无需调用模型即可在LongMemEval上达到96.4%召回率的智能体记忆系统

我发现了一个项目，它甚至超越了mem0、supermemory等，而且完全免费。这看起来是一个相当成熟的项目，已经突破了1000星标记。Agentlas记忆架构仅在设备内部使用单个SQLite文件运行，而不是独立的记忆服务器或复杂的外部数据库。记忆被严格划分为四个所有权单元：包含用户语言偏好或风格的用户身份区域、包含项目目标和代码结构的项目区域、单个代理的学习记录，以及包含团队共同事实的团队共享区域。为了避免每次检索信息时调用LLM所带来的成本和时间开销，它采用了混合方法，将设备内部运行的轻量级嵌入模型与关键词搜索相结合。它会预先筛除完全不匹配关键词或不符合相似度标准的信息，防止混杂不必要的信息或产生幻觉。在最近的更新中，我们对系统进行了改造，为每个团队成员分配了独立的标识符记忆，以解决基于团队的代理中个人工作记录缺失的问题。它还具有自我进化功能，允许代理在重复失败或持续收到用户修改指令时自主提出改进建议，并根据风险等级一键批准或恢复。仅测量无需经过模型即可找到必要信息的性能时，该项目在LongMemEval基准测试中记录了96.4%的准确率，在LoCoMo基准测试中为91.5%。最终，记忆系统的核心在于在必要时刻提取精确的上下文，而非仅仅运行一个庞大的模型，而Agentlas在本地设备层面高效地实现了这一点。