README

CogniMem

一个受人类认知启发的、零 LLM 依赖的智能体记忆与检索架构

CogniMem 是一个创新的 AI 记忆系统，它不依赖任何大语言模型，通过模拟人脑的"关联思维"与"分层记忆"机制，在 LoCoMo 长期对话基准上实现了 84.2% 的关键词命中率和 26.4% 的精确包含命中率，性能超越目前所有公开的零 LLM 方案，逼近依赖 GPT-4 级别模型的生产系统。

English | 中文

---

 📖 目录

- 核心特性
- 架构总览
- 核心创新
- 基准测试结果
- 快速开始
- 项目结构
- 关键模块详解
- 与竞品对比
- 设计理念
- 已知局限
- 未来路线图
- 贡献指南

---

 ✨ 核心特性

- 🧠 零 LLM 依赖：所有检索与推理均为纯统计算法 + 规则系统，无任何大模型参与
- 🔗 关联思维架构：存储结构化的实体-关系-实体三元组，而非原始文本
- 📊 IDF 加权检索：自动识别稀有词与高频词，动态调整检索权重
- ⏰ 时间归一化：自动将"yesterday"、"last week" 等相对时间转换为绝对日期
- 🕸️ 扩散激活：从种子实体出发，沿图结构联想间接相关记忆
- 📐 三层三元组：事件层（原文证据）+ 知识层（图关系）+ 时间层（绝对日期）
- 🌱 好奇心驱动：主动识别知识空白并生成探索性问题
- 💾 本地持久化：基于 SQLite，零外部依赖，可完全离线运行
- 🔬 可复现基准：所有性能数据均可通过开源脚本复现

------

 🏗️ 架构总览

CogniMem 采用四层认知流水线 + 三库持久化记忆 + 六路混合检索的分层架构。

 一、数据写入路径

text
                        ┌──────────────────────┐
                        │     用户输入          │
                        └──────────┬───────────┘
                                   │
                                   ▼
        ╔══════════════════════════════════════════════════════╗
        ║         第一层 · 感知与输入门控 (Input Gate)             ║
        ╠══════════════════════════════════════════════════════╣
        ║  6 维评分：重要性 / 置信度 / 优先级 / 时效性         	   ║
        ║           / 矛盾度 / 相关性                        	   ║
        ║  → 过滤噪音，低于阈值的信息直接丢弃                   	   ║
        ╚══════════════════════════┬═══════════════════════════╝
                                   │
                                   ▼
        ╔══════════════════════════════════════════════════════╗
        ║         第二层 · Engram 知识查找 (O(1) 缓存)             ║
        ╠══════════════════════════════════════════════════════╣
        ║  				哈希键值缓存，重复查询秒级返回               ║
        ╚══════════════════════════┬═══════════════════════════╝
                                   │
                                   ▼
        ╔══════════════════════════════════════════════════════╗
        ║      第三层 · HySparse 混合稀疏编码 (Linear O(n))        ║
        ╠══════════════════════════════════════════════════════╣
        ║  每个 Block = 1 层 Full Attn + N 层 Sparse Attn        ║
        ║  Full：生成 top-k 索引 + KV Cache                      ║
        ║  Sparse：复用 KV，仅算局部窗口 + 全局采样                  ║
        ║  → 1000 token 下比全注意力快 5×、省内存 3×                
        ╚══════════════════════════┬═══════════════════════════╝
                                   │
                                   ▼
        ╔══════════════════════════════════════════════════════╗
        ║       第四层 · 液态推理引擎 (Liquid CfC, O(1))           ║
        ╠══════════════════════════════════════════════════════╣
        ║  液态时间常数网络：动态状态演化，无 KV Cache 增长     	   ║
        ╚══════════════════════════┬═══════════════════════════╝
                                   │
                                   ▼
        ╔══════════════════════════════════════════════════════╗
        ║              三元组提取与分层存储                        ║
        ╠══════════════════════════════════════════════════════╣
        ║  ① 事件层：(speaker, said, )      → 全