切 TTL 过期。Mnemon 的设计目标是让 LLM 像一位经验丰富的助手那样跨越任意多会话记住你的决策、理解你的偏好、追踪项目上下文。它的理论根基来自两篇论文——RLM 与 MAGMA。二、RLM 论文解读LLM 是指挥者不是搬运工Recursive Language ModelsRLM递归语言模型确立了一个核心范式LLM 作为外部结构化环境的编排者Orchestrator远比直接当数据处理者有效。论文的三个关键发现恰好约束了记忆协议应该长什么样RLM 发现对记忆协议的启示它解释的反模式8B 小模型能把数据当作外部环境变量处理100 倍于上下文窗口的输入记忆必须放在 LLM 之外而不是塞进 prompt把记忆全文灌入上下文的方案两阶段流水线快速过滤 语义校验稳定优于单次调用确定性过滤与 LLM 判断必须分离在一个嵌入式 LLM 调用里混合完成所有事传给模型固定大小的元数据比传原始数据更有效协议输出应是带信号透明度的语义摘要而非数据库行返回原始查询结果、让 LLM 重新推导含义这里有个耐人寻味的推论当协议无法表达语义意图时系统就会塞一个 LLM 进去打补丁——这就是为什么 Mem0 等方案要在写入管道里内嵌一个小型 LLM 做实体抽取和冲突检测。RLM 原文用代码生成 Python REPL实现交互但对记忆领域来说代码生成太泛了LLM 得先把意图找因果相关的记忆翻译成 Python 查询语句多一步翻译就多一个信息丢失点。Mnemon 的做法是让意图直达命令中间零翻译。 范式层结论谁来编排——宿主 LLM而不是内嵌的小模型。完整论述见官方设计文档docs/design/02-philosophy.md三、MAGMA 方法论解读一张边不够要四张图如果说 RLM 回答谁来做编排那么MAGMA回答的是另一个问题外部环境里应该装什么结构。MAGMA 的核心论点只有一句话单一边类型比如纯向量相似度不足以捕捉记忆之间的多维关系。问为什么需要因果链问什么时候需要时间线问关于 X需要实体关联——不同的查询意图需要不同的关系视角。Mnemon 实现了 MAGMA 的四图模型图捕获什么边的建立方式⏱️时间图Temporal记忆的先后顺序同来源记忆自动连脊柱边 24 小时内邻近边️实体图Entity提到同一实体的记忆正则 200 技术词典 用户指定混合抽取⚡因果图Causal决策背后的原因二元确定性地发现候选LLM 判断是否真正成立语义图Semantic语义相近的记忆余弦相似度 ≥0.80 自动连边0.40~0.79 交给 LLM 评审四图协同的关键在于意图自适应加权同一个问题激活不同的图。问为什么选了 SQLite → 因果边权重 0.70沿因果链回溯决策理由问最近有什么决策 → 时间边权重 0.65沿时间线检索问关于 React 的记忆 → 实体边权重 0.55找所有提到 React 的记忆这是向量数据库做不到的向量库只能回答什么相似于什么回答不了什么导致了什么。MAGMA 消融实验也证实了这一点——移除因果边准确率下降 3~5%移除时间边还会继续下降。四张图的精确定义见docs/design/04-graph-model.md四、结构同构图记忆与 LLM 注意力为什么天生一对这是 Mnemon 理论中最漂亮的一笔。LLM 注意力、图数据模型、自然语言其实描述的是同一件事——实体之间的加权关联LLM 注意力 token ←weight→ token 图模型 node ←edge→ node 自然语言 主语 ←谓语→ 宾语这不是比喻。Transformer 即图神经网络GNN这一学术方向Transformers-as-GNNs已经形式化证明了注意力机制在计算上等价于全图上的 GNN 操作。换句话说LLM 内部就是在图上运算的。那么外部记忆也存成图就是结构匹配而不是工程上的顺手为之。进一步推论其他存储类型其实都是图的退化形式每种都丢了关系语义的一个维度存储类型相比图丢掉了什么KV孤立的节点零条边关系型边被压缩成外键类型在 schema 设计时就定死了文档型边内联成嵌套丢失全局可遍历性向量所有边都只有相似一种类型无语义区分这个观察与 2026 年的 Graph-based Agent Memory 综述结论相互印证传统记忆形式可以看作图记忆范式中的退化或简化特例。结构同构直接推导出了 Mnemon 协议的两个重要性质读写对称性——在图存储上写入文本→图和读取图→文本走的是同一个三步模型Extract抽取→ Candidate候选→ Associate关联只是方向相反。LLM 只需要掌握一种认知模式就能同时会记和会取。这个性质在关系型和文档型数据库上不成立。三原语是通用代数——remember写、link关联、recall取构成任何 Agent 记忆系统的最小完备接口。对比之下原生 RAG 完全没有linkmem0 把link自动化了MemGPT 把link降成了分层存储。link退化得越厉害回忆时 LLM 就要重新推断那些从未被存下来的关联负担全部压回查询时刻。五、LLM-Supervised 架构理论与工程之间的桥梁理论再漂亮还得回答一个生产问题怎么把 LLM 编排者真正接上图记忆而不引入 Python、沙箱或 API keyMnemon 的答案是LLM-SupervisedLLM 监督式模式二元文件是器官宿主 LLM 是主管。层级角色负责什么二进制器官确定性计算存储、图索引、关键词检索、向量运算、衰减公式、自动剪枝宿主 LLM主管高价值判断因果链评估、语义相关性判断、实体补全、保留决策与LLM 嵌入式Mem0/MemCP 把小模型塞进管道里相比这个分工有三个直接收益✅零额外 API 成本——所有计算本地完成✅更强的判断力——由 Opus/Sonnet 级别的主模型评审因果候选而不是 gpt-4o-mini✅LLM 可替换——同一个二进制 Skill 文件在 Claude Code、Cursor、OpenClaw 上通吃整体系统分为刻意解耦的两层存储引擎层四图模型、Beam Search、RRF 融合、EI 衰减——检索质量来自这里协议层CLI 命令 结构化 JSON 输出 信号透明度——定义任何 LLM 如何与记忆交互这填补了协议栈里一个真实的缺口MCP 标准化了LLM↔工具ODBC/JDBC 标准化了应用↔数据库但**LLM 以记忆语义读写数据库这一层没有任何协议**。Mnemon 的立场类比 MCP不做另一个数据库而是做 LLM↔DB 的协议网关。系统全貌见docs/design/01-vision.md 与 docs/design/03-concepts.md六、落地形态一个二进制 一份 SQLite理论的终点是一个极简的工程形态维度选择语言/运行时单个 Go 二进制零运行时依赖存储一个 SQLite 文件WAL 模式位于~/.mnemon/data/store/mnemon.db集成方式Markdown Skill 文件SKILL.mdguide.md无代码依赖向量能力可选通过 Ollama 本地 embedding不联网对照理论层的选择一目了然层来源选择范式——谁来编排RLM宿主 LLM而非内嵌模型方法论——环境里装什么MAGMA四图 意图自适应检索协议代数——为什么是这个形状图-LLM 同构remember/link/recall三原语 读写对称生命周期——记忆如何演化MnemonEI 衰减 GC 免疫规则分发——怎么交付Mnemon一个 Go 二进制无需 Python、沙箱、API key各主机Claude Code / Cursor / Codex / OpenClaw 等的集成 Skill 模板位于internal/memory/setup/assets/七、总结三句话带走 Mnemon 的理论内核RLM 给了范式LLM 应当是编排者记忆协议必须意图原生——命令名是语义的recall不是语法的SELECT。MAGMA 给了方法论一张边不够时间、实体、因果、语义四图配合意图自适应权重才能表达完整的关系语义。结构同构给了答案LLM 注意力与图模型描述的是同一种加权关联图是 LLM 的原生存储模型——所以图记忆与 LLM 不是搭配合适而是天然同构。如果你希望深入了解实现细节推荐从这两份文档入手docs/design/02-philosophy.md设计哲学与 docs/design/04-graph-model.md图模型与理论全文。赞分享Agent 记忆人工智能知识图谱CLIAI 插件dsh-plugin本地部署【免费下载链接】mnemonLLM-supervised persistent memory for AI agents — graph-based recall, cross-session knowledge, single binary. Works with DeepSeek Harness, Claude Code, OpenClaw, and any agent runtime.项目地址https://gitcode.com/gh_mirrors/mn/mnemon点击查看免费下载相关推荐图记忆为什么成为Agent长期记忆的焦点Zep/Graphiti、HippoRAG等图记忆论文深度解读Awesome-Agent-Memory精选图记忆为什么成为Agent长期记忆的焦点Zep/Graphiti、HippoRAG等图记忆论文深度解读Awesome Agent Memory精选 AgenMnemon vs Mem0 vs Letta vs MemGPT4大AI记忆架构模式横评为什么LLM-Supervised是更优解Mnemon vs Mem0 vs Letta vs MemGPT4大AI记忆架构模式横评为什么LLM Supervised是更优解 用 Claude CoAgent 记忆人工智能知识图谱CLIAI 插件dsh-plugin本地部署向量库记忆 vs 纯文本记忆Ponytail 为什么押注一份可读的 Markdown向量库记忆 vs 纯文本记忆Ponytail 为什么押注一份可读的 Markdown 当Agent 记忆这个词在 2025–2026 年变成显学几乎每个AI 技能AI 插件开发工具上一篇PUBG雷达工具搭建指南接上内存读取器5分钟获得实时全图追踪下一篇Dism 实战手册清理、备份到离线集成一次到位的 Windows 维护方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
阅读完成 · 觉得有帮助？
