2509.00xxxx_MemU: 一个前瞻性很强但尚不成熟的记忆框架¶
主要内容¶
备注
memU 是一个前瞻性很强但尚不成熟的记忆框架。它展示了如何通过多阶段LLM调用实现智能记忆管理，尤其在“心智理论”和记忆结构化方面很有启发性。然而，由于其强依赖LLM响应能力与文件系统存储限制，目前更适合作为研究或轻量级项目使用。
最佳场景：¶
情感陪伴应用：虚拟伴侣、数字人等需要建立情感连接的场景
心理咨询：需要理解用户情感状态和历史的应用
健康管理：长期跟踪用户健康状况和生活习惯的系统
个性化推荐：基于用户偏好和历史行为的推荐系统
核心架构：记忆即文件系统¶
memU 将记忆视为一个自主运行的文件系统，所有记忆内容都被组织成不同的“文件夹”（分类），每个记忆项都是一个“文件”。
当你与AI对话时，memU 会自动：
提取关键信息
更新现有记忆
生成新记忆
链接相关记忆
动态优化存储结构
技术架构¶
自生长文件夹机制：动态创建和组织记忆结构，适应不断变化的对话主题
动态知识图谱：自动识别对话中的实体和关系，构建演进的知识网络
多模式检索：支持语义/混合/上下文感知检索，适应不同查询需求
离线分析引擎：在非交互时段分析记忆数据，生成新洞察并主动更新知识库
两大核心接口¶
memorize（记忆）：将对话内容提取并存储为结构化记忆
retrieve（检索）：根据上下文快速找回相关记忆
核心处理流程¶
记忆抽取与处理¶
架构图: https://qcn3wi057vzm.feishu.cn/wiki/Qg16wGBFriSWiUkhGq1csnDenth
memU 的核心在于其多阶段、LLM驱动的记忆处理流水线。当你提交一段对话后，它会异步处理、依次执行以下6个关键子过程：
add_activity_memory - 原始对话结构化
目的：将杂乱无章的原始对话转换成一条条结构清晰、自包含的“记忆项”。
做法：使用LLM对原始对话进行理解和重组，将相关的语句组合成一条完整的活动描述（例如，将“我昨天去了公园。公园很漂亮。我看到了很多花。”合并为“用户昨天去了一个漂亮的公园，并看到了很多花。”），并为每条记忆生成唯一ID和嵌入向量。
输出：一组格式规范、可供后续处理的基础记忆单元。
run_theory_of_mind - 心智理论推断
目的：读出用户的“言外之意”，推断出用户未明确表达但可能隐含的信息、情绪或特质。
做法：基于上一步的结构化记忆，让LLM扮演一个“心理学家”，进行推理和分析（例如，用户说“项目终于上线了，累死了”，可以推断出“用户可能对工作成就感到自豪，但同时近期压力很大”）。
输出：一系列带有“可能”、“也许”等模态副词的推断性记忆项，丰富了用户画像的维度。
generate_memory_suggestions - 生成记忆建议
目的：决定哪些信息值得被存入长期的、分类的记忆库中。
做法：综合分析前两步得到的所有记忆项，判断每条信息最适合放入哪个记忆类别（如profile个人档案、event事件、activity活动等），并生成具体的存储建议。
输出：一个针对各个记忆类别的、包含具体内容建议的列表。
update_memory_with_suggestions - 执行记忆更新
目的：根据上一步的建议，实际执行对记忆库的增、删、改、查操作。
做法：再次调用LLM，将其视为一个“数据库管理员”。LLM会对比新建议和记忆库中的现有内容，决定是需要新增一条记忆、更新某条现有记忆、删除过时信息，还是仅刷新一下时间戳（TOUCH）。
输出：一系列具体的操作指令（ADD/UPDATE/DELETE/TOUCH），并最终写入文件系统。
link_related_memories - 链接相关记忆
目的：打破记忆孤岛，在不同记忆之间建立关联网络，模拟人脑的联想式记忆。
做法：首先通过 embedding 向量相似度进行初步筛选，找到内容上可能相关的记忆候选集。然后，可选地使用LLM进行精细过滤，判断这些记忆在语义上是否真正相关（例如，“用户在巴黎旅行”和“用户喜欢法国烘焙”是相关的）。
输出：在记忆项之间建立双向链接，形成一张知识图谱。 s
cluster_memories - 记忆聚类
目的：对记忆库进行宏观管理，自动发现新的主题或分类，优化存储结构。
做法：检查大量的记忆项，通过LLM判断是否可以将某些记忆合并成新的主题类别，或者调整现有的分类结构，使整个记忆系统更加有序和高效。
输出：优化后的记忆分类结构。
memU 优缺点¶
✅ 优点：
记忆提取更准确，格式规范（如时间必须为绝对日期）
自动分类，记忆结构清晰易检索
引入“心智理论”，能推断用户隐含信息
❌ 缺点：
对LLM提示词要求高，部分模型无法正确响应
存储基于文件系统，扩展性差，不适合大规模使用
调用LLM次数多，成本较高
记忆关联性仅存于内容中，重建耗时