跳转到主要内容

​
架构概览

Memorose 是一个面向智能体（Agent）的记忆运行时（Memory Runtime）。系统接收原始事件，将其整合为持久化记忆，推导出高阶洞察（Insight），追踪目标执行状态，并通过 Rust 服务端、仪表盘（Dashboard）和基于 Raft 的部署原语对外暴露所有能力。

​
系统架构

​
数据流

​
工作区结构

crates/
├── memorose-common    # shared config, core types, task and graph models
├── memorose-core      # engine, storage, retrieval, graph, organization knowledge
└── memorose-server    # Axum API, dashboard auth, management routes

​
运行时管道

  1. 事件通过 /v1/users/:user_id/streams/:stream_id/events 到达
  2. L0 原始事件被存储并排入整合（Consolidation）队列
  3. 整合过程生成 L1 记忆单元（Memory Unit）
  4. 反思（Reflection）与图/社区分析生成 L2 洞察
  5. L3 目标与任务记忆协调后续工作和执行状态
  6. 检索（Retrieval）融合向量、文本、图谱和共享知识信号
  7. 遗忘（Forgetting）随时间修剪或压缩低价值记忆

​
核心产品概念

​
L0-L3

Memorose 使用显式的记忆层级（Memory Hierarchy）：
  • L0：原始事件流（Raw Event Stream）
  • L1：稳定的事实与过程性痕迹（Procedural Traces）
  • L2：主题、聚类、反思性摘要与共享洞察
  • L3：目标结构、任务树、里程碑、依赖关系与执行状态

​
领域

所有权与共享模型如下：
  • agent：特定智能体如何学习操作
  • user：用户是谁以及他们的偏好
  • organization：从授权源记忆中投射出的可复用共享知识

​
流（Streams）

每个摄入和检索请求都限定在一个 stream_id 范围内。流保留会话级别的时间顺序，同时仍然为长期记忆提供数据。

​
存储模型

Memorose 组合了多个存储引擎（Storage Engine），而非将所有内容推入单一系统：
  • RocksDB 用于本地持久化状态和键值访问
  • Lance 用于嵌入向量（Embedding）和向量检索
  • Tantivy 用于文本检索
  • 图谱（Graph）和组织知识视图构建在上述原语之上

​
检索模型

检索在设计上就是混合的（Hybrid）。查询可以组合：
  • 语义相似度（Semantic Similarity）
  • 文本搜索
  • 图谱深度扩展
  • 时间过滤
  • 组织知识
  • 可选的多模态嵌入输入（Multimodal Embedding）

​
部署模型

  • 单节点模式用于本地开发
  • 基于 Raft 的集群用于复制部署
  • 分片拓扑（Sharded Topologies）用于更大规模的安装
  • 独立的仪表盘 UI 运行在端口 3100
这首先是基础设施软件。文档应以此模型为前提来阅读。