AB
AB
AiBoss站

全部分类

project

Jev-Mem - 为长时运行 AI 智能体设计的分层记忆控制系统

Jev-Mem 是一个面向长时运行 AI 智能体的记忆管理项目，把频繁的记忆管理决策与深度推理拆成两层：轻量控制器负责组织记忆与检索路由，语言模型负责从证据中合成答案。项目由 libingzheren 维护，采用 MIT 许可，截至 2026-10-12 星标数 201，尚无正式 release。

Jev-Mem 是一个面向长时运行 AI 智能体的记忆管理项目。它要解决的问题是：当智能体的历史不断增长，每写入一条新记忆、每做一次检索，都会产生一连串决策——信息之间如何关联、该去哪里搜索、什么时候证据已经足够。Jev-Mem 把这些高频决策交给一个专门的轻量控制器，把真正需要深度推理的部分留给语言模型。据项目自述，它适合需要跨会话记住偏好、串联事件、并在历史膨胀后仍能找回正确证据的持久化智能体场景。

维护者与状态

项目由 libingzheren 维护，仓库创建于 2026-09-20，最后一次提交在 2026-09-28。截至 2026-10-12，仓库星标数为 201，尚无正式 release。许可证为 MIT。

主要能力

以下能力均来自项目自述（README 与论文摘要），并非本站的实测结论。

  • 保留原始证据。 项目说明称，默认配置会保留每一条有效观测，连同原始文本、时间戳与来源信息，因此某个细节即使刚到达时重要性不明，之后仍可能被重新用上。
  • 四种关系连接记忆。 共享的记忆节点同时参与语义、时间、因果与实体四种图视图，用于回答「发生了什么、何时发生、为什么发生、与谁有关」这类问题。
  • 按问题调整检索。 据项目说明，控制器会在相关图视图之间路由查询、分配搜索预算、给候选打分，并在每一轮之后重新评估是否还需要更多证据。
  • 决策可检查。 项目自述提供类型化输出、显式遍历上限与决策轨迹，可以查看路由、预算、停止原因、缓存命中与回退事件。
  • 两套 System-One 后端。 据 README，记忆构建与检索既可以使用默认的 Jev 后端，也可以切换到本地运行的 Laya；图结构、检索策略与负责答案合成的 System-Two 模型是共用的。

项目自述把整体结构拆成三部分：System One 负责记忆控制（记忆分类、关系判断、查询路由、预算分配、候选打分、证据评估）；共享记忆层保存规范化的观测、四种关系图视图以及向量与关键词索引；System Two 负责从选中的证据合成最终答案。写入阶段，每条观测保留文本与来源，并获得情节、语义、程序与偏好四类重叠评分；检索阶段先由向量与关键词搜索给出初始锚点，控制器再选择图视图、分配遍历开销并给新候选打分，当证据足够、继续搜索的期望价值很低或触及配置上限时停止。

使用入口

仓库地址：libingzheren/Jev-Mem。

据项目说明，运行需要 Python 3.11 及以上版本。在仓库根目录下，README 给出的起步流程是创建虚拟环境、安装依赖、然后运行演示：

python3.11 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
python -m jev_mem.demo

项目自述称该演示不需要 API key，也不下载模型，会写入少量合成观测、检索证据并打印决策轨迹；它使用确定性的模拟决策与嵌入来展示流程，并不衡量答案质量。在 Windows 上激活虚拟环境的命令为 .venv\Scripts\Activate.ps1。

若要接入真实模型，README 要求在仓库根目录创建 .env 文件并填入服务商密钥，其中包含 TYPESAFE_API_KEY 与 OPENAI_API_KEY 两项。据项目说明，Jev 负责记忆决策，OpenAI 兼容的模型负责生成答案并支持评测；CLI 会加载 .env，已存在的环境变量优先级更高。默认配置使用 jev-latest，答案模型可通过 --model 指定。默认的 minilm 嵌入后端会在首次使用时下载模型。

构建与查询自带合成数据的命令如下：

python -m jev_mem --mode build --input examples/observations.json \
  --jev-config config/jev_mem.json --cache-dir ./jev_mem_cache/app
python -m jev_mem --mode query --question "What reminder does Mira prefer?" \
  --jev-config config/jev_mem.json --cache-dir ./jev_mem_cache/app

项目自述称，接入自有数据时可以提供 JSON 列表，元素为字符串，或为包含 content、可选 ISO 8601 格式 timestamp 以及可选 metadata 的对象。README 提醒，真实运行会把文本发送给所配置的服务商，可能产生费用；密钥、对话内容与生成的缓存应保留在本地。

切换到本地 Laya 后端时，README 给出的安装方式为 pip install '.[laya]'（PyTorch）或 pip install '.[mlx]'（Apple Silicon / MLX），对应配置文件分别为 laya_mem.json 与 laya_mlx_mem.json。据项目说明，Laya 决策不需要 TypeSafe API key，但答案生成与评测仍需配置 OpenAI 兼容的服务商；权重会在首次使用时下载。

许可与限制

许可证为 MIT。

项目自述中提到的边界与前置条件包括：运行环境需要 Python 3.11 及以上；演示模式使用模拟决策与嵌入，只用于展示流程，不衡量答案质量；真实运行需要配置服务商密钥，可能产生费用，且应自行注意密钥与私有数据的本地保管；默认嵌入后端首次使用需要下载模型，Laya 的权重同样在首次使用时下载。

关于效果数据，README 与论文摘要中报告了在 LoCoMo 数据集上以 GPT-4o-mini 作为答案模型时的若干指标，但项目同时说明，仓库中给出的命令只是运行实现的起点，其子集与评分设置本身并不能复现完整的论文评测；论文报告的结果使用的是 Jev 后端，Laya 并未在该论文中进行基准测试。这些数字来自项目自述，本站未做验证，此处不逐项罗列。

返回