MemVid

正常

GitHub Rust Apache-2.0

简介

MemVid 是面向 AI Agent 的长期记忆层，利用视频编码实现轻量级单文件存储，替代复杂的 RAG 管线，提供即时检索能力。

核心特性

单文件便携记忆层，无需数据库或服务器基础设施
受视频编码启发的 Smart Frame 架构，支持追加写入和崩溃恢复
大规模下亚 5 毫秒检索延迟，支持预测缓存（P50 仅 0.025 毫秒）
多语言 SDK：Rust 核心、Python SDK、Node.js SDK 和 CLI 工具
时间旅行调试，可回退、重放或分支任意记忆状态
功能丰富：全文搜索（BM25）、向量相似度、CLIP 图像搜索和加密

适用场景

💡 为 AI Agent 提供跨会话的持久长期记忆

💡 构建支持即时检索和版本控制的企业知识库

💡 实现无需云依赖的离线优先 AI 系统

💡 为客服 Agent 提供上下文感知的对话历史

💡 通过可追溯的记忆快照审计和调试 AI 工作流

优势与不足

✅ 优势

• 社区热度高（16.2k stars）
• 开源许可证友好（Apache-2.0）
• Issue 响应及时，积压少

标签

memory rag vector-database agent python

分类

🧩 Agent 记忆 📚 RAG 工具

快速开始

通过 `cargo add memvid-core`（Rust）、`pip install memvid-sdk`（Python）或 `npm install @memvid/sdk`（Node.js）安装。创建 `.mv2` 文件，添加带元数据的文档，提交后即可搜索。支持 `lex`、`vec`、`clip`、`encryption` 等功能标志。

访问 GitHub 访问官网

相关项目

HyperDB

HyperDB 是一个面向 LLM Agent 设计的超快速本地向量数据库，提供轻量级的向量存储和相似度搜索能力，适合嵌入到 Agent 应用中作为即时记忆和知识检索组件。

vector-databasepythonagent +2

· 超快速本地向量数据库，专为 LLM Agent 设计
· C++ 高性能后端，通过 MKL BLAS 实现硬件加速运算
· 简洁统一的接口，兼容所有主流大语言模型 Agent 框架

在 GitHub 查看

MemAgent

可扩展至 350 万上下文 token 的记忆智能体框架，附带用于任意智能体工作流 RL 训练的训练框架，解决长上下文记忆难题。

memoryagentrag +2

· 超长上下文处理：从 8K 训练上下文外推至 350 万 token，性能损失低于 5%
· 强化学习驱动：采用 RLVR（可验证奖励强化学习）训练，扩展 DAPO 算法支持多轮对话端到端优化
· 线性时间复杂度：突破长文本处理的计算瓶颈，资源随文本长度线性扩展

在 GitHub 查看

TrustGraph

图原生的上下文开发平台，提供知识图谱构建、语义检索和可移植的上下文核心，支持 RDF、SPARQL 等标准协议，为 AI Agent 提供结构化知识的存储、丰富和检索能力。

ragmemorydatabase +3

· Context Graph 引擎，支持自动实体/关系抽取和本体驱动的图谱构建
· 开箱即用的 RAG 管道：DocumentRAG、GraphRAG 和 OntologyRAG
· 多模型数据库系统，支持表格、文档、图谱、向量、图像、视频和音频数据

在 GitHub 查看

Embedchain

63.4k · Python

Embedchain 是一个面向 AI Agent 的通用记忆层，支持将多种数据源快速接入 LLM，构建具有上下文记忆的 AI 应用。

memoryragembeddings +2

· 通用记忆层 — 将多种数据源（网页、PDF、YouTube、Notion 等）快速接入 LLM 构建上下文
· 向量化存储 — 自动将数据分块、嵌入并存入向量数据库，支持语义检索
· 多 LLM 后端支持 — 兼容 OpenAI、Cohere、Ollama 等多种 LLM 和嵌入模型

查看完整详情 → 在 GitHub 查看

相关文章

Memory记忆系统长期记忆

Agent Memory 架构：短期、长期与共享记忆的设计取舍

系统对比 Agent Memory 的三大类别——短期记忆、长期记忆、共享记忆，从存储介质、生命周期、检索方式、典型框架到设计模式，完整覆盖 Agent 个性化和多 Agent 协作的工程实现。

阅读全文 →