JiuwenMemory：让AI记忆如基因般自主生长

2026-07-06 09:36:52

文章摘要

开源社区推出AutoGenetic Memory自主生长记忆引擎，将AI记忆从“被动存储”升级。它以多层技术设计实现记忆精准、高效与共享，在测评中表现出色。该引擎解决了传统智能体“失忆”问题，接入流程简洁，实战效果佳，实现从被动到自主生长的跨越。

当大模型应用进入深水区，智能体的体验上限早已不再局限于“回答是否准确”，而是能否真正实现“持续记住同一个用户”。近期，某开源社区推出了专为智能体设计的AutoGenetic Memory自主生长记忆引擎，让AI记忆从“被动存储”升级为“自主演化的核心数据资产”。

该引擎的核心思路是将每一条记忆视作一段可自主生长的基因片段，通过多层技术设计，实现记忆的精准化、高效化与共享化。具体包含三大核心方向：通过AutoDreaming与GraphMemory让记忆更精准；依托分层记忆体系与MemoryTurbo提升构建效率；借助Swarm群体记忆实现组织级的记忆沉淀与共享。

在公开基准LoCoMo测评集上，该记忆引擎以插件形式接入主流智能体框架后，相比原生记忆方案，准确率提升15%，同时记忆问答与添加环节的Token消耗大幅降低超60%，既实现了记忆内容的精炼，又减少了模型反复确认的次数。

为什么“记住用户”如此困难

我们可以设想一个常见场景：你让智能体帮忙发送项目结项邮件时，随口提到了收件人邮箱、自身身份和对方“偏好数据沟通”的习惯，并未刻意要求它记录这些细节。过段时间你再让它给同一收件人发新项目邮件，自然不想重复提供这些信息，但多数智能体跨会话后都会“从零开始”，仿佛之前的对话从未发生。

传统对话系统依赖有限的上下文窗口，一旦超出Token限制或跨会话重启，存储的信息便会丢失殆尽。这类“失忆”问题可以归纳为四类：用户被迫重复提问、个性化能力缺失、跨会话决策前后矛盾、无法积累长期经验。能回答问题只是智能体的基础能力，能记住用户才是其长期价值所在。而早期的智能体记忆结构多为扁平的时间轴，由智能体自主决定记录内容和位置，缺乏明确分类约束，灵活性的代价是不确定性——偏好与技术细节混杂，身份画像容易被流水账式的对话淹没。

AutoGenetic Memory的核心技术设计

分层记忆体系：让信息逐级归位

不同于扁平的时间轴记录，该引擎设计了L0到L3四层记忆结构，让信息从原始对话逐级抽象为结构化知识：

L0原始信息层：完整保留对话历史与时间戳等元数据，作为提取源头支持回溯与全量分析；
L1摘要记忆层：通过大模型压缩单次会话的关键结论，降低Token消耗，避免上下文溢出；
L2结构化记忆层：拆分为情景记忆（按时间轴记录具体事件与决策，可追溯）和语义记忆（沉淀背景知识与技术细节，不被日常对话覆盖）；
L3用户画像层：刻画用户核心特征，包括偏好、习惯、角色定位以及结构化变量如姓名、时区、语言偏好等，始终处于最易访问的顶层。

这套分层体系的价值显著：一是信息密度逐级放大，避免偏好与技术细节互相覆盖；二是通过摘要与结构化压缩，避免全量历史加载，显著降低端到端Token成本；三是各层独立存储，确保记忆跨会话持久保留。最终让杂乱的原始对话被整理为各归其位的“记忆基因”，按需调取无需全量加载。

AutoDreaming：将高成本计算移至后台

该设计借鉴了人类睡眠中的记忆固化过程，将高成本的记忆提取计算从在线对话路径剥离，放到后台定时离线异步完成，也就是“AutoDreaming”机制。一次完整的整理过程如同经历睡眠周期：浅睡阶段完成增量筛选，REM阶段由大模型单遍完成提取与归类，深睡阶段经过语义去重、冲突消解后写入长期记忆。

整个过程无需人工标注，且可溯源至原始会话。为实现规模化常驻，团队叠加了多重控本手段：后台守护进程定时触发，系统繁忙时自动顺延，断点续扫仅处理新增会话，配合压缩截断、批次封顶等方式，让Token开销线性可控。当前的Dreaming方案不仅记录对话，更能以整段会话为视野进行隐式提炼，将分散线索沉淀为更稳定的广义画像与经验，持续向跨会话、跨用户的深层记忆演进。这一去重与冲突消解的过程，如同基因的复制校对与自然选择，淘汰无效、矛盾的片段，留下经过验证的优质基因，配合GraphMemory的关系化组织，让每一条记忆基因更精准可信。

MemoryTurbo：降低用户感知时延

该功能借鉴汽车涡轮增压的隐喻，前台对话持续产生新增信息，后台飞轮静默将其转化为结构化记忆，多轮交互推动效率提升，如同涡轮增压器随转速攀升输出更强动力。其核心在于动能解耦：原始对话瞬间写入缓存层向量库即完成更新，记忆提取在后台按算力负载异步调度。配合离心式语义聚类，由小模型先按话题合并对话，批量完成提取，既保证语义连贯避免漂移，又大幅摊销大模型调用次数。

这套方案将用户感知时延降低80%，Token使用量进一步降低50%以上，且即使提取未完成，缓存层仍可检索，精度不受影响。

GraphMemory：构建动态关系记忆网络

长期交互中，智能体不仅需要记住单条事实，更需要理解事实之间的关联。比如“用户在做A项目”“A项目依赖B系统”“用户上次因B系统延期调整计划”，如果仅作为独立片段存储，检索时容易遗漏完整上下文。GraphMemory将对话、文档和结构化内容转化为可持续演进的记忆知识图谱，让智能体能够沿着实体和关系理解长期记忆。

其核心价值包括：将“用户说过什么”升级为“人、事、偏好间的关联”，让智能体理解长期交互中的动态关系图谱；通过实体与关系链路召回上下文，解决纯语义相似度检索的遗漏问题，更完整地回答复杂问题；保留来源溯源，沉淀结构化结果，新对话进入后图谱持续合并更新，让长期记忆从静态记录演进为动态知识网络；跨会话、跨文档的信息被组织为关系网络，帮助智能体积累客户、项目、问题、方案之间的长期关联，支撑组织级个性化服务与知识复用。

动态Adapter层：实现跨平台无绑定

当前智能体生态快速裂变，新平台层出不穷，若记忆系统与单一框架硬绑定，用户会被锁死或迁移成本高昂。该引擎的Adapter层采用双维度解耦设计：Plugin维度面向智能体平台，Provider维度面向记忆引擎，让记忆成为跨平台共享的基础设施。例如用户在某平台积累的对话记忆，可以无缝被其他智能体平台继承，无需重新适配。

目前Provider维度已内置两种代表性实现，Plugin维度已支持主流智能体平台，未来扩展仅需实现对应抽象接口，定义了可持续扩展的契约边界，让记忆生态从封闭走向开放，实现记忆基因在不同Agent与平台间的复制与继承。

Swarm Memory：群体记忆共享机制

该引擎还构建了基于蜂群协作的群体记忆机制。单个智能体的记忆如同孤树，而多个智能体协同工作时，可将各自的记忆汇入组织级记忆池，供所有成员按需共享。每个智能体在服务用户时独立积累个体记忆，同时将可共享的经验、知识与关系网络沉淀至组织池，新加入的智能体无需从零起步，可直接继承已沉淀的领域知识、客户画像与问题解决路径，实现“一人经验、全员受益”，将记忆从个体资产升级为组织级数据资产。

快速接入与实战效果

该记忆引擎的接入流程非常简洁，仅需三步即可完成集成：

安装依赖：兼容Windows、Linux、macOS系统，需要Python 3.11到3.14版本（推荐3.11.4），基础安装命令为：

pip install -U JiuwenMemory

还可按需安装不同存储后端，如SQLite、PostgreSQL、MySQL等：

# SQLite 支持
pip install JiuwenMemory [sqlite]
# PostgreSQL 支持
pip install JiuwenMemory [postgres]
# 其他如 MySQL、GaussDB、Redis、ChromaDB 支持
pip install JiuwenMemory [mysql]/[gaussdb]/[redis]/[chromadb]
# 安装所有存储后端
pip install JiuwenMemory [all]

初始化Provider：配置存储后端与Embedding模型，注册到智能体系统。
启用记忆能力：对话开始时预检索记忆，对话结束时生成记忆，用户查询可主动检索，无需修改智能体核心逻辑。

在实际测试中，该引擎展现了出色的表现：场景1为发邮件记忆场景，搭载该引擎的智能体在无显式指令的情况下，主动从对话中提取联系人信息、用户身份、收件人偏好与项目关键数据，分层写入记忆；跨会话后正确调用收件人邮箱、以用户身份落款，并保留符合对方偏好的表达，全程无需用户重复提供信息。场景2为自由聊天场景，搭载Dreaming能力的智能体在无手动标注的情况下，自动梳理完整聊天记录，甄别有效个人信息，提炼用户困惑、兴趣偏好与个人特质，规整整合碎片化对话，形成结构化用户专属记忆，实现自然对话下的智能记忆沉淀与归档。

从“信息存储”到“自主生长”的跨越

智能体记忆的早期竞争围绕“能不能记住”展开，如今底层存储与召回技术已趋于成熟，新的焦点转向“记下来的是什么、能否自主生长”。当记忆仅被动存储时，只是等待检索的原始数据，会膨胀、矛盾、淹没关键信息；只有像基因一样可复制、可共享、可进化，才能真正“活”起来。

AutoGenetic Memory正是将每一条记忆当作自主生长的基因片段，通过多层技术设计，实现了从被动存储到自主生长的跨越，从个人记忆到组织记忆的升级，将智能体记忆从一项功能重构为核心数据资产，助力打造真正认识用户、记得用户、越用越懂用户的智能体。