MemoGraph：为大型语言模型打造的智能个人记忆管理系统

MemoGraph 将 Markdown 笔记转化为可查询的图结构知识库，通过混合检索技术让 LLM 能够访问个人知识库中的上下文相关信息。

大型语言模型（LLM）虽然拥有强大的推理和生成能力，但它们本质上是无状态的——每次对话结束后，模型不会保留任何记忆。这意味着用户需要反复提供背景信息，或者依赖外部系统来维护对话历史。然而，真正有价值的不仅是对话记录，而是我们日常生活中积累的知识、决策、灵感和经验。

MemoGraph 正是为解决这一问题而生。它是一个智能个人记忆管理系统，专为 LLM 设计，能够将你的 Markdown 笔记转化为一个可查询的图结构知识库，让 AI 助手真正"记住"你的个人知识库。

MemoGraph 的核心创新在于采用**图结构（Graph-Based）**来组织记忆。与传统的向量数据库不同，MemoGraph 不仅存储文本的语义信息，还保留了知识之间的关联关系。这种设计灵感来源于人脑的记忆方式——我们的知识不是孤立存在的，而是通过概念、人物、事件等节点相互连接。

项目的主要特性包括：

• 智能自动组织引擎：自动从笔记中提取结构化信息，包括主题、人物、行动项、决策、风险点等
• 双向维基链接：支持 bidirectional wikilinks 和 backlinks，形成知识网络
• 混合检索：结合关键词匹配、图遍历和可选的向量嵌入，实现精准检索
• Markdown 原生：使用人类可读的 Markdown 文件，带有 YAML 前置元数据
• 多种记忆类型：支持情景记忆（Episodic）、语义记忆（Semantic）、程序记忆（Procedural）和事实记忆（Fact）
• 智能索引：高效的缓存系统，仅重新索引变更的文件

MemoGraph 的设计深受认知科学启发，将记忆分为四种类型：

情景记忆（Episodic）：个人经历和事件，例如会议记录、旅行日记。这类记忆具有时间性和情境性，帮助 LLM 理解"当时发生了什么"。

语义记忆（Semantic）：事实和通用知识，例如技术文档、学习笔记。这类记忆构成了知识库的基础层。

程序记忆（Procedural）：操作指南和流程知识，例如教程、操作手册。这类记忆告诉 LLM"如何做事"。

事实记忆（Fact）：离散的事实信息，例如配置值、关键数据。这类记忆用于快速查找具体信息。

MemoGraph 使用**广度优先搜索（BFS）**来遍历知识图谱。当用户提出查询时，系统首先找到与查询最相关的"种子节点"，然后沿着图的边向外扩展，收集关联的记忆。

这种检索方式的优势在于：

1. 上下文丰富：不仅返回最匹配的单个文档，还返回相关的知识网络
2. 关系保留：能够回答"这个概念与哪些决策相关"这类关系型问题
3. 可解释性：检索路径清晰可见，用户可以追踪为什么某条记忆被选中

每条记忆都有一个显著性评分（Salience Score，范围 0.0-1.0），表示其重要性。用户可以在笔记的 YAML 前置元数据中设置这个值，例如：

---
title: "关键架构决策"
salience: 0.9
memory_type: semantic
---

系统会优先返回高显著性的记忆，确保最重要的信息不会被埋没。

想象你有一个积累了数年的笔记库，包含技术学习、项目经验、会议纪要等内容。以前，要找某个具体的决策依据可能需要翻阅大量文件。有了 MemoGraph，你可以直接向 AI 提问："我们当初为什么选择 PostgreSQL？"系统会自动检索相关的架构决策笔记，并给出完整的上下文。

通过 MemoGraph 提供的 MCP（Model Context Protocol）服务器，Claude、Cline 等 AI 助手可以直接访问你的知识库。这意味着：

• AI 可以"记住"你之前告诉它的项目背景
• 跨对话保持一致的理解和上下文
• 基于你的个人知识给出更精准的建议