memory-fabric

Memory Fabric - 图谱编排

通过 mcp__memory__* 实现知识图谱编排，用于实体提取、查询解析、去重和交叉引用加权。

概述

• 从知识图谱全面检索记忆
• 在图谱存储中交叉引用实体
• 确保不会遗漏相关记忆
• 根据图谱查询构建统一上下文

架构概述

Memory Fabric Layer
┌─────────────┐ ┌──────────────┐
│Query Parser │ │Query Executor│
└──────┬──────┘ └──────┬───────┘
       └───────┬───────┘
┌──────────────┴─────────────┐
│Graph Query Dispatch        │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│mcp__memory__*              │
│(Knowledge Graph)           │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│Result Normalizer           │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│Deduplication Engine        │
│(>85% sim)                  │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│Cross-Reference Booster     │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│Final Ranking: recency ×    │
│relevance × source_authority│
└────────────────────────────┘

统一搜索工作流

步骤 1：解析查询

从自然语言中提取搜索意图和实体线索：

Input: "What pagination approach did database-engineer recommend?"

Parsed:
- query: "pagination approach recommend"
- entity_hints: ["database-engineer", "pagination"]
- intent: "decision" or "pattern"

步骤 2：执行图谱查询

查询图谱（实体搜索）：

mcp__memory__search_nodes({
  query: "pagination database-engineer"
})

步骤 3：规范化结果

将结果转换为统一格式：

{
  "id": "graph:original_id",
  "text": "content text",
  "source": "graph",
  "timestamp": "ISO8601",
  "relevance": 0.0-1.0,
  "entities": ["entity1", "entity2"],
  "metadata": {}
}

步骤 4：去重（相似度 >85%）

当两个结果的文本相似度 >85% 时：

1. 保留相关性得分较高的结果
2. 合并元数据
3. 标记为“交叉验证”，以提升可信度

步骤 5：交叉引用加权

如果某个结果提及的实体也存在于图谱的其他位置：

• 将相关性得分提高 1.2 倍
• 将图谱关系添加到结果元数据中

步骤 6：最终排序

得分 = recency_factor × relevance × source_authority

因素	权重	说明
recency	0.3	较新的记忆排名更高
relevance	0.5	语义匹配质量
source_authority	0.2	图谱实体加权、交叉验证加权

结果格式

{
  "query": "original query",
  "total_results": 4,
  "sources": {
    "graph": 4
  },
  "results": [
    {
      "id": "graph:cursor-pagination",
      "text": "Use cursor-based pagination for scalability",
      "score": 0.92,
      "source": "graph",
      "timestamp": "2026-01-15T10:00:00Z",
      "entities": ["cursor-pagination", "database-engineer"],
      "graph_relations": [
        { "from": "database-engineer", "relation": "recommends", "to": "cursor-pagination" }
      ]
    }
  ]
}

实体提取

Memory Fabric 从自然语言中提取实体，以便存储到图谱中：

Input: "database-engineer uses pgvector for RAG applications"

Extracted:
- Entities:
  - { name: "database-engineer", type: "agent" }
  - { name: "pgvector", type: "technology" }
  - { name: "RAG", type: "pattern" }
- Relations:
  - { from: "database-engineer", relation: "uses", to: "pgvector" }
  - { from: "pgvector", relation: "used_for", to: "RAG" }

加载 Read("references/entity-extraction.md")，查看详细的提取模式。

图谱关系遍历

Memory Fabric 支持多跳图谱遍历，用于复杂的关系查询。

示例：多跳查询

Query: "What did database-engineer recommend about pagination?"

1. Search for "database-engineer pagination"
   → Find entity: "database-engineer recommends cursor-pagination"

2. Traverse related entities (depth 2)
   → Traverse: database-engineer → recommends → cursor-pagination
   → Find: "cursor-pagination uses offset-based approach"

3. Return results with relationship context

与图谱记忆集成

Memory Fabric 使用知识图谱来处理实体关系：

1. 通过 mcp__memory__search_nodes 进行图谱搜索，查找匹配的实体
2. 通过实体关系进行图谱遍历，扩展上下文
3. 实体匹配时通过交叉引用提升相关性

集成点

与 memory Skill 集成

运行记忆搜索时，可以选择使用 Memory Fabric 获取统一结果。

与 Hooks 集成

• prompt/memory-fabric-context.sh - 在会话开始时注入统一上下文
• stop/memory-fabric-sync.sh - 在会话结束时将实体同步到图谱

配置

# Environment variables
MEMORY_FABRIC_DEDUP_THRESHOLD=0.85    # Similarity threshold for merging
MEMORY_FABRIC_BOOST_FACTOR=1.2        # Cross-reference boost multiplier
MEMORY_FABRIC_MAX_RESULTS=20          # Max results per source

MCP 要求

必需： 知识图谱 MCP 服务：

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": ["-y", "@anthropic/memory-mcp-server"]
    }
  }
}

错误处理

场景	行为
图谱不可用	错误 - 图谱为必需项
查询为空	返回图谱中的近期记忆

相关技能

• ork:memory - 面向用户的记忆操作（搜索、加载、同步、可视化）
• ork:remember - 面向用户的记忆存储
• caching - 可使用 fabric 的缓存层

关键决策

决策	选择	理由
去重阈值	85%	在捕获重复内容与保留细微差别之间取得平衡
并行查询	始终启用	降低延迟，两个来源相互独立
交叉引用加权	1.2 倍	经验证的信息更可信，但不会占主导地位
排序权重	0.3/0.5/0.2	相关性最重要，时效性次之