自建记忆系统一定要用向量数据库吗？

不一定。小规模（万级以下）记忆用 SQLite + FTS5 + 内置嵌入即可，省掉一个外部服务。规模上去后再引入专用向量库。

GraphRAG 和知识图谱记忆是一回事吗？

不是。GraphRAG 指用图结构增强 RAG 检索（图作为检索索引）；知识图谱记忆指把图作为记忆本体存储。前者是检索技巧，后者是存储架构。

多模态记忆（Multimodal Memory）需要单独一层吗？

通常不需要单独一层，作为摄入通道处理即可：图像/音频进来后转成文本描述或引用指针，再进情景记忆。

Agent 记忆存在哪里：向量记忆、知识图谱与混合检索的选型

AI 记忆的存储形态主要有四类：向量记忆（Vector Memory）适合语义相似检索；知识图谱记忆（Knowledge Graph Memory）适合实体关系与多跳推理；参数化记忆（Parametric Memory）指固化在模型权重中的知识；混合检索（Hybrid Retrieval）把语义、关键词、图谱、时序多路信号融合，是 2026 年工程实践中的主流做法。

向量数据库就是 AI 记忆吗？为什么不够

不是。向量数据库只解决「语义相似度检索」一件事：把文本转向量、按余弦距离取 Top-K。完整的 AI 记忆还需要写入抽取、去重与冲突消解、时序推理、图谱关联、遗忘与压缩、审计与可追溯。只装一个向量库，得到的是一个能搜的文档库，不是记忆系统。

能力	向量库	完整记忆系统
语义相似检索	✅ 核心能力	✅ 其中一路信号
关键词精确匹配	❌ 通常缺失	✅ BM25 并行
实体关系 / 多跳	❌	✅ 图谱遍历
时间推理（前后序）	❌	✅ 时序索引
冲突消解	❌	✅ 写入时处理
遗忘与衰减	❌	✅ 分层降级
可审计	❌	✅ 哈希链账本

Mnemosyne OS 的多信号检索把语义 + BM25 关键词 + 实体图 + 时序 + 标签五路信号融合，并带校准过的相关性下限与词法兜底。召回延迟 p50 0.21 ms。

知识图谱记忆和向量记忆怎么选？

按查询类型选：如果用户问的是「和这个东西相似的内容」，用向量；如果问的是「A 和 B 是什么关系」「通过 C 能连到哪些实体」，用图谱。真实场景里两类查询同时存在，所以生产系统通常两者都要，并在检索层做融合而不是二选一。

维度	向量记忆 Vector Memory	知识图谱记忆 KG Memory
数据结构	高维稠密向量	实体-关系-实体三元组
擅长	模糊语义匹配	精确关系、多跳推理
弱项	关系推理、可解释性	语义相似、冷启动
更新成本	低（追加）	中（需实体消解）
可解释性	低（距离值）	高（路径可见）

Mnemosyne OS 的图记忆常开（always on）：实体链接与多跳遍历与记忆数据存在同一个 SQLite 文件里，不需要额外部署图数据库。这降低了自托管场景的运维复杂度。

时序知识图谱（Temporal KG）解决什么问题？

时序知识图谱解决「同一个事实在不同时间有不同取值」的问题。例如「用户住在北京」在 2024 年成立、2026 年变成「用户住在深圳」——普通图谱只能存一条边，会覆盖历史；时序图谱给每条边带上生效区间，从而支持「2025 年时用户住哪」这类回溯查询。

概念	含义	工程价值
时序知识图谱	Temporal Knowledge Graph, TKG	事实带时间区间，支持回溯
双时态	Bitemporal	同时记录「事件发生时间」与「写入系统时间」
时间衰减	Temporal Decay	旧记忆权重随时间下降
版本链	Per-entity version chain	同一实体的历次取值可追溯

Mnemosyne OS 的时序推理支持：观测日期、相对时间解析（「上周三」）、过期语义、以及按实体的版本链。这让「什么时候知道的」与「什么时候发生的」可以分开记录。

参数化记忆和非参数化记忆有什么区别？

参数化记忆（Parametric Memory）是固化在模型权重里的知识，更新需要重新训练或微调，对所有用户相同；非参数化记忆（Non-Parametric Memory）存在模型之外，可实时写入、按用户隔离、可删除可审计。这个二分是记忆形态分类的基本轴：前者改「模型会什么」，后者改「模型知道你的什么」。

维度	参数化 Parametric	非参数化 Non-Parametric
存储位置	模型权重	外部存储（DB / 文件）
更新方式	训练 / 微调	运行时写入
个性化	难（需为每人训练）	易（按作用域隔离）
可删除	极难（机器遗忘）	易（删记录）
成本	高	低

混合检索（Hybrid Retrieval）为什么是主流

混合检索把语义向量、关键词倒排、图检索、时序过滤多路结果融合，解决单一信号必然存在的盲区：向量召回漏掉精确专有名词，关键词召回漏掉同义改写，图谱召回漏掉没有实体关系的长文本。融合后按校准分数排序，在真实查询分布上比任何单路都稳。

Mnemosyne OS 的中文优化走的是 bigram 分词 + FTS5 + 内置同义词词典，同时完整支持拉丁字母文本。这意味着中文查询不依赖第三方分词器，离线即可运行。

分层记忆（Tiered Memory）与压缩怎么配合

分层记忆把记忆按访问价值分成热（hot）/ 温（warm）/ 冷（cold）三层，低价值记忆被降级并压缩，而不是静默删除。压缩负责在降级时保住关键信息——数字、日期、金额、型号必须在每一层都存活，否则压缩等于信息销毁。

Mnemosyne OS 的无损压缩（AIC）把记忆压成「指针 + 结构化事实 + 内容原子」，expand() 可逐字节还原原文并校验哈希。压缩比最高 32 倍（AIC 无损压缩）：把记忆压成「指针 + 结构化事实 + 内容原子」，数字、日期、金额、型号在每一层都保留，expand() 可逐字节还原原文并校验哈希。

常见问题

自建记忆系统一定要用向量数据库吗？: 不一定。小规模（万级以下）记忆用 SQLite + FTS5 + 内置嵌入即可，省掉一个外部服务。规模上去后再引入专用向量库。
GraphRAG 和知识图谱记忆是一回事吗？: 不是。GraphRAG 指用图结构增强 RAG 检索（图作为检索索引）；知识图谱记忆指把图作为记忆本体存储。前者是检索技巧，后者是存储架构。
多模态记忆（Multimodal Memory）需要单独一层吗？: 通常不需要单独一层，作为摄入通道处理即可：图像/音频进来后转成文本描述或引用指针，再进情景记忆。

查看完整文档 GitHub 源码