SMRITI Memory

SMRITI Memcore

面向 LLM Agent、多 Agent 框架和 MCP 客户端的企业级、隐私优先长期记忆（LTM）引擎。

www.smriti-memcore.com

交互式语义宫殿图谱浏览器（smriti ui） — 类别房间枢纽聚类、神经突触粒子流和实时双检查器。观看高清完整视频

---

什么是 SMRITI？

SMRITI 是一个高性能、受神经科学启发的长期记忆层，旨在为 AI Agent 提供持久、自适应的回忆能力，同时不阻塞其实时执行循环。

SMRITI 的设计灵感源自人类双加工认知理论，它将记忆操作分为：

1. 系统 1（即时启发式处理）：以毫秒级速度将原始交互解耦并摄入仅追加的情节缓冲区。
2. 系统 2（异步整合）：在后台由 LLM 驱动进行整合，提取知识图谱、解决矛盾、识别技能并衰减薄弱记忆。

---

SMRITI 与朴素 RAG 和向量数据库的比较

特性	朴素 RAG / 向量数据库	SMRITI 记忆引擎
延迟	随上下文大小线性增长；会阻塞 Agent 循环	摄入耗时不到 5 毫秒（系统 1）；系统 2 异步运行
上下文窗口	塞入原始日志，导致提示词膨胀并分散注意力	**米勒定律（7 ± 2 个槽位）**限定容量的工作记忆
数据演变	嵌入静态；难以处理矛盾和更正	自动解决冲突、抽象和时间衰减
关系	扁平的向量搜索；没有实体链接概念	语义宫殿图谱，展示结构化的房间／主题关联
隐私与同步	存储非此即彼；命名空间路由复杂	原生支持私有房间和 private=True 标签，以隔离用户同步

---

核心能力

• 双进程性能：实时循环零阻塞。立即写入，空闲时分析。
• 人格宫殿与按需中心：下载为历史人物（例如 Albert Einstein、Isaac Newton）预先策划的认知记忆宫殿，并以真实的思维模型与他们对话。
• 隐私优先（私人空间）：创建本地语义空间，其记忆会自动排除在共享／团队同步之外。
• Model Context Protocol（MCP）：原生 MCP 服务集成，支持 Claude Code、Claude Desktop、Gemini Antigravity 和 Codex。
• 符合 AMP v1.0 规范：可直接兼容任何符合 Agent Memory Protocol 的 Agent 框架。
• 可视化图谱浏览器：简洁的 D3.js 可视化界面，并支持 Prometheus 指标监控。
• Obsidian Vault 集成：自动将 Agent 的记忆图谱同步到 Obsidian vault，供人工整理。
• 框架无关：原生集成 LangChain、LlamaIndex、CrewAI 和 AutoGen。

---

核心架构

                           ┌─────────────────────────────────┐
                           │    Asynchronous Consolidation   │
                           │      (8 Background Processes)   │
                           │  • Chunking      • Cross-Ref.   │
                           │  • Conflict Res. • Skill Ext.   │
                           │  • Forgetting    • Spaced Rep.  │
                           │  • Reflection    • Defragment.  │
                           └────────────────┬────────────────┘
                                            │ background
  ┌──────────┐   ┌──────────┐   ┌───────────▼─────────┐   ┌──────────┐
  │  Input   │──▶│ Attention │──▶│   Episode Buffer    │──▶│ Semantic │
  │  Text    │   │   Gate    │   │  (append-only log)  │   │  Palace  │
  │  └───────┘   │ (salience │   └─────────────────────┘   │  Graph   │
  │              │  filter)  │                              │ G=(V,E)  │
  └──────────┘   └──────────┘                              └────┬─────┘
                                                                │
  ┌──────────┐   ┌──────────┐   ┌───────────────────┐           │
  │  Query   │──▶│ Retrieval│──▶│  Working Memory   │◀──────────┘
  │          │   │  Engine  │   │   (7 ± 2 slots)   │
  └──────────┘   │ Q(v) =   │   └───────────────────┘
                 │ β₁cos +  │
                 │ β₂decay+ │   ┌───────────────────┐
                 │ β₃freq + │──▶│    Meta-Memory    │
                 │ β₄sal    │   │ (confidence map)  │
                 └──────────┘   └───────────────────┘

---

快速开始

1. 安装 SMRITI

安装核心记忆引擎和 CLI：

pip install smriti-memcore

（可选：确保 Ollama 在本地运行，以实现 100% 私密、免费的 LLM 推理：ollama run mistral）

---

2. 教授与课程创建者指南：打包课程内容

将原始讲义文件夹转换为独立、离线优先的 认知宫殿包（.smritibundle），为学生提供全天候的苏格拉底式教学助手。

# Package a folder of slides, transcripts, readings, or notebooks into an offline bundle:
smriti pack ./my-course-folder -o cs101.smritibundle

# Or package directly from a declarative YAML/JSON persona spec:
smriti pack ./course-spec.yaml -o cs101.smritibundle --install

• 支持的格式：PDF 幻灯片、WebVTT/SRT 视频课程字幕、Markdown、纯文本和 Jupyter 笔记本（.ipynb）。
• 零云端费用：所有向量嵌入均在本地计算（无需支付 OpenAI/HuggingFace API 费用）。
• 轻量分发：生成独立的归档文件（通常为 5–15 MB），其中包含向量索引、全文搜索和语义图谱。可直接上传到 Canvas、Blackboard、Piazza、Google Drive，或通过电子邮件发送给学生。

---

3. 学生指南：全天候苏格拉底式答疑时间

学生下载教授提供的 .smritibundle，即可直接在终端中与交互式课程导师对话——完全离线、私密且无需订阅。

# Step 1: Import the course bundle provided by your professor
smriti pull ./cs101.smritibundle

# Step 2: Start your 24/7 Socratic Office Hours
smriti chat cs101

# (Optional) Use a specific local Ollama model (e.g. Mistral, Qwen, Llama)
smriti chat cs101 --model mistral
smriti chat cs101 --model qwen3.5

• 精准溯源：询问任何概念，即可查看准确的幻灯片页码和视频课程字幕引文。
• 苏格拉底式教学法：课程人格不会直接给出作业答案，而是使用课程类比，从基本原理出发逐步引导学生。
• 100% 本地且私密：所有对话都保留在学生的笔记本电脑上，不会向外部服务发送任何学生数据。

官方注册表中的预先策划导师

你也可以立即体验开箱即用的导师：

# List all available mentors and locally installed bundles
smriti list

# Socratic Distributed Systems Professor (Raft, Paxos, CAP theorem)
smriti chat prof-systems

# 100% Private, Local CBT & Mindfulness Companion
smriti chat mindful-counsellor

# Historical Thinkers
smriti chat einstein
smriti chat newton
smriti chat marcus-aurelius

---

4. Smriti DevBrain：通用开发者记忆（Cursor、Claude、Windsurf、Gemini、Zed）

SMRITI 通过在所有 AI 编码工具之间充当共享的本地认知大脑，解决跨 Agent 失忆问题。在 Claude Code 或 Gemini 中解决的 Bug 会立即被 Cursor 记住。

第 1 步：自动配置所有已安装的 IDE 和 Agent

运行一条命令，即可在几秒内扫描并配置 Cursor、Claude Code、Windsurf、Gemini 和 Zed：

smriti install

（或者指定工具：smriti install --client cursor,windsurf）

第 2 步：初始化代码库工作区

在任意代码仓库中运行：

smriti init

这会自动：

• 在宫殿中为项目创建专用语义空间（repo:<name>）。
• 创建 .cursorrules、.cursor/rules/smriti.mdc、CLAUDE.md 和项目 .cursor/mcp.json。
• 安装轻量、非阻塞的 git post-commit 钩子，将近期提交和架构变更记录到记忆中。

Git 提交记忆钩子管理：

smriti hook install    # Enable automatic commit context logging
smriti hook uninstall  # Remove the post-commit hook

---

3. Python SDK

适用于构建自定义 Agent 循环的应用开发者。

pip install smriti-memcore[faiss] # FAISS is recommended for accelerated vector search

from smriti import SMRITI, SmritiConfig

# Initialize memory engine with OpenAI
config = SmritiConfig(
    storage_path="./my_agent_memory",
    llm_model="gpt-4o",
    openai_api_key="your-api-key-here"
)
memory = SMRITI(config=config)

# Ingest observations
memory.encode("User prefers using PyTorch for neural networks.")
memory.encode("User is allergic to shellfish.", context="medical")

# Recall relevant context using multi-factor retrieval
results = memory.recall("What framework does the user prefer?")
for mem in results:
    print(f"[{mem.strength:.2f}] {mem.content}")

# Manually trigger System 2 background consolidation
memory.consolidate()
memory.save()

# --- Or Load a Pre-Curated Persona (e.g. Albert Einstein) ---
einstein, manifest = SMRITI.from_persona("albert-einstein")
memories = einstein.recall("What thought experiment led to Special Relativity?")
for mem in memories:
    print(f"[{mem.strength:.2f}] {mem.content}")

---

MCP 工具参考

SMRITI 为客户端提供 19 个工具（13 个原生工具 + 6 个 AMP 别名）：

核心工具

工具名称	描述
smriti_encode	摄取新的记忆。接受 private=True，以将其排除在团队同步之外。
smriti_recall	使用语义检索和基于图的检索来提取记忆。
smriti_get_context	用于将当前活跃的工作记忆槽注入上下文窗口的辅助工具。
smriti_how_well_do_i_know	对给定主题执行元记忆置信度检查。
smriti_knowledge_gaps	识别 Agent 已发现需要更多信息的主题。
smriti_pin	将记忆标记为永久记忆（保护其免受强度衰减）。
smriti_forget	软删除/归档记忆，并留下加密墓碑。
smriti_consolidate	触发后台 System 2 整合任务。
smriti_stats	返回全系统统计信息（记忆总数、房间数、私有记忆数量）。
smriti_create_private_room	创建一个私有房间。房间内所有记忆均与其他可见范围隔离。
smriti_open_ui	在默认浏览器中启动交互式 D3.js 记忆图谱。
smriti_sync_obsidian	将 Semantic Palace 图结构导出为 Obsidian Vault 中的 Markdown 文件。

AMP v1.0 别名工具

这些端点确保完全符合标准 Agent Memory Protocol 规范：

AMP 工具	原生映射	返回格式
amp.encode	smriti_encode	AMP 标准 JSON 响应
amp.recall	smriti_recall	{id, content, score, timestamp, status} 数组
amp.forget	smriti_forget	{status: "forgotten" | "not_found"}
amp.stats	smriti_stats	{memory_count, ...}
amp.pin	smriti_pin	{status: "pinned" | "not_found"}
amp.consolidate	smriti_consolidate	{status: "ok", memories_processed: int}

---

框架集成

LangChain 集成

使用 SmritiLangChainMemory 作为默认聊天缓冲区的即插即用替代方案。它使用工作记忆限制活跃上下文，并在后台将对话历史转存到 Semantic Palace 图谱中。

from langchain.chains import ConversationChain
from smriti.integrations.langchain_memory import SmritiLangChainMemory
from smriti import SMRITI

smriti_engine = SMRITI(storage_path="./langchain_smriti_db")
smriti_memory = SmritiLangChainMemory(smriti_client=smriti_engine, top_k=3)

conversation = ConversationChain(
    llm=my_llm,
    memory=smriti_memory,
)
conversation.predict(input="I prefer backend APIs in Python.")

---

基准测试与性能

1. LoCoMo（多系统上下文检索）

在 LoCoMo 长上下文对话数据集（28 轮、15 个评估问题）上对四种架构进行了测试：

系统	F1 分数	延迟	每次查询的 Token 数	整合
FullContext	0.345	1147ms	550	—
MemGPT-style	0.334	1397ms	478	—
NaiveRAG	0.312	1387ms	145	—
SMRITI	0.279	1317ms	146	41.2s（异步）
Mem0-style	0.235	1088ms	106	—

SMRITI 在大幅缩减查询上下文的同时保持较高的召回率。整合在后台运行，不会阻塞客户端交互。

2. LongMemEval（长期聊天会话）

使用 LongMemEval 测试框架，在 50 多个聊天会话上进行了评估：

系统配置	精确匹配准确率	平均查询延迟
基线（完整上下文）	100.0%	11.98s
SMRITI 双进程	80.0%	0.98s（延迟降低 12 倍）

---

配置参数

使用自定义参数初始化 SmritiConfig，以调整认知权重：

from smriti import SmritiConfig

config = SmritiConfig(
    working_memory_slots=7,          # Capacity limit (Miller's Law)
    
    # Retrieval scoring weights (sum to 1.0)
    recency_weight=0.2,
    relevance_weight=0.4,
    strength_weight=0.2,
    salience_weight=0.2,

    # Forgetting & Temporal Decay
    decay_rate=0.99,                 # Strength multiplier per day
    strength_hard_threshold=0.05,    # Memories dropping below this are forgotten
    
    # Palace Graph
    room_merge_threshold=0.85,       # Cosine similarity for auto-merging semantic rooms
)

---

引用

如果您在研究中使用 SMRITI，请引用我们的技术论文：

@article{tyagi2025smriti,
  title={SMRITI: A Scalable, Neuro-Inspired Architecture for Long-Term Event Memory in LLM Agents},
  author={Tyagi, Shivam},
  year={2025},
  doi={10.13140/RG.2.2.25477.82407}
}

---

许可证

SMRITI 基于 MIT License 授权。详情请参阅 LICENSE。