（865期）Neolata Memory Engine – 零依赖Agent记忆引擎 · 图原生 · 生物衰减

零依赖Agent记忆引擎 · 图原生 · 生物衰减 专为AI Agent设计的零依赖图原生记忆引擎，支持混合向量/关键词搜索、生物衰减、冲突检测与多Agent协作，默认完全本地运行无需外部服务。 使用说明 neolata-mem 综合评估 neolata-mem 是一款面向 AI Agent 的图原生记忆引擎，采用零依赖架构（15个文件约40KB），提供从简单关键词搜索到复杂语义网络的完整记忆管理能力。 核心用法 基础存储检索：createMemory() 创建实例后，通过 mem.store(agentId, content) 存储，mem.search(agentId, query) 检索，默认使用本地JSON文件存储，无需任何配置。 混合搜索架构：配置嵌入服务（OpenAI/NVIDIA/Azure/Ollama/等）后启用向量搜索，未配置时自动回退到倒排索引关键词匹配；超500条记忆时采用"候选收窄"策略优化性能。 生物衰减机制：mem.decay() 定期运行维护，未被强化的记忆随时间自然衰减，mem.reinforce(id) 可提升特定记忆的抗衰减能力。 图网络与冲突处理：自动基于语义相似度建立Zettelkasten式链接，支持 mem.links()、mem.path()、mem.clusters() 等图操作；声明式冲突检测（基于subject-predicate-value结构）和LLM语义冲突检测并存，低可信度冲突可隔离至待审队列。 高级功能：Episode时间分组、记忆压缩与整合、Predicate Schema注册表（定义冲突策略和归一化规则）、可解释性API、批量操作API、事件订阅机制等。 显著优点 零基础设施门槛：单npm包安装，无Docker/Python/Neo4j依赖，默认配置完全离线运行 供应链安全：零运行时依赖，无install脚本，tarball可审计 渐进式复杂度：从纯关键词搜索平滑升级到向量+LLM增强，不强制绑定任何云服务商 多Agent原生设计：跨Agent搜索、独立命名空间、统一图视图 细粒度安全控制：仅2个环境变量被代码直接读取，其余通过配置对象传递；SSRF防护、路径遍历防护、原子写入、加密UUID等硬化措施 弹性存储后端：JSON文件（默认）、内存模式（测试用）、Supabase PostgreSQL可选 潜在局限 规模天花板：默认50K记忆上限、单批次1000条存储限制，非为海量数据设计 嵌入服务依赖：语义搜索需外部API或本地Ollama，纯关键词搜索精度有限 冲突检测成本：LLM语义冲突检测需消耗token；声明式检测需开发者预定义schema Node.js生态绑定：仅支持Node ≥18，无Python/Go/Rust等多语言SDK Supabase集成风险：误用service key将绕过RLS，需严格遵循安全指引 适合人群 需要跨会话持久记忆的AI Agent开发者 重视数据本地驻留、拒绝强制云服务的隐私敏感场景 需要记忆可解释性和冲突审计的企业级应用 希望渐进式引入向量搜索而非一次性绑定OpenAI生态的团队 多Agent协作系统需要统一记忆层的架构师 常规风险 webhook 配置风险：启用webhookWritethrough后，每次存储事件POST至外部URL，构成明确的数据外泄面，仅应配置可信端点 API密钥泄露：尽管框架有XML围栏和注入防护，LLM提供商的API密钥仍可能在日志或错误信息中意外暴露 衰减误删：未正确配置reinforce策略可能导致高价值历史记忆被自动清理 分布式状态不一致：多实例共用Supabase后端时，缺乏内置的分布式锁或事务协调机制 原始说明 Graph-native memory engine for AI agents — hybrid vector+keyword search, biological decay, Zettelkasten linking, trust-gated conflict resolution, explainabil...