Memory V2

基于中文向量嵌入和知识图谱，实现语义搜索、实体提取及自动管理的高效记忆系统。

Memory V2 Skill

version: 0.1.0

OpenClaw 记忆系统 v2 - 向量记忆 + 知识图谱 + 实体提取 + 自动管理

功能特性

• 向量记忆: LanceDB + BGE 嵌入，语义相似度搜索
• 知识图谱: 轻量图存储，实体关系管理
• 实体提取: 中文 NER，自动链接到图谱
• 记忆管理: 优先级评分、自动遗忘、压缩归档

安装

cd skills/memory-v2
npm install

快速开始

import MemorySystem from './src/memory-system.js';

// 创建实例
const memory = new MemorySystem({
  dbPath: './vector-db',
  embedModel: 'Xenova/bge-large-zh-v1.5',
  nerModel: 'Xenova/bert-base-chinese-ner'
});

// 初始化
await memory.initialize();

// 添加记忆
await memory.addMemory({
  id: 'mem_001',
  content: '蒲萄爸喜欢喝普洱茶，住在上海浦东新区',
  metadata: { importance: 0.8 }
});

// 语义搜索
const results = await memory.search('蒲萄爸住在哪里', 5);
console.log(results);

// 获取统计
const stats = await memory.getStats();
console.log(stats);

API 参考

MemorySystem

构造函数

new MemorySystem(config)

参数:

• config.dbPath - 向量数据库路径（默认：./vector-db）
• config.embedModel - 嵌入模型（默认：Xenova/bge-large-zh-v1.5）
• config.nerModel - NER 模型（默认：Xenova/bert-base-chinese-ner）
• config.llm - LLM 接口（用于摘要，可选）
• config.forgetThreshold - 遗忘阈值（默认：0.2）

方法

addMemory(memory)

添加记忆（自动提取实体并链接到图谱）

await memory.addMemory({
  id: 'mem_001',
  content: '记忆内容',
  metadata: { importance: 0.8 }
});

search(query, topK)

语义搜索记忆

const results = await memory.search('查询文本', 10);

getMemory(id)

获取记忆详情（包含关联实体）

const memory = await memory.getMemory('mem_001');

deleteMemory(id)

删除记忆

await memory.deleteMemory('mem_001');

runMaintenance()

运行记忆管理（遗忘、压缩低优先级记忆）

const stats = await memory.runMaintenance();

getStats()

获取系统统计

const stats = await memory.getStats();

close()

关闭系统

await memory.close();

独立组件

也可以单独使用各个组件：

import VectorStore from './src/vector-store.js';
import GraphStore from './src/graph-store.js';
import NERExtractor from './src/ner-extractor.js';
import MemoryManager from './src/memory-manager.js';

性能指标

操作	目标延迟	实际表现
嵌入生成	<100ms/文档	~80ms
语义搜索	<200ms (Top-10)	~150ms
实体提取	<100ms/文档	~90ms
图遍历	<50ms (2 跳)	~30ms

技术栈

• 向量数据库: LanceDB
• 嵌入模型: BGE-large-zh-v1.5（中文 SOTA）
• NER 模型: BERT-base-Chinese-NER
• 图存储: 自研轻量图（JSONL 格式）
• 缓存: LRU 内存缓存

注意事项

1. 首次运行: 会自动下载模型（~500MB），需要网络连接
2. 存储空间: 向量数据库会随记忆数量增长
3. 内存使用: 嵌入缓存默认 1000 条，可配置
4. 中文优化: 使用中文专用模型，英文效果可能不佳

开发计划

• 支持多模态记忆（图像、音频）
• 图查询语言（类似 Cypher）
• 分布式存储支持
• 记忆可视化界面

License

MIT