开源项目 mori 试图重构 AI Agent 记忆机制：基于状态动态重组上下文，以此替代传统检索

GitHub 上开源的 mori 项目提出了一种针对 AI Agent 持久化状态的新型记忆运行时设计，旨在解决现有主流记忆方案中存在的成本高昂、信息噪声及检索冲突等问题。作者批评当前业界主流的”写日记”式记忆设计或依赖纯向量数据库的检索模式，认为这些方案在长周期任务中会导致上下文信息污染，且依赖 LLM 进行冲突裁决缺乏自洽性。mori 采用四层拓扑结构构建其核心架构：History 记录原始会话，Topic 根据状态动态划分话题，Episode 用于工作流恢复，Topic_Graph 作为核心保存带结构的记忆节点与话题图。该项目利用 HNSW 索引将复杂度控制在对数级别，并引入 Deep_ARTMAP 神经网络进行全局反馈强化。其核心创新在于”原子记忆”与”动态重组”机制，结合 Qwen 模型提取原子记忆，根据当前状态在历史话题中动态重组上下文，而非简单回溯全部历史。项目还采用了预测编码技术，利用小模型生成 KV Cache 草稿供大模型审核，以降低推理延迟，该方案在保证记忆连贯性的同时显著提高了 Token 利用效率。

事件分析

💡 核心观点：AI Agent 的记忆机制正在从简单的“数据库检索”向具备演化能力的“认知状态机”跨越，动态重组上下文是解决长记忆噪声的关键。