使用说明

A-MEM：代理记忆系统

基于Zettelkasten原理的LLM代理存储系统。

基于： “A-Mem:LLM代理的代理记忆”
作者：徐吴江、梁祖杰、梅、高杭、谭俊涛、张永峰
罗格斯大学AIOS基金会独立研究员

🚀 特性

核心功能

✅ 注释构造：自动提取关键字、标签和上下文摘要
✅ 链接生成：类似记忆的自动链接
✅ 记忆进化：动态更新现有记忆
✅ 语义检索：具有图遍历功能的智能搜索
✅ 多提供商支持：Ollama（本地）或OpenRouter（云）
✅ 环境变量：通过配置 .env 文件
✅ 图形后端选择：在NetworkX（默认）、RustworkX（快3x-100x）或FalkorDB（实验性，未完全测试）之间进行选择
✅ 参数验证：自动验证所有MCP工具参数
✅ 安全图形包装器：边缘案例处理和数据净化，实现稳健运营

高级功能（新增）

✅ 类型分类：将笔记自动分类为6种类型（规则、程序、概念、工具、参考、整合）
✅ 优先级评分：基于类型、年龄、使用情况和边缘计数的即时优先级计算，以获得更好的搜索排名
✅ 事件日志记录：仅为所有关键操作（NOTE_CREATED、RELATION_CREATED、MEMORY_EVOLVED）附加JSONL事件日志
✅ 记忆酶：用于图形维护的自主后台进程
- 链接修剪器：自动删除旧边/弱边
- 关系建议者：查找笔记之间的新语义连接
- 死端节点自动链接器：通过智能过滤自动为死端节点创建连接
- 摘要消化器：压缩过度拥挤的节点，有很多孩子
✅ 自动调度程序：每小时在后台运行记忆酶
✅ 元数据字段：实验字段支持，无需更改架构
✅ 研究员代理人：针对低置信度查询的深度网络研究（JIT上下文优化）
- 检索置信度<阈值时自动触发
- 手动研究通过 research_and_store MCP工具
- 混合方法：MCP工具（如果可用）或基于HTTP-的回退（Google Search API、DuckDuckGo、Jina Reader）
✅ 当地读者：支持本地基于Docker的Jina Reader实例（回退到云API）
✅ 非结构化PDF提取：使用非结构化（库或API）自动提取PDF

🔄 与原始实施的关系

该实现是基于研究论文独立开发的 “A-Mem:LLM代理的代理记忆”原作者的生产就绪系统(A-mem-sys)在完成此实现后发现。

主要区别：

本实施侧重于 MCP服务器集成 对于IDE环境（游标、VSCode），提供：

通过MCP协议直接集成IDE
基于显式图的内存链接 使用具有类型化边、推理和权重的NetworkX（DiGraph）
具有自动分块功能的文件导入
内存重置和管理工具
用于Ollama模型速度测试的现代TUI基准测试工具

原版 A-mem-sys 存储库提供 pip可安装Python库 与：

多种LLM后端支持（OpenAI、Ollama、OpenRouter、SGLang）
基于库的Python应用程序集成
用于编程使用的全面API
隐式链接 通过ChromaDB嵌入（无显式图结构）

技术架构差异：

这个实现：双存储架构
- 用于向量相似性搜索的ChromaDB
- 图形后端选择：NetworkX（默认）、RustworkX（快3x-100x）或FalkorDB（实验性，未完全测试）
- 显式类型关系（与 relation_type, reasoning, weight)
- 用于查找直接连接的内存的图遍历
- 支持复杂的查询，如“通过类型Y查找与X相关的所有内存”
- 安全图形包装器：自动边缘案例处理和数据净化
原始实施：单一存储架构
- ChromaDB作为主存储器
- 通过嵌入相似性进行隐式链接
- 更简单的架构，更少的开销

这两种实现都是针对同一研究论文的有效方法，服务于不同的用例和集成场景。

🆕 新功能概述

类型分类

每个音符都会自动分为6种类型之一：

规则：强制性说明（“从不X”、“总是Y”）
程序：编号步骤或顺序说明
概念：概念解释，无命令
工具：描述函数、API或实用程序
参考：表格、比较列表、备忘单
整合：描述系统之间的连接

优先级评分

搜索结果使用即时优先级计算进行排名：

类型重量：规则和程序具有更高的优先级
年龄因素：较新的笔记具有较高的优先级
使用次数：频繁访问的笔记得到增强
边缘计数：连接良好的笔记优先

事件日志记录

所有关键操作都记录到 data/events.jsonl:

NOTE_CREATED：创建新笔记时
RELATION_CREATED：当两个音符链接时
MEMORY_EVOLVED：更新现有注释时
LINKS_PRUNED：删除旧链接/弱链接时
RELATION_PRUNED：当一个特定的关系被修剪时（有理由）
NODE_PRUNED：删除僵尸节点时
DUPLICATES_MERGED：合并重复注释时
SELF_LOOPS_REMOVED：当自循环被移除时
ISOLATED_NODES_FOUND：检测到孤立节点时
ISOLATED_NODES_LINKED：当隔离节点自动链接时
KEYWORDS_NORMALIZED：当关键字被规范化时
QUALITY_SCORES_CALCULATED：计算质量分数时
NOTES_VALIDATED：当钞票被验证时
TYPES_VALIDATED：验证和更正钞票类型时
NOTES_ARCHIVED：旧笔记存档时（临时清理）
NOTES_DELETED：删除旧笔记时（临时清理）
GRAPH_HEALTH_CALCULATED：计算图形健康评分时
DEAD_END_NODES_FOUND：检测到死端节点时
DEAD_END_NODES_AUTO_LINKED：当死端节点与外部连接自动链接时
LOW_QUALITY_NOTES_REMOVED：去除低质量钞票时
CORRUPTED_NODES_REPAIRED：修复损坏的节点时
RELATIONS_SUGGESTED：发现新连接时
ENZYME_SCHEDULER_RUN：当自动维护运行时

记忆酶

维护图形健康的自主后台进程：

链接修剪器：删除超过90天或权重<0.3的边，以及缺失/僵尸节点的孤立边
僵尸节点移除器：自动删除没有内容的节点（空节点）
重复合并：查找并合并重复的注释（通过嵌入实现精确匹配+语义重复）
边缘验证器：验证和修复边（添加缺失的推理、标准化类型、删除弱边）
自循环去除器：删除自参照边（链接到自身的节点）
隔离节点查找器：标识没有任何连接的节点
隔离节点链接器：自动将孤立节点链接到类似注释（相似性阈值：0.70）
关键字规范化器：规范和清理关键字（删除重复项、纠正拼写错误、限制最多7个关键字）
质量分数计算器：计算笔记的质量分数（基于内容、元数据、连接）
纸币验证器：验证注释并更正缺失/无效的字段（摘要、关键字、标签）
类型验证器：使用基于LLM的分类验证和更正无效的笔记类型
临时笔记清理：存档或删除超过指定时间的笔记（默认值：365天）
图形健康评分计算器：根据平均音符质量、连接性、边缘质量和完整性计算总体图形健康评分（0.0-1.0）
死端节点检测器：标识具有传入边但没有传出边的节点（知识流中的死胡同）
死端节点自动链接器：使用智能过滤自动为死端节点创建连接：
- 联合战略：忽略通用标签（参考、文档、工具等），优先考虑关键字，需要相似性检查
- 智能阈值：0.46表示强信号（关键字或有意义的标签），0.60表示弱信号（仅限通用标签），0.58表示无信号
- 质量控制：通过要求有意义的语义信号来防止低质量的连接
低质量除钞器：删除不相关的笔记（验证码页面、错误页面、垃圾邮件）
精炼厂概述：完善类似的摘要，使其更加具体和清晰
损坏的节点修复器：修复损坏的节点（缺少字段、无效数据）
关系建议者：查找语义相似的注释（余弦相似度≥0.75），具有死端节点优先级
摘要消化器：将具有>8个子节点的节点压缩为紧凑的摘要

自动调度程序

系统每小时自动运行一次记忆酶：

在后台运行，不阻止MCP操作
以优化的顺序执行19次以上的维护操作
用详细的指标记录所有维护活动
优雅地处理错误并继续运行
综合结果：返回所有操作的详细统计信息（修剪的链接、合并的重复项、验证的注释、质量分数、图形健康分数、死端节点等）

研究员代理人

使用JIT上下文优化进行低置信度查询的深层网络研究：

自动触发：当检索置信度<阈值时激活（默认值：0.5）
手动研究：可通过 research_and_store MCP工具
混合方法：使用MCP工具（如果可用）或基于HTTP的回退
网页搜索：Google Search API（主要）或DuckDuckGo HTTP（回退）
内容提取：Jina阅读器（本地Docker或云API）或可读性回退
PDF支持：使用非结构化（库或API）自动提取PDF
自动创建笔记：研究结果会自动存储为带有元数据、关键字和标签的原子笔记

📋 安装

1.安装依赖项

pip install -r requirements.txt

图形后端选择

A-MEM支持三个图形后端，可通过以下方式选择 GRAPH_BACKEND 环境变量：

NetworkX（默认）：

✅ 默认包含（无需额外安装）
✅ 跨平台（Windows、Linux、macOS）
✅ 适用于中小型图形（<10k节点）

RustworkX（推荐用于性能）：

⚡ 速度提高3倍至10倍 比NetworkX
✅ Windows兼容
✅ 安装方式： pip install rustworkx
✅ 集 GRAPH_BACKEND=rustworkx 在 .env

FalkorDB（实验性-未完全集成/测试）：

⚠️ 概念验证状态 功能，但尚未完全集成和测试
💾 持久存储 （重新启动后仍然有效）
⚠️ 不推荐用于生产 - 查看 docs/FALKORDB_POC_README.md 了解详情
Linux/macOS：安装 pip install falkordblite，set GRAPH_BACKEND=falkordb
视窗：安装 pip install falkordb redis，需要带有FalkorDB模块的Redis（请参阅 docs/WINDOWS_FALKORDB_SETUP.md)
⚠️ 已知的限制记忆酶直接使用 graph.graph 访问，缺少迁移工具，性能尚未测试

安全图形包装器：

🛡️ 自动边缘案例处理和数据净化
✅ 使用RustworkX时自动启用
✅ 验证并清理所有图形操作

2.配置环境变量

复制 .env.example 到 .env 并调整值：

# Windows (PowerShell)
Copy-Item .env.example .env

# Linux/macOS
cp .env.example .env

重要提示： 这 .env.example 文件包含所有可用的配置选项，包括 GRAPH_BACKEND 用于选择图形数据库后端的设置。

配置策略（混合方法）：

A-MEM使用 混合配置系统 为了获得最大的灵活性：

.env 文件：基本配置（所有实例的默认设置）
主控程序 env 块：每个实例覆盖（允许在不修改的情况下进行自定义 .env)
优先级：MCP env 块值覆盖 .env 文件值

这使您能够：

保留默认设置 .env 对于所有实例
覆盖每个MCP实例的特定设置（例如，不同项目的不同LLM模型）
分享相同 .env 跨多个MCP配置

配置：

LLM_提供者: "ollama" （本地）或 "openrouter" （云）
奥拉玛：本地模型（默认）
开放路由：基于云的LLM（需要API密钥）

示例 .env 对于Ollama（默认）：

LLM_PROVIDER=ollama
OLLAMA_BASE_URL=http://localhost:11434
OLLAMA_LLM_MODEL=qwen3:4b
OLLAMA_EMBEDDING_MODEL=nomic-embed-text:latest

示例 .env 对于OpenRouter：

LLM_PROVIDER=openrouter
OPENROUTER_API_KEY=your_api_key_here
OPENROUTER_LLM_MODEL=openai/gpt-4o-mini
OPENROUTER_EMBEDDING_MODEL=openai/text-embedding-3-small

图形后端选择（可选）：

# Default: networkx (no installation needed)
GRAPH_BACKEND=networkx

# For better performance (3x-100x faster):
# pip install rustworkx
GRAPH_BACKEND=rustworkx

# For persistent storage (production):
# Experimental - Not fully tested (see docs/FALKORDB_POC_README.md)
# Linux/macOS: pip install falkordblite
# Windows: pip install falkordb redis (see docs/WINDOWS_FALKORDB_SETUP.md)
# GRAPH_BACKEND=falkordb  # ⚠️ Experimental - Use at your own risk

研究人员代理和内容提取（可选）：

# Researcher Agent (for low-confidence retrieval)
RESEARCHER_ENABLED=true
RESEARCHER_CONFIDENCE_THRESHOLD=0.5
RESEARCHER_MAX_SOURCES=5
RESEARCHER_MAX_CONTENT_LENGTH=10000

# Google Search API (for web search) - uses existing GetWeb config
GOOGLE_SEARCH_ENABLED=true
GOOGLE_API_KEY=your_google_api_key  # Optional, uses default if not set
GOOGLE_SEARCH_ENGINE_ID=your_search_engine_id  # Optional, uses default if not set

# Local Jina Reader (Docker) - for web content extraction
# If you have a local Jina Reader Docker instance running
JINA_READER_ENABLED=true
JINA_READER_HOST=localhost
JINA_READER_PORT=2222

# Unstructured (for PDF extraction)
# Option 1: Use library directly (requires: pip install unstructured[pdf])
UNSTRUCTURED_ENABLED=true
UNSTRUCTURED_USE_LIBRARY=true

# Option 2: Use API (if Unstructured API is running)
# UNSTRUCTURED_ENABLED=true
# UNSTRUCTURED_API_URL=http://localhost:8000
# UNSTRUCTURED_API_KEY=your_api_key_here  # Optional

注：

网页搜索：研究人员代理使用 谷歌搜索API （如果已配置）以获得高质量的搜索结果，如果不可用，则返回DuckDuckGo HTTP搜索。
内容提取：用途 当地Jina读者 （如果启用）用于web内容提取，如果本地实例不可用，则回退到云API。
PDF提取：为 PDF URL，研究人员代理使用 非结构化 用于提取（库或API）。
提取策略:
- 搜索：谷歌搜索API→ DuckDuckGo HTTP回退
- 网站内容：Jina Reader（本地/云端）→ 可读性回退
- PDF：非结构化（库/API）

安装用于PDF提取的Unstructured：

# Full installation with PDF support
pip install "unstructured[pdf]"

# Or minimal installation (may require additional dependencies)
pip install unstructured
pip install pdfminer.six  # Required for PDF extraction

可选HTTP服务器（用于外部工具）：

TCP_SERVER_ENABLED=true
TCP_SERVER_HOST=127.0.0.1
TCP_SERVER_PORT=42424

启用后，MCP服务器并行运行一个额外的HTTP服务器，在以下位置公开图形数据 http://127.0.0.1:42424/get_graph。这允许使用外部工具（如 extract_graph.py)在不干扰stdio MCP协议的情况下访问当前图形状态。

3.安装Ollama型号（仅当LLM_PROVIDER=Ollama时）

ollama pull qwen3:4b
ollama pull nomic-embed-text:latest

4.启动Ollama（仅当LLM_PROVIDER=Ollama时）

确保Ollama正在奔跑 http://localhost:11434.

🛠️ MCP服务器

开始

python mcp_server.py

可用工具（共15个）

核心内存操作

create_atomic_note -存储一条新信息。自动对笔记类型进行分类，提取元数据，并在后台开始链接/演化
retrieve_memories -搜索具有优先级评分的相关记忆。返回按相似性和优先级组合排名的最佳匹配项
get_memory_stats -返回有关内存系统（节点、边等）的统计信息
add_file -将文件内容存储为笔记，并对大文件（>16KB）进行自动分块
reset_memory -重置整个内存系统(⚠️ 不可逆）

笔记管理

list_notes -列出内存图中存储的所有笔记
get_note -按ID返回单个注释（元数据+内容）
update_note -更新现有笔记的上下文摘要、标签或关键字
delete_atomic_note -删除注释和所有关联的连接

关系管理

list_relations -列出图表中的关系，可选择按注释ID筛选
add_relation -在两个注释之间添加手动关系
remove_relation -删除两个音符之间的关系

图的运算

get_graph -返回用于可视化的完整图形快照（节点+边）

内存维护

run_memory_enzymes -运行全面的内存维护：修剪旧/弱链接和僵尸节点，合并重复项，验证和修复边，删除自循环，链接隔离节点，规范化关键字，计算质量分数，验证注释和类型，执行时间清理，计算图健康分数，检测死端节点，自动为死端节点创建连接（使用智能过滤），删除低质量内容，优化摘要，修复损坏的节点，建议新关系，并消化过度拥挤的节点。通过19+次维护操作自动优化图形结构

研究与网络集成

research_and_store -对查询执行深层网络研究，并将结果存储为原子注释。使用Google Search API（如果配置）或DuckDuckGo HTTP搜索，使用Jina Reader（本地Docker或云）提取内容，并使用Unstructured处理PDF。自动创建带有元数据、关键字和标签的笔记。

IDE集成

光标IDE

打开MCP配置文件：
- 窗户： %USERPROFILE%\.cursor\mcp.json （或 C:\Users\<username>\.cursor\mcp.json)
- macOS： ~/.cursor/mcp.json
- Linux： ~/.cursor/mcp.json
添加以下配置：

基本配置（用途 .env 文件）：

{
  "mcpServers": {
    "a-mem": {
      "command": "python",
      "args": [
        "-m",
        "src.a_mem.main"
      ],
      "cwd": "C:\\Users\\tobs\\Downloads\\a-mem_-agentic-memory-system\\a-mem_-agentic-memory-system"
    }
  }
}

高级配置（带环境覆盖）：

您可以覆盖 .env 使用以下命令直接在MCP配置中设置 env 块。这允许在不修改的情况下对每个实例进行自定义 .env 文件：

{
  "mcpServers": {
    "a-mem": {
      "command": "python",
      "args": [
        "-m",
        "src.a_mem.main"
      ],
      "cwd": "C:\\Users\\tobs\\Downloads\\a-mem_-agentic-memory-system\\a-mem_-agentic-memory-system",
      "env": {
        "LLM_PROVIDER": "ollama",
        "OLLAMA_LLM_MODEL": "qwen3:4b",
        "RESEARCHER_ENABLED": "true",
        "RESEARCHER_CONFIDENCE_THRESHOLD": "0.5"
      }
    }
  }
}

配置策略：

.env 文件：默认配置（自动加载）
env 块：覆盖每个MCP实例的特定设置
优先级: env 块值覆盖 .env 文件值

重要提示： 调整 cwd 转到项目目录的绝对路径！

重新启动Cursor以加载配置。

Visual Studio代码（带MCP扩展）

安装VSCode的MCP扩展（如果可用）
打开VSCode设置（JSON）：
- Ctrl+Shift+P （Windows/Linux）或 Cmd+Shift+P （macOS）
- 键入“首选项：打开用户设置（JSON）”
添加MCP服务器配置：

基本配置（用途 .env 文件）：

{
  "mcp.servers": {
    "a-mem": {
      "command": "python",
      "args": ["-m", "src.a_mem.main"],
      "cwd": "/path/to/a-mem-mcp-server"
    }
  }
}

高级配置（带环境覆盖）：

{
  "mcp.servers": {
    "a-mem": {
      "command": "python",
      "args": ["-m", "src.a_mem.main"],
      "cwd": "/path/to/a-mem-mcp-server",
      "env": {
        "LLM_PROVIDER": "ollama",
        "OLLAMA_LLM_MODEL": "qwen3:4b",
        "RESEARCHER_ENABLED": "true"
      }
    }
  }
}

备选方案： 使用 mcp.json 项目根目录中的文件：

{
  "mcpServers": {
    "a-mem": {
      "command": "python",
      "args": ["-m", "src.a_mem.main"],
      "cwd": "${workspaceFolder}",
      "env": {
        "LLM_PROVIDER": "ollama"
      }
    }
  }
}

注：这 env 块允许您覆盖 .env 每个实例的设置，而无需修改基本配置文件。

IDE中的用法

配置后，MCP工具可以直接在IDE中使用：

聊天/作曲：通过自然语言使用工具
- “存储此信息：…”
- “搜索关于以下内容的回忆：…”
- “显示内存统计信息”
代码：工具作为功能自动可用

看 MCP_SERVER_SETUP.md 有关所有可用工具的详细信息。

事件日志

所有系统事件都会自动记录到 data/events.jsonl JSONL格式（每行一个JSON对象）。这提供了以下内容的完整审计跟踪：

笔记创建和更新
关系创建和删除
记忆进化事件
酶维护运行
日程安排活动

您可以通过以下方式查看事件日志：

# View last 10 events
tail -n 10 data/events.jsonl

# View all events
cat data/events.jsonl | jq .

📚 文档

MCP_SERVER_SETUP.md -MCP服务器设置和配置
docs/TEST_REPORT.md -测试结果
docs/MCP_SERVER_TEST_REPORT.md -MCP服务器集成测试
docs/EMBEDDING_DIMENSIONS.md -嵌入尺寸处理指南
docs/RESEARCHER_AGENT_DETAILED.md - 详细的Researcher Agent文档 （代码集成，功能，工作流程）
docs/MEMORY_ENZYMES_DETAILED.md - 详细的记忆酶文档 （代码集成、功能、工作流、19+ 操作）
tools/RESEARCHER_README.md -研究人员代理快速参考

📊 直观图

更新的基于白色背景和黑色字体的 Mermaid SVG 图表：

系统架构概述

存储架构详情

记忆酶工作流程

MCP 工具概述

类型分类系统

更多文件：

docs/MEMORY_ENZYMES_DETAILED.md - 全面的记忆酶文档，包括所有19+操作
docs/RESEARCHER_AGENT_DETAILED.md - 详细的Researcher Agent文档

🧪 测试

# Core functionality tests
python tests/test_a_mem.py

# Code structure tests
python tests/test_code_structure.py

# New features tests (Type Classification, Priority Scoring, Event Logging)
python tests/test_new_features.py

# Memory enzymes tests (Link Pruner, Relation Suggester, Digest Node)
python tests/test_enzymes.py

# Scheduler tests
python tests/test_scheduler.py

测试结果： 24/24测试通过✅

🧪 基准测试

该项目包括一个用于测试Ollama模型速度和性能的现代TUI基准工具：

python ollama_benchmark.py

此工具测量模型速度指标（令牌/秒、延迟、第一个令牌时间），以帮助您为您的用例选择最佳的Ollama模型。

看 BENCHMARK_README.md 了解详情。

📊 图形可视化

该项目包括一个基于网络的仪表板，用于可视化内存图、分析优先级和探索模式：

python tools/visualize_memory.py

然后打开浏览器 http://localhost:8050 查看交互式仪表板。

特征：

图形可视化：交互式网络图，节点大小基于优先级，颜色基于类型
优先级统计：按注释类型显示优先级分布的方框图
关系分析：关系类型分布柱状图
事件时间表：所有系统事件的时间线可视化
节点详细信息：包含优先级、边数、摘要和标签的详细表格

当您单击刷新按钮时，仪表板会自动刷新，允许您探索内存系统中的模式和见解。

数据同步： 可视化工具从以下位置加载图形数据 data/graph/knowledge_graph.json。要更新数据，请运行：

python tools/extract_graph.py

此脚本通过HTTP连接到正在运行的MCP服务器（如果 TCP_SERVER_ENABLED=true 在 .env)并将当前图形状态保存到磁盘。

📈 实时图形状态

快速检查内存系统的状态（类似于 git status):

# Full status (default)
python tools/amem_stats.py

# Compact one-line output
python tools/amem_stats.py --compact

# JSON output (for scripting)
python tools/amem_stats.py --json

# Show changes since last run
python tools/amem_stats.py --diff

# Watch mode (auto-refresh every 5 seconds)
python tools/amem_stats.py --watch

# Watch mode with custom interval (10 seconds)
python tools/amem_stats.py --watch 10

输出示例：

完整状态：

🧠 A-MEM Graph Status
==================================================
📝 Notes:        47
🔗 Relations:    89
📊 Notes by Type:
   🔴 rule           12
   🔵 procedure      15
   🟢 concept        20
⚙️  Last Enzyme Run: 23min ago
📡 Data Source: http
==================================================

紧凑模式：

47 notes | 89 relations | Last: 23min ago

差异模式：

+5 notes | +12 relations | -3 zombie nodes

观看模式： 每N秒持续刷新一次显示器。非常适合在编码时进行监控！按 Ctrl+C 停止。

该工具会自动尝试从正在运行的MCP服务器获取实时数据（如果启用了HTTP服务器），否则从磁盘读取。非常适合在编码时监控您的内存系统！

外壳别名（可选）： 添加到您的 ~/.bashrc, ~/.zshrc，或PowerShell配置文件：

alias amem="python ~/path/to/a-mem-mcp-server/tools/amem_stats.py"
# Then simply: amem

📊 状态

✅ 100%纸张合规
✅ 所有测试通过 （24/24测试）
✅ 模块化结构
✅ 多提供商支持 （Ollama+OpenRouter）
✅ MCP服务器集成 （15个工具）
✅ 内存重置和管理工具
✅ 类型分类和优先级评分
✅ 事件记录和审计跟踪
✅ 记忆酶（自主图形维护）
✅ 自动调度程序（每小时维护）
✅ HTTP服务器 （可选，适用于外部工具，如 extract_graph.py) ✅ 图形后端选择 （NetworkX、RustworkX、FalkorDB-实验性） ✅ 参数验证 （自动验证所有MCP工具参数） ✅ 安全图形包装器 （边缘案例处理和数据净化） ⚠️ Windows FalkorDB支持 （用于Windows用户的实验性专用适配器-未完全测试）

📄 许可证

此项目根据MIT许可证获得许可-请参阅许可证文件以获取详细信息。

该实现基于研究论文 “A-Mem:LLM代理的代理记忆”.

🙏 致谢

论文原作者：徐吴江、梁祖杰、梅、高杭、谭俊涛、张永峰
原始存储库：
- 代理记忆 -基准评估
- A-mem-sys -生产就绪系统

由tobi和CURSOR IDE为社区创建了新的Composer 1模型❤️