
开源项目推出离线编程代理记忆系统,无需API密钥和向量数据库
来源标题:Show HN: Offline project memory for coding agents – no API key, no vector DB
一个名为 adaptive-agent-memory-research 的本地优先、模型无关记忆系统发布,可根据过往经验的未来有用性决定保留内容,而非依据查询相似度。该系统无依赖、可离线运行,通过 MCP 客户端或 CLI 使用,数据写入仓库内单个 append-only 的 memory/events.jsonl 文件,无需 API 密钥、向量数据库、守护进程或 pip 安装。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
一个本地优先、与模型无关的记忆系统,它根据过往经验在未来的可测量有用性来决定保留什么,而不是根据与你的查询是否相似。这项研究依托的记忆引擎无依赖、可离线运行,现在就能用于你的项目。将任意 MCP 客户端指向它: git clone https://github.com/krapcys1-maker/adaptive-agent-memory-research ~/aamr claude mcp add project-memory -- python ~/aamr/tools/project_memory/server.py --root . 你的 agent 现在拥有八个工具——memory_status、memory_search、memory_context、memory_get、memory_timeline、memory_add、memory_supersede、memory_rebuild_index——写入你仓库中单个仅追加的 memory/events.jsonl。无需 API key、无需向量数据库、无需守护进程、无需云账户、无需 pip install。
不想用 MCP 客户端?一切都可以通过 CLI 完成。在你自己的项目中用 --root . 运行;不带 --root 时,CLI 读写的是本仓库自己的研究日志:
python ~/aamr/tools/project_memory/cli.py --root . add --kind decision
--title "Use SQLite for the cache"
--summary "Chose SQLite over Redis because the deployment target has no daemon."
--source docs/adr/0003.md
python ~/aamr/tools/project_memory/cli.py --root . search "why sqlite"
这是研究引擎,不是成品。这个项目每天都在用它自己,这也是我们能诚实说的最有力的话。欢迎报告 bug、粗糙之处,以及关于两者的诚实反馈——如果安装过程让你头疼,请开一个 issue 说明。
agent 的上下文窗口是工作区,不是记忆。一旦对话被压缩,被丢弃的内容就永远消失了——包括三周后才发现重要的那件事。
通常的做法是把一切嵌入,然后按相似度检索。这回答的是“什么看起来像这个查询”,而“这个 agent 将来需要什么”是另一个问题。这两者会严重脱节,而本项目存在的目的正是精确测量它们在哪里脱节。
两个存储,而非一个。一个快速、保留证据的情景日志,从单次经验中学习;以及一个较慢的语义或程序性存储,整合反复出现的内容。在两者之间移动什么,由可测量的未来效用决定,而不是由语义相似度或检索频率决定。
experience │ ▼ ┌────────────────────────┐ │ append-only log │ 不可变证据,永不重写 └────────────┬───────────┘ ▼ ┌────────────────────────┐ │ memory controller │ 写入 · 保留 · 整合 · 修订 · 归档 └────────────┬───────────┘ ▼ ┌──────────┬───────────┬────────────┬──────────┐ │ episodic │ semantic │ procedural │ failure │ └──────────┴─────┬─────┴────────────┴──────────┘ ▼ ┌────────────────────────┐ │ measured future use │ ◄── 真正属于研究的部分 └────────────┬───────────┘ ▼ retrieval ──────────► agent 仅追加日志、控制器和检索已经构建并运行——上面的两分钟安装就能给你这些。标着“真正属于研究的部分”的那个框是未解问题,控制器下面的四个存储是设计,而非经过测量的分解。这张图是假设,不是关于什么有效的断言。
在 74 个已登记实验中,39 个已完成或已撤回,20 个被阻塞(等待语料库,其中四个还在等待独立评审),7 个被判定无效或仅部分有效,8 个是等待执行的设计或评审包;python scripts/registry_summary.py 会打印当前计数。所有实验都是探索性的,且没有一个经过独立评审,所以请把这些当作测量结果而非定论——但它们是测量结果,数据就在仓库里。
一个被取代的事实与取代它的事实相似度最高。旧事实与其替代者之间的平均余弦相似度为 0.816,而语料库基线为 0.372——有两对达到 1.000。去掉元数据过滤后,过期版本在 9 个案例中有 6 个是最近邻,其中位排名为 1。内容无法将退休事实与其继任者区分开。只有簿记可以。→ PMLAB-STALE-E1
一个时间戳无法回答“在时间 T 我们相信什么”。它在该问题上得分为 0.00,并在 18 个查询中的 6 个里泄露了未来信息。将有效时间与事务时间分离后得分为 0.944,零泄露。注意事项与结果同样重要:每种设计在“现在什么是真的”上都得了 1.00,所以除非会问历史问题,第二个轴没有带来任何收益。→ PMLAB-REV-V0
一个 220 MB 的本地多语言嵌入器将波兰语查询的 recall@10 从 0.156 提升到 0.978——但手工构建的词汇表已经达到 0.867,而且这些查询是翻译后的记忆标题,用其自身 id 查找,而非问题。本次运行未测量安全性;另一个更小的独立实验(PMLAB-REUSE-CHAR-001)发现密集检索的禁止侵入率为 0.200,而词法搜索为 0.050。→ PMLAB-XLANG-E2
在记忆上构建关联图使机械金标准层的 Recall@5 降低了 0.114(95% CI −0.179 到 −0.054);在 Recall@10 上该处差异为 −0.039,其区间包含零,而更小的人工金标准层指向同一方向(@5 为 −0.052,@10 为 −0.056)。该结果较早的有利版本已被我们撤回:其泄露控制只移除了一条边,而需要移除多条,导致金标准生成组在两次跳跃后重新聚合。→ PMLAB-ASSOC-E2 已撤回,PMLAB-ASSOC-E3
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。