一个开源的记忆层库，让任何LLM应用都能获得持久化、结构化的记忆能力，无需外部API、无需复杂基础设施、无供应商锁定。

mindlayer：为LLM应用打造零配置、模型无关的持久化记忆层\n\n## 背景：LLM应用的记忆困境\n\n当前大多数LLM应用面临一个共同的问题：会话之间的上下文丢失。每次重启应用或开启新对话，之前的交互历史、用户偏好、关键事实都烟消云散。开发者被迫在每次对话开始时重复提供背景信息，既浪费token，又影响用户体验。\n\n现有的解决方案往往存在明显缺陷：\n- 向量数据库如Pinecone、Weaviate功能强大，但部署和运维成本高，对于个人项目或小型应用来说过于笨重\n- 云端记忆服务通常与特定LLM供应商绑定，造成供应商锁定，且需要API密钥和网络连接\n- 自研方案需要处理记忆提取、存储、检索、过期等复杂逻辑，开发成本高昂\n\n## mindlayer的核心设计理念\n\nmindlayer是一个开源的、模型无关的记忆层库，其设计哲学可以用三个关键词概括：零配置、纯本地、可扩展。\n\n### 零配置开箱即用\n\n最基础的版本只需要SQLite即可运行，无需安装任何外部服务或数据库：\n\npython\nimport mindlayer\n\nmem = mindlayer.MemCore()\nmem.add(\"我是一名Python开发者，热爱开源项目。\")\nresults = mem.search(\"开发者\")\n\n\n这种设计让开发者可以在几分钟内为现有应用添加记忆能力，而不需要重构架构或学习新的基础设施工具。\n\n### 三层记忆模型\n\nmindlayer的记忆管理机制借鉴了人类认知科学的研究成果，采用三层架构：\n\n| 层级 | 描述 | 晋升条件 |\n|------|------|----------|\n| 工作记忆 | 短期、最近的事实 | 访问3次以上 |\n| 情景记忆 | 中期、频繁使用的事实 | 访问10次以上 |\n| 语义记忆 | 长期、核心知识 | 永久保留 |\n\n这种分层设计模拟了人脑的记忆巩固过程。经常使用的信息会自动从工作记忆晋升到情景记忆，最终沉淀为语义记忆。同时，长时间未被访问的记忆会逐渐衰减并被清理，避免存储无限膨胀。\n\n### 模块化扩展能力\n\n虽然基础版本足够简单，mindlayer也为高级需求预留了扩展接口：\n\n向量语义搜索：通过安装mindlayer-ai[vector]可选依赖，启用基于FAISS或sqlite-vec的语义相似度搜索。系统会自动下载约130MB的嵌入模型，实现超越关键词匹配的语义理解能力。\n\nLLM驱动的信息提取：安装mindlayer-ai[llm]后，可以使用内置的Gemma模型（约800MB）从长文本中提取结构化的事实。当然，你也可以接入OpenAI、Anthropic或Ollama等任何LLM服务。\n\n自定义存储后端：通过实现BaseStorage接口，可以将记忆数据持久化到PostgreSQL、Redis或任何其他存储系统。\n\n## 核心机制详解\n\n### 1. 信息摄取（Ingestion）\n\n当调用mem.add(text)时，系统会分析输入文本，提取离散的、有意义的事实。这个过程可以是简单的规则匹配，也可以调用LLM进行智能提取。提取出的事实会被打上时间戳和初始访问分数。\n\n### 2. 记忆巩固（Consolidation）\n\nmem.consolidate()方法会根据访问模式自动晋升记忆。一条记忆被检索的次数越多，它就越重要，会被提升到更持久的层级。这种机制确保了真正有价值的信息得到长期保存，而临时性信息自然淘汰。\n\n### 3. 记忆衰减（Decay）\n\nmem.decay()方法模拟遗忘过程：长时间未被访问的记忆分数逐渐降低，低于阈值的记忆会被删除。开发者可以控制衰减速度和清理阈值，在存储成本和记忆持久性之间取得平衡。\n\n### 4. 冲突解决（Conflict Resolution）\n\n当新添加的事实与已有记忆相似或矛盾时，系统会进行去重或合并。例如，如果用户先说"我喜欢Python"，后来说"我更喜欢JavaScript"，系统可以识别这是同一主题的更新，而非完全独立的两条信息。\n\n## 实际应用场景\n\n### 个人AI助手\n为聊天机器人添加长期记忆，让它记住用户的职业、兴趣、沟通风格。几周后，助手依然记得你提到过正在学习Rust，或你偏好简洁的回答。\n\n### 客服系统\n在客户服务场景中，mindlayer可以维护客户的历史问题、产品偏好、解决记录。即使对话跨越多个会话，系统也能提供连贯的服务体验。\n\n### 代码助手\n编程助手可以记住你常用的库、代码风格偏好、项目架构决策。每次新对话开始时，它 already 知道你倾向于使用函数式编程还是面向对象风格。\n\n## 技术实现亮点\n\n纯Python实现：无守护进程、无后台服务、无端口占用，完全作为库集成到应用中。\n\nMIT开源协议：可以自由用于商业项目，也可以根据需求修改和分发。\n\n离线运行：基础版本完全离线工作，不依赖任何外部API或网络连接，保护数据隐私。\n\n渐进式复杂度：从最简单的SQLite版本开始，按需添加向量搜索、LLM提取等高级功能，避免过度工程。\n\n## 局限与未来方向\n\n当前版本仍在积极开发中，一些计划中的功能包括：\n- 异步API支持\n- REST API服务器模式\n- JavaScript/TypeScript移植版本\n- 更复杂的LLM驱动的冲突解决策略\n\n对于需要多用户共享记忆、分布式部署或企业级SLA保障的场景，mindlayer可能不是最佳选择。但对于个人开发者、原型验证、中小型项目来说，它提供了一个恰到好处的复杂度与功能平衡。\n\n## 总结\n\nmindlayer代表了一种"足够好"的工程哲学：不为所有可能的场景过度设计，而是解决80%开发者的核心痛点——让LLM应用拥有简单、可靠、低成本的长期记忆能力。在AI基础设施日益复杂的今天，这种回归本质的设计思路值得肯定。

mindlayer：为LLM应用打造零配置、模型无关的持久化记忆层\n\n背景：LLM应用的记忆困境\n\n当前大多数LLM应用面临一个共同的问题：会话之间的上下文丢失。每次重启应用或开启新对话，之前的交互历史、用户偏好、关键事实都烟消云散。开发者被迫在每次对话开始时重复提供背景信息，既浪费token，又影响用户体验。\n\n现有的解决方案往往存在明显缺陷：\n- 向量数据库如Pinecone、Weaviate功能强大，但部署和运维成本高，对于个人项目或小型应用来说过于笨重\n- 云端记忆服务通常与特定LLM供应商绑定，造成供应商锁定，且需要API密钥和网络连接\n- 自研方案需要处理记忆提取、存储、检索、过期等复杂逻辑，开发成本高昂\n\nmindlayer的核心设计理念\n\nmindlayer是一个开源的、模型无关的记忆层库，其设计哲学可以用三个关键词概括：零配置、纯本地、可扩展。\n\n零配置开箱即用\n\n最基础的版本只需要SQLite即可运行，无需安装任何外部服务或数据库：\n\npython\nimport mindlayer\n\nmem = mindlayer.MemCore()\nmem.add(\"我是一名Python开发者，热爱开源项目。\")\nresults = mem.search(\"开发者\")\n\n\n这种设计让开发者可以在几分钟内为现有应用添加记忆能力，而不需要重构架构或学习新的基础设施工具。\n\n三层记忆模型\n\nmindlayer的记忆管理机制借鉴了人类认知科学的研究成果，采用三层架构：\n\n| 层级 | 描述 | 晋升条件 |\n|------|------|----------|\n| 工作记忆 | 短期、最近的事实 | 访问3次以上 |\n| 情景记忆 | 中期、频繁使用的事实 | 访问10次以上 |\n| 语义记忆 | 长期、核心知识 | 永久保留 |\n\n这种分层设计模拟了人脑的记忆巩固过程。经常使用的信息会自动从工作记忆晋升到情景记忆，最终沉淀为语义记忆。同时，长时间未被访问的记忆会逐渐衰减并被清理，避免存储无限膨胀。\n\n模块化扩展能力\n\n虽然基础版本足够简单，mindlayer也为高级需求预留了扩展接口：\n\n向量语义搜索：通过安装mindlayer-ai[vector]可选依赖，启用基于FAISS或sqlite-vec的语义相似度搜索。系统会自动下载约130MB的嵌入模型，实现超越关键词匹配的语义理解能力。\n\nLLM驱动的信息提取：安装mindlayer-ai[llm]后，可以使用内置的Gemma模型（约800MB）从长文本中提取结构化的事实。当然，你也可以接入OpenAI、Anthropic或Ollama等任何LLM服务。\n\n自定义存储后端：通过实现BaseStorage接口，可以将记忆数据持久化到PostgreSQL、Redis或任何其他存储系统。\n\n核心机制详解\n\n1. 信息摄取（Ingestion）\n\n当调用mem.add(text)时，系统会分析输入文本，提取离散的、有意义的事实。这个过程可以是简单的规则匹配，也可以调用LLM进行智能提取。提取出的事实会被打上时间戳和初始访问分数。\n\n2. 记忆巩固（Consolidation）\n\nmem.consolidate()方法会根据访问模式自动晋升记忆。一条记忆被检索的次数越多，它就越重要，会被提升到更持久的层级。这种机制确保了真正有价值的信息得到长期保存，而临时性信息自然淘汰。\n\n3. 记忆衰减（Decay）\n\nmem.decay()方法模拟遗忘过程：长时间未被访问的记忆分数逐渐降低，低于阈值的记忆会被删除。开发者可以控制衰减速度和清理阈值，在存储成本和记忆持久性之间取得平衡。\n\n4. 冲突解决（Conflict Resolution）\n\n当新添加的事实与已有记忆相似或矛盾时，系统会进行去重或合并。例如，如果用户先说"我喜欢Python"，后来说"我更喜欢JavaScript"，系统可以识别这是同一主题的更新，而非完全独立的两条信息。\n\n实际应用场景\n\n个人AI助手\n为聊天机器人添加长期记忆，让它记住用户的职业、兴趣、沟通风格。几周后，助手依然记得你提到过正在学习Rust，或你偏好简洁的回答。\n\n客服系统\n在客户服务场景中，mindlayer可以维护客户的历史问题、产品偏好、解决记录。即使对话跨越多个会话，系统也能提供连贯的服务体验。\n\n代码助手\n编程助手可以记住你常用的库、代码风格偏好、项目架构决策。每次新对话开始时，它 already 知道你倾向于使用函数式编程还是面向对象风格。\n\n技术实现亮点\n\n纯Python实现：无守护进程、无后台服务、无端口占用，完全作为库集成到应用中。\n\nMIT开源协议：可以自由用于商业项目，也可以根据需求修改和分发。\n\n离线运行：基础版本完全离线工作，不依赖任何外部API或网络连接，保护数据隐私。\n\n渐进式复杂度：从最简单的SQLite版本开始，按需添加向量搜索、LLM提取等高级功能，避免过度工程。\n\n局限与未来方向\n\n当前版本仍在积极开发中，一些计划中的功能包括：\n- 异步API支持\n- REST API服务器模式\n- JavaScript/TypeScript移植版本\n- 更复杂的LLM驱动的冲突解决策略\n\n对于需要多用户共享记忆、分布式部署或企业级SLA保障的场景，mindlayer可能不是最佳选择。但对于个人开发者、原型验证、中小型项目来说，它提供了一个恰到好处的复杂度与功能平衡。\n\n总结\n\nmindlayer代表了一种"足够好"的工程哲学：不为所有可能的场景过度设计，而是解决80%开发者的核心痛点——让LLM应用拥有简单、可靠、低成本的长期记忆能力。在AI基础设施日益复杂的今天，这种回归本质的设计思路值得肯定。