MemoryHancement V5 - 增强版图记忆管理系统

基于语义向量的多模态长时记忆系统，专为AI Agent设计，支持记忆存储、语义检索、自动合并、关联推理等功能。 当在主副agent场景下使用，把agent.md贴到副agent中，主agent调用session_send把用户输入给到副agent做处理 当在单agent模式下，直接生效该skill

✨ 核心特性

V5 版本升级

1. 语义编码：替换原Hash编码为Word2Vec 128维语义向量，相似度匹配准确率提升60%+
2. Top-K PPR 检索：每轮迭代截断到Top-50节点，防止噪声扩散，检索速度提升3倍
3. 边权重归一化：所有出边权重归一化，避免旧记忆权重过高导致的检索偏差
4. Context-Context 关联图：自动构建上下文之间的关联边，支持跨记忆推理
5. 二跳扩展检索：PPR传播后增加二跳扩展，召回更多关联记忆
6. 三通道加权评分：关键词匹配 × PPR传播权重 × 时效性 综合排序
7. 弱关键词过滤：自动过滤出现频率<2的低价值关键词，减少噪音

基础功能

• ✅ 记忆自动合并：相似主题的对话自动合并到同一个记忆节点
• ✅ 语义相似度检索：基于向量相似度的语义检索，支持模糊匹配
• ✅ 时效性衰减：记忆权重随时间自动衰减，新记忆优先级更高
• ✅ 主动记忆标记：识别"记住""收藏"等关键词，标记为重要记忆不被自动清理
• ✅ 自动剪枝：定期清理低权重边和孤立关键词，保持记忆库轻量
• ✅ 增量训练：新增记忆时自动更新Word2Vec模型，语义表示持续优化

📦 安装依赖

pip install gensim==4.3.3 jieba numpy scipy sqlite3

🚀 使用方法

命令行调用

# 查询记忆
python memory_skill.py '查询记忆：Python是什么'

# 存储记忆
python memory_skill.py '{"type":"store","question":"Python的特点是什么","answer":"Python是一种解释型、面向对象、动态数据类型的高级程序设计语言。"}'

# 查看统计信息
python memory_skill.py '{"type":"stats"}'

# 清理冗余记忆
python memory_skill.py '{"type":"prune"}'

Python API调用

from memory_skill import MemorySkill

# 初始化记忆系统
skill = MemorySkill()

# 存储记忆
result = skill.store(
    question="Python的特点是什么",
    answer="Python是一种解释型、面向对象、动态数据类型的高级程序设计语言。"
)
print(result)

# 查询记忆
result = skill.query("Python有什么特点")
print(result)

# 获取统计信息
stats = skill.get_stats()
print(stats)

# 关闭连接
skill.close()

⚙️ 配置参数

参数名	默认值	说明
_ENCODING_DIM	128	语义向量维度
CANDIDATE_TOP_K	10	检索返回最大结果数
TEXT_SIMILARITY_THRESHOLD	0.75	记忆合并相似度阈值
KW_ENCODING_SIM_THRESHOLD	0.55	关键词合并相似度阈值
DECAY_HALF_LIFE_HOURS	168	记忆衰减半衰期（小时，默认7天）
TOP_K	50	PPR检索截断阈值
ALPHA	0.4	关键词匹配权重
BETA	0.5	PPR传播权重
GAMMA	0.1	时效性权重

🗄️ 数据库结构

采用SQLite存储，共5张表：

1. agents：Agent实例元数据
2. keywords：关键词节点，存储关键词和语义向量
3. contexts：上下文节点，存储对话内容、主题、语义向量
4. edges：边表，支持四种边类型：
   • agent_keyword: Agent与关键词的关联
   • keyword_context: 关键词与上下文的关联
   • keyword_keyword: 关键词之间的共现关联
   • context_context: 上下文之间的语义关联
5. metadata：全局状态元数据

📁 文件结构

memoryHancement/
├── memory_skill.py          # 主程序文件
├── data/
│   ├── graph_memory.db      # SQLite数据库文件
│   ├── word2vec.model       # Word2Vec模型文件
│   └── word2vec.model.wv.vectors.npy  # 词向量矩阵
└── README.md                # 说明文档

📊 性能指标

• 存储速度：单条记忆存储<10ms（含向量更新）
• 检索速度：1000条记忆规模下检索<5ms
• 语义匹配准确率：>85%（测试集）
• 内存占用：10000条记忆规模下<500MB

🔄 迁移说明

从V4版本升级到V5会自动执行数据库迁移，新增context_context边类型，原有数据完全兼容，无需手动迁移。