（1283期）Ontology KG – AI 结构化记忆与知识图谱

AI 结构化记忆与知识图谱 基于 JSONL 的零依赖知识图谱工具，为 AI Agent 提供类型化实体、关系约束和可追溯的结构化记忆，替代扁平文件存储。 使用说明 核心用法 Ontology KG 是一套为 AI Agent 设计的轻量级知识图谱系统，通过类型化的实体（Entity）和关系（Relation）构建结构化记忆。核心操作包括：创建带类型的实体（Person、Project、Task 等）、建立实体间关系（如 has_owner、blocks）、执行属性过滤查询以及关系遍历。数据以 JSONL append-only 格式持久化，天然支持 Git 版本控制，零外部依赖。 显著优点 结构化存储：告别 grep 搜索，通过类型系统和关系链精准定位信息；零依赖轻量：纯 Python + JSONL，无需数据库即可运行；Git 友好：append-only 设计支持版本追踪与回滚；约束保障：内置类型校验、关系约束（如 blocks 无环性）、属性必填等机制，防止数据腐化；迁移友好：小数据量用 JSONL，大数据量可无缝迁移至 SQLite。 潜在缺点与局限性 性能瓶颈：JSONL 全文扫描在万级实体时延迟明显，需主动迁移至 SQLite；无分布式能力：单文件存储不适合多 Agent 并发写入；查询能力有限：内置查询语法较基础，复杂图遍历需自行实现；生态薄弱：相比 Neo4j、Dgraph 等成熟图数据库，工具链和可视化缺失。 适合的目标群体 个人 AI Agent 开发者、小型自动化工作流构建者、需要可解释记忆结构的 LLM 应用团队，以及偏好 Git 版本控制、轻量级方案而非重型数据库的工程师。 常规使用风险 数据一致性：append-only 无事务机制，异常中断可能产生不完整写入；存储膨胀：历史记录累积需定期压缩/归档策略；约束失效风险：自定义约束逻辑错误可能导致脏数据入库；查询性能退化：缺乏索引机制，随数据增长需主动优化存储后端。 原始说明 Typed knowledge graph for AI agent memory. Create entities, link relations, enforce constraints. JSONL append-only storage, zero dependencies. Use when agent...