DEV Community

Manoir Yantai
Manoir Yantai

Posted on

AI Agent 的知识底座：90 行代码实现三层记忆召回

#ai #automation #opensource

上周我开源了 Knowledge-and-Memory-Management v0.0.2，一个给 AI Agent 用的知识采集插件。不是又一个 RAG 框架——它的定位很简单：底座（hermes-memory-installer）解决「记住」，KMM 解决「知识从哪来、如何用」。

三个数字

  • 40+ 采集工具：覆盖网页（9 引擎）、视频（12 工具）、文档/OCR（9 工具）、文章/内容（10 来源）
  • 三层记忆：Hot（当前会话）→ Warm（向量语义，10K 节点）→ Cold（知识图谱，11K 页）
  • 12+ 云盘驱动：OneDrive、Google Drive、阿里云盘、百度网盘，全走 rclone 统一接口

为什么需要三层记忆？

很多 AI Agent 把记忆做成单层向量库。问题在于：短期记忆在乎时效，长期知识在乎关联，全文搜索和语义匹配场景完全不同。

KMM 做了件简单的事：把三个引擎串成一条调用链。最直接的体现是 lightweight_recall.py：

# lightweight_recall.py — 三层跨层召回
def recall(query: str, limit: int = 10):
    results = []
    # L1: FTS5 全文搜索（最快，毫秒级）
    results += fts5_search(query, limit)
    if len(results) >= limit:
        return results[:limit]
    # L2: Hindsight 语义向量（理解意图同义变换）
    results += hindsight_search(query, limit - len(results))
    if len(results) >= limit:
        return results[:limit]
    # L3: gbrain 知识图谱（跨实体关联）
    results += gbrain_search(query, limit - len(results))
    return results
Enter fullscreen mode Exit fullscreen mode

95 行，零外部依赖。第一次调用 3ms 内返回 FTS5 命中，语义和图谱层做兜底。实测 85% 的查询在 L1 就够用——向量库被高估了，全文搜索 + 好的索引在很多场景下既是够用的也是最快的。

v0.0.2 真正有用的东西

书籍自动精炼管线。book_cache_manager 缓存 PDF/EPUB 后自动触发 book_to_skill，把技术书拆成结构化 Skill + 笔记。710+ 本书索引在库，按需缓存，不用全量下载。

SenseNova 文档引擎。PDF（文字型+扫描型）、PPT（全 Slide 提取）、Word（正文+表格+高亮）。用 python3 sensenova_dispatcher.py pdf report.pdf 一行命令跑完整分析。

每周日自动跑的知识发现。扫描 OneDrive → 本地新笔记 → 自动录入 gbrain。凌晨维护脚本把孤页、索引压缩一块搞定。

一个实际工作流 

用户问「Agent 记忆系统怎么设计？」
  → L1 FTS5 搜到本地笔记「三层记忆架构」
  → L2 Hindsight 召回「hot-warm-cold 模型」关联笔记
  → L3 gbrain 关联到「hermes-memory-installer」项目文档
  → 返回合并结果，来源清晰可追溯
Enter fullscreen mode Exit fullscreen mode

未命中本地知识时自动降级到 AnySearch 垂直搜索，标注来源后导入笔记库。

项目地址：github.com/mage0535/Knowledge-and-Memory-Management

不是要替代 LLM 的原生记忆——而是在它之上，给你一个可控的、可审计的知识层。工具就该这么简单。

Top comments (0)