Red Bear AI's open-source memory project MemoryBear surpasses 10,000 GitHub stars
English text is being prepared.
Red Bear AI's open-source project MemoryBear has surpassed 10,000 stars on GitHub. The project adopts a layered architecture of working memory, short-term memory, and long-term memory; long-term memories are stored as a spatiotemporal semantic graph with timestamps, sources, and versions, and support weight-based decay and conflict validation. Red Bear AI has also released the core repository, personal client integration methods, MCP protocol adaptation, and a self-developed evaluation benchmark, and enterprises can deploy it privately.
Why read this
AI score 55
The article outlines the design of memory layering, forgetting decay, and source traceability, helping readers judge the difference between a memory foundation and retrieval-based approaches.
Topics
Body
红熊AI的开源项目MemoryBear在GitHub上的星标突破一万。这个数字说明的事情比热度更重要:开发者正在把AI记忆当作一项需要单独建设的基础能力,不再只看它是不是模型的一个附带功能。
过去两年,大模型的参数量、上下文长度、推理速度一路往上走,记忆没有同步跟上。多数产品在会话结束时丢掉上下文,用户隔几天再问,要从头解释一遍。红熊AI用一套自研的记忆引擎补这一段,并且选择把核心能力开源出去。
MemoryBear在GitHub上星标破万
一万星背后,开发者缺的是可治理的记忆
AI记忆的难点不在存,在管。开源社区里的记忆类项目不算少,多数解决的是同一件事:把之前的对话调出来。这条路径能应付演示,接不住长期使用。真正难的是记忆进来之后怎么管:什么时候该更新,什么该忘掉,一条结论能不能追溯回原始出处,多人共用时怎么隔离。
MemoryBear把这几件事写进了架构,也把工程实现放到了公开仓库。星标是使用者投的票,投的是这套东西能不能直接拿去用,不是这个概念听起来新不新。
记忆长期被做成检索的一层
把记忆等同于检索,是行业里很自然的选择。对话缓存解决当次上下文,向量检索解决相似片段召回,文档外挂解决知识补充。这三样配合起来,能覆盖相当一部分场景。
缺口出在连续性上。信息有先后、有版本、有失效,检索拿到的片段缺少时间坐标,新旧矛盾的内容会同时留在库里。用户改了方案、换了偏好,系统没有机制判断哪一版还算数,回答就会在新旧之间摇摆。
放到实际工作里,问题更明显。一个项目跨几个季度,需求改过几轮,早期的结论已经作废,旧文档还留在共享盘里;对接的人一换,接手的那位分不清哪份判断还在生效。检索能把五份文档一起找出来,给不出哪一份还算数。
MemoryBear走的是分层路线。工作记忆对应单次任务,管的是当前这一步要用什么,顺手把寒暄和冗余话术滤掉,只留下实体、关系、时间、约束和置信度这几类要素。短期记忆承接筛下来的内容,在后台做合并、补全和冲突校验,长时间没被唤醒的部分按权重衰减。长期记忆以时空语义图谱存放,每条记录带时间戳、来源和版本,检索时走时序、因果和关系三条路径。
再往下细分,这套体系还可以按感知、工作、显性、隐性、情绪拆成五层,用于讨论更细的机制。对外讲的时候,粗分三层已经够用:先筛、再巩固、落成图谱,每一层有自己的写入和淘汰规则,记忆才谈得上治理。
分层之后,遗忘变成一件可以设定的事。长期没有新证据支撑的记忆降权,高频复用、反复验证的记忆固化,衰减不等于删除,需要时还能调回来。每条记录带着置信度,事实、推断和不确定的信息分开标注,哪部分是推测,用户看得出来。
红熊AI把MemoryBear的核心仓库、面向个人客户端的接入方式、MCP协议适配和自研评测基准一起放到了公开渠道。企业可以私有化部署,开发者可以直接接入,评测数据和方法放在明面上,成绩能被复现和核验。
多智能体协作时,记忆按任务切分,每个智能体只拿到自己需要的那部分,团队共享效率和数据边界可以同时成立。
这件事的价值不在代码是否公开,在使用门槛。记忆如果只由各家公司各自重建,行业会在同一层反复投入;有一套公开可用的底座,小团队也能让自己的产品记住用户。
开源一件事的标准,不是代码放出去了,是别人开始用它做自己的产品。一万星是这套记忆被拿去用的开始。