# 用正四面体存储AI记忆：空间记忆系统的设计与实现

## 引言

当前 AI 编程工具的"记忆"主要有两种形式：上下文窗口（短暂、有限）和 RAG 向量库（扁平、无结构）。本文分享一种不同的思路——将记忆存储在三维几何空间中，利用空间拓扑关系实现记忆的自然聚簇与关联。

## 核心概念

每一条记忆被表示为一个等边正四面体（边长=1.0），放置在连续的三维空间中。当两个四面体的顶点距离小于阈值（ε=0.05）时，自动合并为同一顶点。这样，语义相近的记忆会自然形成多面体簇——就像城市中建筑物的聚落一样。

### 与传统向量库的区别

| 维度 | 向量库 | 空间记忆 |
|------|--------|----------|
| 存储结构 | 扁平列表 | 三维坐标 |
| 关联方式 | 仅向量距离 | 几何邻接+知识图谱 |
| 簇形成 | 需聚类算法 | 拓扑自然形成 |
| 衰减遗忘 | 无 | 坐标权重随时间衰减 |

## 混合检索设计

检索层采用三层融合策略：

**第一层：语义检索（HNSW）**
使用 bge-m3 模型（1024维）生成嵌入向量，通过 HNSW 图结构进行近似最近邻搜索。权重占比 55%。

**第二层：关键词检索（BM25）**
对记忆内容建立倒排索引，BM25 算法计算文本相关性。权重占比 35%。

**第三层：LLM 重排序**
将候选结果送入大模型进行语义判断，返回最终排序。

最终评分公式：

```
score = (vector_sim * 0.55 + bm25_norm * 0.35 + label_boost * 0.15 + entity_boost * 0.20) 
        * recency_factor * importance * access_boost
```

## 记忆的生命周期

一条记忆从写入到消亡经历以下阶段：

1. **分类**：LLM 将内容分为 9 个类别（decision、pattern、bug、session 等），noise 内容直接过滤
2. **去重检测**：与已有记忆进行相似度比较，高相似度则触发合并
3. **空间放置**：计算嵌入向量 → 找到语义最近的已有簇 → 在簇边缘放置新四面体 → 顶点 epsilon 合并
4. **知识图谱更新**：提取概念和关系，构建结构化知识网络
5. **自然衰减**：基于时间和访问频率，记忆的重要性权重逐渐降低
6. **梦境整理**：后台周期性任务，自动合并冗余记忆、淘汰低价值记忆、强化高频访问的记忆

## 几何放置算法

新记忆到来时，如何决定它在空间中的位置？

```
输入：new_memory 的嵌入向量 emb
输出：四面体的4个顶点坐标

1. 在现有空间中找到与 emb 最相似的四面体 anchor
2. 如果空间为空，在原点附近放置
3. 计算 anchor 的几何中心 center
4. 对 anchor 的4个顶点 offset[i]，尝试新顶点 = center - offset[i]
5. 选择能使最多顶点落入 epsilon 合并范围的位置
6. 生成的顶点与已有顶点做距离比较，小于 ε 则合并 VertexId
```

这个机制的关键在于：新四面体通过共享顶点与已有簇物理连接，不需要额外的关联表。

## 多面体簇的形成

当多个四面体通过共享顶点连接时，它们形成一个连通分量——即一个"簇"。通过 BFS 可以检测所有连通分量。

每个簇代表一个语义主题。系统会监控簇的大小和质量：
- 当簇过大且语义熵过高时，触发裂变
- 当两个簇语义高度相似时，触发合并
- 孤立的单个四面体被视为候选清理目标

## MCP 协议集成

系统通过 MCP 协议暴露工具接口，可以被 Cursor、Claude Code、OpenCode 等 AI 编程工具直接调用。主要工具包括：

- **memory_create**：存入记忆，自动聚类
- **memory_search**：语义搜索，支持标签过滤
- **memory_recall**：意图解析检索，双语同义词扩展
- **decision_record**：记录技术决策（含理由和替代方案）
- **pattern_learn**：学习代码模式
- **knowledge_relations**：查询知识图谱关系

## 性能实测

在约 400 条记忆的测试环境上：

| 操作 | 中位延迟 |
|------|----------|
| 记忆创建（含嵌入+分类+放置+KG） | 522ms |
| 语义搜索（HNSW+BM25+重排序） | 433ms |

知识图谱指标：语义纯度 100%，关联密度满分，孤儿率 4%。

## 技术栈

- 语言：Rust（内存安全，零成本抽象）
- Web 框架：Axum（tokio 异步运行时）
- 嵌入模型：bge-m3 ONNX FP32（1024维，多语言）
- 向量索引：HNSW
- 持久化：SQLite
- 并发：RwLock + tokio broadcast

## 总结

空间记忆的核心思路是：**用几何拓扑代替关联表**。记忆之间的关联不需要额外维护，而是通过空间位置自然表达。语义相近的记忆聚在一起，形成可视化的知识地貌。

这个方向仍在早期探索中，后续计划包括：层级化的认知管控、更智能的主动回忆机制、以及记忆质量的持续优化。

---

*本文分享一种 AI 记忆系统的技术设计思路，仅供参考交流。*

当前 AI 编程工具的"记忆"主要有两种形式：上下文窗口（短暂、有限）和 RAG 向量库（扁平、无结构）。本文分享一种不同的思路——将记忆存储在三维几何空间中，利用空间拓扑关系实现记忆的自然聚簇与关联。

用正四面体存储AI记忆：空间记忆系统的设计与实现

个人开发者

人工智能

架构设计

后端

探索AI记忆存储新范式：正四面体空间记忆系统将记忆编码为三维几何结构，通过顶点合并实现自然聚类。融合语义检索、关键词匹配和LLM重排序三层策略，结合知识图谱构建动态记忆网络。系统采用Rust实现，支持400+记忆毫秒级处理，为AI编程工具提供结构化记忆管理方案。

SQLite

2026上云采购 | AI焕新·智启新局

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

用正四面体存储AI记忆：空间记忆系统的设计与实现-腾讯云开发者社区-腾讯云

用正四面体存储AI记忆：空间记忆系统的设计与实现

用正四面体存储AI记忆：空间记忆系统的设计与实现

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐