ReMe 时序情节记忆检索与因果反思引擎

ReMe 时序情节记忆检索与因果反思引擎

@agentscope-ai/reme·v1.2.0·storage

专为超长程复杂自治工程打造的时序情节记忆(Episodic Memory)系统。采用事件流时序回溯与因果关系链条建模,精准定位“何时、因何原因发生何种偏差”,杜绝历史重蹈覆辙。

情节记忆 · 因果反思 · 避坑指南 · 自省闭环

GitHubNPM
快速安装与集成
bash
manager:
$ pnpm add @agentscope-ai/reme

架构解析

「ReMe Memory」赋予智能体从历史过失中总结教训的高阶智慧。在长程工程任务中,智能体经常因为遗忘数小时前的试错结果,在不同分支上重复尝试已知不可行的代码方案,造成昂贵的算力浪费。 本扩展在 Cordis 中引入基于因果图的情节记忆流。每一次关键决策、执行失败以及修正方案均被序列化为一个带有时间戳与因果依赖的“情节事件节点”(Episodic Node)。当模型再次面临类似情境时,系统会自动召回历史因果链路并注入“前车之鉴”警告,大幅提升智能体攻克复杂算法与系统故障时的解决效率。

核心特性

01

因果关系图谱建模:记录“因果闭环”而不仅是碎片文本,大幅提升教训复用度

02

杜绝无效方案重复踩坑:自动识别尝试过的无效代码路径并主动发起警告阻断

03

反思日志全时序回放:支持人类工程师像复盘事故一样逐个步态审视智能体心路历程

04

紧凑型情节序列化存储:高效索引数万个事件节点,存储占用极低且召回毫秒级

核心机制

01

执行事件因果捕获

实时记录智能体行动触发的上下文状态、预期假设与真实环境反馈。

02

因果链条拓扑建模

将失败原因与后续挽回方案连线,构建自包含的时序因果节点。

03

相似困境自适应召回

当智能体再次陷入停滞或报错时,按因果拓扑高精度召回历史对策。

04

避坑约束强制注入

将历史教训以显式负向约束(Negative Constraints)格式注入当前决策。

配置参数参考 (YAML / JSON)

参数名类型默认值说明
maxEpisodicNodesnumber1000当前项目保持的最大活跃情节记忆节点数
causalSimilarityThresholdnumber0.82召回历史教训匹配的因果相似度判定阈值
autoInjectNegativeConstraintsbooleantrue是否将踩坑经验自动转化为负向提示词约束