Agent 开发,首选中文类脑记忆层

一个 MCP 端点,9 个工具,让你的 Agent 拥有会遗忘、会巩固、会自我进化的长期记忆。 LoCoMo 全量 1540 题 94.03%(SOTA 级),LongMemEval-S 500 题 87.80%(第一梯队)。

你的 Agent 还在"失忆"吗

做 Agent 的人迟早撞上同一堵墙:上下文窗口再大也是一次性的,RAG 检索只会"搜相似"。于是出现三种经典翻车:

1. 用户三周前说过已经离职,Agent 还在热情地聊旧公司——不懂时间;
2. 用户转述朋友的创业故事,Agent 把它记成了用户自己的经历——不懂主体;
3. 记忆库越堆越大,检索越来越浑,半年前的闲聊和昨天的关键决定权重一样——不会遗忘。

问题的根源是:大多数"记忆插件"把记忆当存储。而人脑的记忆是选择性理解——重要的留下,琐碎的褪去,碎片在睡眠中被整合成稳定的认识。

知己(agi-know.me)记忆层就是按这个思路做的:一个独立于任何 LLM 的类脑记忆系统,通过标准 MCP 协议挂到你的 Agent 上。

基准	成绩	说明
LoCoMo(长程对话记忆)	94.03%	全量 1540 题,双跑复核 94.03 / 93.83
LongMemEval-S(长时记忆评测)	87.80%	500 题,较基线 +2.81pp(p=0.024)

口径注:两项均为盲跑——推理时不读任何题型标签(不开卷),判官模型全程锁定,LoCoMo 为双次全量复跑取值。各家自报成绩口径差异较大,我们把口径一并公开,欢迎按同口径复测。

类脑在哪里:九阶段架构

阶段	能力	一句话
1	向量混合搜索	全文 trigram + 中文向量 + 11 阶段检索管线
2	记忆代谢	FSRS 幂律遗忘、访问强化、4 级保护
3	认知双层	推论引擎 + 工作空间
4	睡眠巩固	定时 LLM 合成、梦境回放、再巩固
5	参数化记忆	LoRA/QLoRA 把稳定内核烤进权重
6	多专家编排	实体图谱、冲突检测、查询改写
7	自演化	指标采集、自动调参、安全回滚
8	多智能体 API	API Key、权限、限流、审计
9	情感/意义计算	VAD 情感模型、闪光灯记忆

重点展开三个对 Agent 开发者最实用的:

① 向量混合搜索:不是 top-k,是"工作记忆组装"

一次召回走 11 个阶段:中文 trigram 全文匹配 → 向量语义 → 时间衰减加权 → 访问强化 → 跨 Bot 去重 → 综合排分,最后按认知科学的 7±2 组块组装成工作空间——相关记忆片段、用户画像摘要(7 层 37 维)、结构化事实、推论提示一次性给你,直接注入系统提示词就能用。你拿到的不是一堆相似句子,而是"此刻该想起什么"。

② FSRS 记忆代谢:会遗忘的记忆才可信

我们把间隔重复领域的 FSRS 算法用在了反方向——不是帮人记住,而是让机器科学地忘掉:每条记忆按幂律衰减,被检索会强化,情感强度高的(闪光灯记忆)衰减更慢,核心事实有 4 级保护不会误删。结果是:记忆库不会随时间变成垃圾场,"最近且重要"的信息自然浮在上面,不需要你手写清理逻辑。

③ 自演化:你的一次点赞,在给记忆系统调参

zhiji_feedback 工具把点赞/点踩接进自演化引擎:反馈变成奖励信号,对刚才召回的记忆块做 Q 值强化或惩罚,检索权重按用户个人化调整。这是一个真实的闭环——越用越懂你不是营销词,是有奖励函数的。

此外还有睡眠巩固(定时把碎片对话合成为稳定认识)、实体图谱 + 多主体分流(朋友的事进实体层,不污染你的画像)、VAD 情感计算(记住这件事时你是什么心情)。

9 个 MCP 工具

工具	类型	干什么
zhiji_workspace_assemble	读	一站式组装记忆上下文(记忆+画像+事实+推论)
zhiji_memory_search	读	轻量混合搜索,只要召回不要推理时用
zhiji_profile_get	读	用户画像文本摘要,直接注入系统提示词
zhiji_facts_get	读	结构化事实清单(带置信度、冲突状态)
zhiji_prospective_due	读	到期的待办/承诺,让 Agent 主动提醒
zhiji_memory_ingest	写	把一轮对话写入长期记忆
zhiji_ingest_file	写	音频/图片/PDF/视频经转写 OCR 后进记忆
zhiji_feedback	反馈	点赞/点踩,反哺自演化
zhiji_status	诊断	连通性与规模检查

读写分明:5 读 + 2 写 + 1 反馈 + 1 诊断,已收录 MCP 官方 registry。

5 分钟接入

① 打开 知己前端「API 及 MCP」页 注册并创建一把 agent Key(mb- 前缀,绑定你的账号);

② Claude Code 一行接入:

claude mcp add zhiji-memory --transport http \
  --url https://agi-know.me/mcp \
  --header "Authorization: Bearer mb-你的Key"

Cursor / Cherry Studio / LobeChat 等 URL 型配置:

{
  "mcpServers": {
    "zhiji-memory": {
      "url": "https://agi-know.me/mcp",
      "headers": { "Authorization": "Bearer mb-你的Key" }
    }
  }
}

③ 让 AI 先调一次 zhiji_status 验证连通,然后正常聊——写入用 zhiji_memory_ingest,下次对话开场调 zhiji_workspace_assemble,你的 Agent 就"认识"这个用户了。

中文原生 + 数据安全

• 中文原生:trigram 全文索引对中文分词友好,向量模型选用中文效果最好的 BGE 系(1024 维),全部调优与评测都在中英混合语料上完成——这是"中文类脑记忆层"里"中文"两个字的分量。
• 数据安全:全链路 TLS,敏感字段落库 AES-256-GCM 加密,支持一键删除全部个人数据(删除链经过专项审计)。

现在就试

给你的 Agent 挂一个会遗忘、会巩固、会进化的记忆层,只需要一个 URL:

👉 https://agi-know.me/mcp

接入后你会发现:让 Agent"记住用户"这件事,和让它"检索文档"根本不是同一个问题。前者需要的不是数据库,是一个会新陈代谢的记忆系统。

---