Memoria 1.0.0 — 面向 LLM 的本地化、模型无关记忆系统

我做这个东西已经很久了，今晚终于发布了 Memoria 1.0.0。我之所以构建它，是因为我真的想使用它。我想要一个真正的记忆层，用于本地 LLM 应用，不依赖特定模型、云服务或 API 密钥。Memoria 是本地优先且与 LLM 无关的，它甚至可以在完全没有 LLM 的情况下运行。我用来构建和测试它的机器并不算出色：一台 Intel Celeron N4020，主频 1.10 GHz，可用内存约 3.7 GiB，没有 GPU，运行 Debian Linux。在 LongMemEval-S 上，470 个可评测的检索问题中有 468 个成功返回了结果。Recall@1 为 89.8%，Recall@5 为 97.9%，Recall@10 为 98.9%，Recall@50 为 99.6%。Session NDCG@10 为 0.9257。整个 LongMemEval 工作负载的峰值 RSS 为 2.65 GiB，单个查询的平均峰值 RSS 约为 580 MiB。它的检索系统并不是简单地把所有东西都塞进向量数据库。Memoria 并行运行 FAISS、BM25、图检索、短语匹配、属性检索和时间检索，然后对这些信号进行融合，再通过多信号排序。时间检索也是独立实现的，这样我可以单独测量它并进行消融实验，而不是把它硬编码在基础检索路径里。它已经可用了，但仍在积极开发中。这次发布中还有不少其他东西：GitHub 仓库摄取、Obsidian 库摄取、MCP 支持、CLI、TUI、GUI 和 API、持久化本地存储、LongMemEval 和 LoCoMo 基准测试工具，以及一个包含 11 个子系统和 34 个钩子的插件系统。现在还有一个交互式插件生成器。而且它确实可以安装了：bash pip install kitzkatz-memoria GitHub：https://github.com/Kitzkatz/memoria 文档：https://kitzkatz.github.io/memoria/ PyPI：https://pypi.org/project/kitzkatz-memoria/ 我不会干等着一个完美的时机再发布。这就是 1.0.0。如果你正在做本地 Agent 或本地 LLM 应用，我真心想听听你的看法，也欢迎任何反馈。请尽管来折腾它