Update README.md
This commit is contained in:
29
README.md
29
README.md
@@ -1,18 +1,32 @@
|
||||
MemoryBear 让AI拥有如同人类一样的记忆
|
||||
|
||||
## 项目简介
|
||||
|
||||
MemoryBear是红熊AI自主研发的新一代AI记忆系统,其核心突破在于跳出传统知识“静态存储”的局限,以生物大脑认知机制为原型,构建了具备“感知-提炼-关联-遗忘”全生命周期的智能知识处理体系。该系统致力于让机器摆脱“信息堆砌”的困境,实现对知识的深度理解与自主进化,成为人类认知协作的核心伙伴。
|
||||
|
||||
## 核心定位
|
||||
## MemoryBear是从解决这些问题来的
|
||||
一、单模型知识遗忘的核心原因
|
||||
上下文窗口限制:主流大模型上下文窗口通常为 8k-32k tokens,长对话中早期信息会被 “挤出”,导致后续回复脱离历史语境:如用户第 1 轮说 “我对海鲜过敏”,第 5 轮问 “推荐今晚的菜品” 时模型可能遗忘过敏信息。
|
||||
静态知识库与动态数据割裂:大模型训练时的静态知识库如截止 2023 年数据,无法实时吸收用户对话中的个性化信息如用户偏好、历史订单,需依赖外部记忆模块补充。
|
||||
模型注意力机制缺陷:Transformer 的自注意力对长距离依赖的捕捉能力随序列长度下降,出现 “近因效应”更关注最新输入,忽略早期关键信息。
|
||||
|
||||
二、多 Agent 协作的记忆断层问题
|
||||
Agent 数据孤岛:不同 Agent如咨询 Agent、售后 Agent、推荐 Agent各自维护独立记忆,未建立跨模块的共享机制,导致用户重复提供信息如用户向咨询 Agent 说明地址后,售后 Agent 仍需再次询问。
|
||||
对话状态不一致:多轮交互中 Agent 切换时,对话状态如用户当前意图、历史问题标签传递不完整,引发服务断层如用户从 “产品咨询” 转 “投诉” 时,新 Agent 未继承前期投诉细节。
|
||||
决策冲突:不同 Agent 基于局部记忆做出的响应可能矛盾如推荐 Agent 推荐用户过敏的产品,因未获取健康禁忌的历史记录。
|
||||
|
||||
三、模型推理过程中的 “语义歧义” 引发理解偏差
|
||||
用户对话中的个性化信息如行业术语、口语化表达、上下文指代未被准确编码,导致模型对记忆内容的语义解析失真,比如对用户历史对话
|
||||
中的模糊表述如 “上次说的那个方案”无法准确定位具体内容。
|
||||
多语言、方言场景中,跨语种记忆关联失效如用户混用中英描述需求时,模型无法整合多语言信息。
|
||||
典型案例:用户说之前客服说可以‘加急处理’,现在进度如何?,模型因未记录 “加急” 对应的具体服务等级,回复笼统模糊。
|
||||
|
||||
## MemoryBear核心定位
|
||||
与传统记忆管理工具将知识视为“待检索的静态数据”不同,MemoryBear以“模拟人类大脑知识处理逻辑”为核心目标,构建了从知识摄入到智能输出的闭环体系。系统通过复刻大脑海马体的记忆编码、新皮层的知识固化及突触修剪的遗忘机制,让知识具备动态演化的“生命特征”,彻底重构了知识与使用者之间的交互关系——从“被动查询”升级为“主动辅助记忆认知”
|
||||
|
||||
## 核心哲学
|
||||
## MemoryBear核心哲学
|
||||
MemoryBear的设计哲学源于对人类认知本质的深刻洞察:知识的价值不在于存量积累,而在于动态流转中的价值升华。传统系统中,知识一旦存储便陷入“静止状态”,难以形成跨领域关联,更无法主动适配使用者的认知需求;而MemoryBear坚信,只有让知识经历“原始信息提炼为结构化规则、孤立规则关联为知识网络、冗余信息智能遗忘”的完整过程,才能实现从“信息记忆”到“认知理解”的跨越,最终涌现出真正的智能。
|
||||
|
||||
## 核心特性
|
||||
|
||||
MemoryBear核心特性
|
||||
## MemoryBear核心特性
|
||||
MemoryBear作为模仿生物大脑认知过程的智能记忆管理系统,其核心特性围绕“记忆知识全生命周期管理”与“智能认知进化”两大维度构建,覆盖记忆从摄入提炼到存储检索、动态优化的完整链路,同时通过标准化服务架构实现高效集成与调用。
|
||||
|
||||
一、记忆萃取引擎:多维度结构化提炼,夯实认知基础
|
||||
@@ -41,8 +55,7 @@ MemoryBear作为模仿生物大脑认知过程的智能记忆管理系统,其
|
||||
为保障系统与外部业务场景的高效对接,MemoryBear采用FastAPI构建统一服务架构,实现管理端与服务端API的集中暴露,具备“高性能、易集成、强规范”的核心优势。
|
||||
服务端API涵盖知识萃取、图谱操作、搜索查询、遗忘控制等全功能模块,支持JSON/XML多格式数据交互,响应延迟平均低于50ms,单实例可支撑1000QPS并发请求;管理端API则提供系统配置、权限管理、日志查询等运维功能,支持通过API实现批量知识导入导出、反思周期调整等操作。同时,系统自动生成Swagger API文档,包含接口参数说明、请求示例与返回格式定义,开发者可快速完成集成调试。该架构已适配企业级微服务体系,支持Docker容器化部署,可灵活对接CRM、OA、研发管理等各类业务系统。
|
||||
|
||||
|
||||
## 架构总览
|
||||
## MemoryBear架构总览
|
||||
<img width="2294" height="1154" alt="image" src="https://github.com/user-attachments/assets/3afd3b49-20ea-4847-b9ed-38b646a4ad89" />
|
||||
- 记忆萃取引擎(Extraction Engine):预处理、去重、结构化提取
|
||||
- 记忆遗忘引擎(Forgetting Engine):记忆强度模型与衰减策略
|
||||
|
||||
Reference in New Issue
Block a user