为大型语言模型设计的记忆架构，通过模拟人类记忆机制实现更自然、连贯的响应和行为， 目前仍处于开发阶段。
| 类型 | 存储位置 | 特性 | 生命周期 |
|---|---|---|---|
| 长期记忆 | 向量数据库 | 持久化存储，知识图谱结构 | 永久 |
| 工作记忆 | 内存 | 当前激活的记忆子图 | 暂时 |
| 临时记忆 | 工作记忆中 | 实时对话产生的临时信息 | 暂时 |
-
任务 (Task) 表示LLM当前处理的事件单元，包含关联记忆和注意力权重
-
任务焦点 (Focus) 注意力分数最高的当前核心任务
-
激活 (Activation) 长期记忆 → 工作记忆的提取过程，以及工作记忆 → LLM上下文的过程
-
巩固 (Consolidation) 工作记忆 → 长期记忆的转化过程
-
再巩固 (Reconsolidation)
工作记忆被激活时，更新内容，建立联系的过程
-
睡眠整合 (Integration)
根据高频激活记忆和抽取的随机样本，更新记忆图的过程
-
进化 (Evolution) 长期记忆的全局自优化过程（周期性执行）
具有如下属性：
- content
- 记忆原始文本内容
- id
- uuid
- keywords
- 关键词
- links
- 联系记忆
- retrieval_count
- 提取次数
- timestamp
- 创建时间
- last_accessed
- 上次访问时间
- context
- 时空情景（时间，地点，交互对象等）
- evolution_history
- 进化历史
- category
- 记忆分类，surreal db 表名
- tags
- 标签，包含（认知，行为...）
- base_emotion
- 记忆的情感基调
将一个由MemoryNote构成的子图，抽象为一个逻辑上的超节点，以降低图的复杂度。（后续更新优化）
graph TD
A[用户输入] --> B{任务分析}
B -->|存在相关任务| C[按关联度排序任务]
B -->|无相关任务| D[创建新任务]
C --> E{需激活长期记忆?}
D --> E
E -->|是| F[从向量DB提取记忆]
E -->|否| G[更新工作记忆]
F --> G
G --> H[计算任务注意力分数]
H --> I[确定任务焦点]
I --> J[按注意力权重提取记忆]
J --> K[启发式搜索记忆图（记忆扩散）]
K --> L[组合记忆上下文]
L --> M[生成LLM响应]
subgraph 后台进程
N[记忆激活事件] --> O[记录共激活记忆]
O --> P{冷却完成?}
P -->|是| Q[加入再巩固队列]
R{资源空闲?} -->|是|S[执行睡眠整合]
S --> T[热度分层抽样]
T --> U[构建记忆子图]
U --> V[LLM整合]
W{月周期到达} --> X[全局知识体检]
X --> Y[调用大模型深度进化]
end
graph TD
subgraph 记忆进化系统
A[触发条件] --> B{进化类型}
B -->|即时触发| C[再巩固机制]
B -->|周期触发| D[睡眠整合机制]
C --> C1[记忆被提取时]
C1 --> C2[标记为“待更新”状态]
C2 --> C3[异步队列：LLM轻量更新]
D --> D1[热度分层抽样]
D1 --> D2[Top 10%高频记忆]
D1 --> D3[随机30%样本]
D2 --> D4[关联图谱扩展]
D3 --> D4
D4 --> D5[构建记忆子图]
D5 --> D6[轻量LLM整合]
end
难点：
LLM对图结构数据的处理，尝试使用类似图摘要的算法
启发式搜索的策略设计，应设计多种策略适应不同的场合
根据注意力分数的抽样策略
- 记忆的基本组织结构体
- 数据库接口封装
- LLM调用（当前服务商仅SiliconFlow）
- 临时记忆
- 任务与任务焦点
- 记忆扩散机制（仅PPR，混合PPR，随机游走法后续版本实现）
- 工作记忆（基础功能已测试）
- 长期记忆（长期记忆内部的定时进化和整合在后续版本实现）
- 完整系统综合