最新

CozoDB 是由 Ziyang Hu 和 Cozo 项目作者创建的一个嵌入式关系-图-向量数据库。它在一个嵌入式引擎中集成了 Datalog、向量搜索（HNSW）和全文搜索，其愿景是成为“AI 的海马体”。不幸的是，该项目在 2024 年 12 月后便沉寂下来。KuzuDB，另一个具有类似 Cozo 的向量和全文索引的嵌入式图数据库，于 2025 年 10 月被归档。 我决定继续这一愿景，利用 Cozo 构建一个受神经科学启发的认知本体的记忆和推理基础。它涵盖了事件、认识结构、意图和行动，并支持多代理。一个使用您选择的 LLM 的提取管道，可以从文档和会话记录中提取这些信息，进行去重，并检测跨文档的矛盾。所有内容都经过版本控制，并可追溯到源文本块，支持时间旅行。 但是，我们最依赖的功能需要改进，所以我以相同的 MPL-2.0 许可证对 Cozo 进行硬分叉，创建了 MnesticDB，并进行了改进。 通过将 HNSW 索引从逐行构建改为扁平化并行构建，我在一个包含 40,000 个文本块和真实 384 维嵌入的语料库上，将索引构建时间从 89 秒减少到 8 秒，同时没有影响召回率。 我解决了索引重建期间的读取阻塞问题，以前重建一个包含 151,000 个 1536 维索引需要一个多小时；现在它可以在解锁状态下构建，在一个测试中，一个 40,000 向量的索引在 6 秒内完成构建，同时有 90,000 个并发读取。 我添加了跨语义（HNSW）、关键词（BM25）和图邻近信号的倒数排名融合，耗时约 42 毫秒，比单独运行三个查询快 4 倍。 在将默认全文评分器从 tf-idf 切换到 Okapi BM25 后，在一个 40,000 文本块的语料库上，融合召回率从 0.75 提高到 0.954，与 DuckDB 的 0.957 相当。 MnesticDB：https://www.mnesticdb.com https://www.github.com/shuruheel/mnestic 回到记忆和推理基础，我增加了对结构化数据的支持，允许用户连接 Postgres 数据库，从模式中起草一个操作本体，并将行同步为类型化图节点，带有溯源和按需实时字段，并与从文档中提取的认知本体融合到同一个图中。这使得代理可以通过一个接口查询业务表和从文档中提炼的知识，同时处理两者的矛盾和历史。 MindGraph：https://mindgraph.cloud/ https://www.github.com/shuruheel/mindgraph-rs 在 LongMemEval 的 60 个分层问题试点中，我们获得了 87% 的分数，零检索错误，强大的事实回忆（100%），以及强大的时间推理（90%）。遗漏集中在偏好问题（70%），我随后进行了修复，但尚未重新运行基准测试。计划是最终运行完整的 500 个问题测试，因为在当前样本量下置信区间相当宽。 我一直独自构建这个项目，这不是最优的，所以如果这引起了您的兴趣，请考虑成为 MnesticDB 项目的贡献者，或 MindGraph（代理的认知图基础）的联合创始人。 您可以在这里问我任何问题，或发送电子邮件至 shan@rizvi.nu。