Smriti

# SMRITI <p align="center"> <img src="assets/smriti-hero.svg" alt="SMRITI — 记忆知道何时" width="920"> </p> **结构化记忆，具备反射索引和时间推理** *smriti* (स्मृति): 梵文，意为“被记住的事物”。 一个零基础设施、本地优先、Apache-2.0许可的AI智能体内存层。一个SQLite文件。不需要Neo4j、Postgres、Docker、云账户或付费层。标准库HTTP + numpy是整个依赖面。 ```python from smriti import Smriti, LLM, OllamaEmbedder mem = Smriti(path="memory.db", embedder=OllamaEmbedder("nomic-embed-text"), llm=LLM("qwen3:14b", provider="ollama")) mem.add([{"role": "user", "content": "我于6月1日搬到了班加罗尔。"}], timestamp="2026-06-02T10:00:00Z") print(mem.context("我住在哪里？")) # 已知事实： # - [2026-01-15 | 已被2026-06-01取代] 用户住在海得拉巴。 # - [2026-06-01 | 当前] 用户住在班加罗尔。 ``` ## 您获得的是 一个今天就能运行、在您自己的机器上、并能在您自己的数据上验证的内存层 —— 无需基础设施、无需云账户、无需依赖排行榜。以下所有内容都是我们测试过的，而不是营销文案。 **1. 一行命令即可运行。无需搭建任何环境。** `pip install -e .` 为您提供了一个工作内存层，存储在一个单独的SQLite文件中 —— 无需Postgres、Neo4j、Qdrant、Redis、Docker或云账户。依赖面仅为Python标准库加上numpy。完整的离线测试套件和快速入门在无需网络和API密钥的情况下运行；lite模式完全离线。 **2. 无需外部服务即可运行 —— 且针对实际运行进行了强化。** 内存是一个文件：无需集群维护或版本匹配。它是提供者无关的 —— 可以指向任何OpenAI兼容的端点（Ollama、DeepSeek、Groq、OpenAI、vLLM...）和任何嵌入器。它在生产环境中生存：自动重试暂态网络错误、容错摄入（一次失败的尝试永远不会中止运行）、以及进度检查点 —— 所有这些都在实际网络故障后添加并测试过。 **3. 设计上成本低廉。** lite模式在写入时不进行任何LLM调用；完整模式在每个会话中只进行一次提取调用。检索打包了一个固定、预算上限的上下文（在我们的运行中，每个答案约1600个令牌），因此每个查询的成本保持在几分之一美分内 —— 即使是前沿的阅读器+裁判在500个问题上的成本也约为2.50美元。它在小型、廉价的模型上运行良好。Apache-2.0许可，所有功能都包含在内 —— 无需付费层即可使用图、时间或扩展功能。 **4. 可预测地扩展，您历史记录不会丢失。** 在包含的扩展测试框架上测量：约42,000行/秒的摄入速度、单数字毫秒级别的查询速度，最高可达约12k个记忆，并且在测试的每个扩展级别（300k+行）都能正确检索针头。更新*取代*而不是删除旧事实 —— 旧事实被标记为过去并保留，永远不会被销毁 —— 因此准确性不会随着会话的积累而悄悄衰退（这是删除写入系统随着时间推移而降低的故障模式）。您始终可以回答“现在什么正确”和“那时是什么正确”。 **5. 足够小，足够透明，您可以自己验证。** 约1.5k可读行，Apache-2.0许可。基准测试框架与代码一起提供，因此您可以用*您自己的*数据、*您自己的*裁判、*您自己的*硬件来衡量SMRITI —— `bench/ab.sh`运行一个固定裁判的A/B测试并打印增量变化。我们更愿意为您提供证明工具，而不是要求您相信我们自己评判的数字。 ## 它与其他框架的比较 每个最近的开放框架都有一个赌注，每个赌注都会带来实际的运营成本： | 框架 | 优势 | SMRITI填补的空白 | |---|---|---| | **GBrain** （Garry Tan，2026年4月） | 自我连接的带类型知识图谱，无需LLM调用进行提取；生产环境中已证明可处理146k+页面 | 需要Postgres + pgvector；需要手动编写markdown技能；无*截止日期*有效性模型；与OpenClaw / Hermes耦合 | | **Supermemory** （本地构建） | 声称在LongMemEval / LoCoMo / ConvoMem中排名第一；二进制本地模式，RAG + 连接器 + 嵌入式代理；成熟的全栈选项 | 一个大型系统您需要信任而不是阅读；“遗忘”和时间处理是内部的 —— 您无法审计*为什么*一个事实被删除或应用了哪个窗口 | | mem0 | 成熟的提取管道、广泛的SDK、90k+开发者 | 平面事实存储失去时间；图功能位于$249/mo Pro层后面；本地自托管需要Docker + Postgres + Qdrant；知识更新留下过时的事实相互竞争 | | Zep / Graphiti | 双时间知识图谱 —— 适合“何时正确”的正确模型 | 重型图数据库基础设施；社区版已弃用；高级功能仅限云端 | | Letta / MemGPT | 自我管理的内存层 | 您采用一个完整的代理运行时，而不是一个库；每个内存操作都花费LLM推理 | SMRITI的综合：**保留Zep的时间模型和GBrain的实体图谱，去除数据库负担；保留mem0的提取规则，增加取代；与Supermemory竞争透明度，而不是排行榜。** 一个SQLite文件，约1.5k行您可以坐下来阅读，有效性窗口打印到模型看到的上下文中。 ### 使用您自己的基准测试 SMRITI的立场是**发布并验证**。与其发布自我评判的标题，不如发布测试框架，并邀请您生成唯一重要的数字 —— 在您自己的对话中，使用您实际使用的模型和裁判。托管的领导者发布强大的排行榜分数；这些分数是使用前沿的阅读器评判他们自己的系统产生的，并且（通过他们自己的生产数据）其中一些分数在积累过时数据和矛盾时急剧下降。SMRITI的赌注是生产环境的现实：任何地方都可运行，值得信赖，保留完整的历史，几乎不花钱 —— 而且您可以通过一个命令自己验证准确性。在我们自己的系统内A/B测试中，每个类型的路由器在多会话聚合中提升约10个点（p<0.05），而在知识更新方面没有回归；这是否适用于您的工作负载，是您确认的，而不是我们要求您相信的。 ## 架构 每个阶段都带有梵文名称 —— 不是品牌，而是借用的精度。Nyaya的记忆账户（**anubhava → samskara → smriti**：体验留下印象，回忆从印象中产生）*是*写入路径；Vedanta的**badha**（覆灭：后来的认知使早期的认知无效，但不抹去它曾经发生过）*是*取代。完整的词典和每个术语背后的推理： [`NOMENCLATURE.md`](NOMENCLATURE.md)。 ``` 写入路径（写入时合并） 会话 ──► 事件日志 · anubhava अनुभव （仅追加，嵌入式，FTS索引） └─► 事实提取 · grahana ग्रहण （1个LLM调用/会话） └─► 冲突解决 · badha बाध ： 层级1：（主题，谓词）键冲突 → 取代，0令牌 层级2：语义冲突 → 1个微小仲裁调用 事实从不被删除 — invalid_at + superseded_by 保留完整的双时间历史（有效性窗口 = avadhi अवधि） 事实存储 · samskara संस्कार 读取路径（读取时反射） · smarana स्मरण 查询 ──► 4个通道并行： 1. shabda शब्द BM25（SQLite FTS5） 事实 + 事件 2. artha अर्थ 向量 事实 + 事件 3. sambandha सम्बन्ध 实体跳跃（图谱-lite，padartha物质链接） 4. kala काल 距离查询最近的事件日期 ──► 互惠排名融合 · sangama संगम ──► 有效性注释（当前 / 已取代-在-日期） ──► 打包，带有出处信息的上下文 · prasanga प्रसंग ``` 两个值得辩护的设计决策： 1. **事实和原始事件在检索时都是首要的。** 仅提取的系统会丢失提取器错过的任何内容；仅事件的系统在处理知识更新时很困难。融合两者可以获得精炼事实的精度和原始证据的召回安全性。 2. **取代，而不是突变。** “我住在哪里？”读取当前事实。“我之前住在哪里？”读取有效性窗口。相同的存储，没有额外的机制，完整的审计轨迹。 ### 模式 - **`lite`** （别名`laghu`， लघु — “轻”） — 写入时不进行任何LLM调用。事件摄入 + 4通道混合检索。近乎零成本，完全离线能力，检索仅限混合模式已知可恢复大部分基准价值。适合高容量代理的默认模式。 - **`full`** （别名`purna`， पूर्ण — “完整”） — 添加事实提取 + 写入时合并。每个会话一个提取调用，仅在语义冲突时进行仲裁调用。这是知识更新和时间推理准确性的来源。 ## 安装并在60秒内尝试 ```bash pip install -e . # 从此存储库 python -m pytest tests/ # 33个离线测试 — 无网络，无API密钥 python examples/quickstart.py # 现场查看取代 ``` 快速入门在**离线**（lite模式）下运行。对于LLM支持的提取和取代，将SMRITI指向任何OpenAI兼容的端点（Ollama，vLLM，LM Studio，Groq，DeepSeek，OpenRouter，托管）和任何嵌入器 — 无需额外安装。 ### 放入您的代理（MCP） SMRITI提供了一个一键MCP服务器，因此任何MCP兼容的代理（Claude Code，Cursor，...）都具有持久、可审计的内存： ```bash smriti-mcp --db memory.db # 或：python -m smriti.mcp_server --db memory.db ``` 将其添加到您的代理的MCP配置中： ```json { "mcpServers": { "smriti": { "command": "smriti-mcp", "args": ["--db", "memory.db"] } } } ``` 它公开了六种类型的工具，返回结构化的JSON — `remember`, `recall`, `search`, `facts_about`, `add_fact`, `stats`. 默认情况下离线（无密钥）；设置`SMRITI_LLM_MODEL` / `SMRITI_LLM_PROVIDER` / `SMRITI_API_KEY`以启用完整提取模式。 ### 在您的数据上进行基准测试 不要听我们说 — 在您自己的对话中，使用您自己的裁判，运行随附的测试框架： ```bash bash bench/ab.sh # 固定裁判的A/B，打印准确性变化 ``` ## 基准测试 测试框架位于`bench/`中，用于**LongMemEval**（ICLR 2025 — 实际标准：500个问题，约115k令牌历史，测试提取，多会话推理，时间推理，知识更新，放弃）和**LoCoMo**（mem0发布数字背后的基准）。 ```bash # 1. 获取数据集（LongMemEval来自HuggingFace，LoCoMo来自GitHub） python -m bench.download # 神谕 + locomo（小，快速） python -m bench.download --all # 每个分割，或命名一个：longmemeval_s # 2. 在神谕分割上进行快速本地验证 python -m bench.run --bench longmemeval --data data/longmemeval_oracle.json \ --mode lite --limit 50 --answer-model qwen3:14b --judge-model qwen3:14b # 3. 可比较的数字：full模式下的longmemeval_s python -m bench.run --bench longmemeval --data data/longmemeval_s_cleaned.json \ --mode full --provider groq --api-key $GROQ_API_KEY \ --memory-model llama-3.3-70b-versatile \ --answer-model llama-3.3-70b-versatile --judge-model llama-3.3-70b-versatile # 4. LoCoMo python -m bench.run --bench locomo --data data/locomo10.json --mode full --limit 200 ``` 输出：整体准确性，**每个问题类型的准确性**（诚实视图 — 时间推理和知识更新是扁平存储死亡的地方），摄入/答案延迟和令牌计数，以及用于错误分析的完整每个问题JSONL。 **诚实部分。** SMRITI尚未在完整的基准测试中运行 — 测试框架存在正是为了让数字来自您的硬件，而不是来自营销。发布的参考点可击败或匹配：Zep ~63.8% 和 Hindsight ~91.4% 在 LongMemEval vs. mem0的 ~49%； mem0 在 LoCoMo 上报告 J≈66.9。供应商数字使用不同的裁判，答案模型和分割，因此唯一的比较是您使用固定裁判自己运行的比较。运行lite和full模式并行；报告两者。 ## 仓库布局 ``` smriti/ 核心库 store.py SQLite双时间存储 — anubhava + samskara（FTS5 + 向量） extraction.py grahana：单次传递会话 → 原子事实 consolidation.py badha：ADD / SUPERSEDE / SKIP冲突解决 retrieval.py smarana：4通道检索 + sangama（RRF）+ prasanga打包 memory.py 公共Smriti API（模式：lite/laghu，full/purna） embedder.py Ollama / OpenAI兼容的 / 离线哈希 llm.py OpenAI兼容的客户端 + 模拟 mcp_server.py 仅限标准库的MCP服务器（6种类型工具，stdio JSON-RPC） bench/ pariksha：LongMemEval + LoCoMo运行者，nyaya裁判，CLI，A/B tests/ 离线测试套件（模拟LLM，哈希嵌入器）— 33个测试 examples/ 可运行的快速入门 NOMENCLATURE.md 完整的词典以及每个术语为何重要 smriti-dashboard.html 功能级比较仪表盘（在任何浏览器中打开） smriti-landing.html three.js登录页面 — 四条河流的sangama（供应商/three.min.js备用，离线工作） smriti-teaser.html 36秒自包含启动预告 — 打开，它播放并循环；以1080p屏幕录制或分享链接 ``` ## 路线图 ### 已发货 基于研究的（Hindsight观察范式；StructMem / MemGAS多粒度；mem0实体链接；多跳RAG文献），每个都通过固定的裁判A/B验证： - [x] 观察/总结层 + 添加注入 + 枚举-不-断言 - [x] 多粒度摘要（每个实体和每个`(subject, predicate)` + 数值/总计 - [x] 召回跟踪 — 事实增强的关键扩展 + 聚合计数路径 - [x] **每类型路由器** — 召回配置文件聚合，精度配置文件当前状态。提升多会话 **+10点（p<0.05）** 且 **无** 知识更新回归 - [x] mem0启发的杠杆 — FTS Porter stemmer，语义实体链接（两者可选） - [x] 2跳实体遍历 · 交叉编码器重排名 · 迭代检索 - [x] **MCP服务器** — `smriti-mcp`: 仅限标准库stdio JSON-RPC，6种类型工具，默认lite，安全强化（ATTACH/DETACH授权器，固定DB路径，输入上限，防崩溃循环） - [x] 基准测试框架 — 分层 `--sample`， `--question-type`，一键A/B（`bench/ab.sh`） ### 下一步（发布后） 按影响顺序递延： 1. **实体规范化** — 写入时置信度评分的别名合并（“Rachel” / “我的表弟Rachel” / “Rachel Smith” → 一个实体）。关闭跨实体聚合后的碎片。（Codebase-Memory解析级联 + mem0实体链接） 2. **sqlite-vec** ANN后端 — 可选向量索引以提升 ~100k行后的O(N)扫描；回落到numpy，保持单个文件零基础设施默认值。（测量的扩展上限） 3. **完整的`longmemeval_s` + LoCoMo数字** — 在硬（完整干草堆）分割上发布，使用固定的裁判；可选的前沿阅读器用于leaderboard可比性（〜$2.50/运行，见BENCHMARKS.md）。 4. **递归-CTE N跳遍历** — 任意深度实体遍历，使用纯SQL。（Codebase-Memory技术） 5. **增量观察刷新** — 内容哈希，以便仅更改的实体/谓词重新总结。（XXH3模式） 6. **生产强化** — 嵌入维度保护，异步摄入队列 + 批处理嵌入，多用户（`user_id`）命名空间，并发安全的存储库）。