一个完全本地、高精度、零 API 成本的记忆层，让 AI Agent 真正"记住"你。

题图由 AI 生成 | SinoVec 核心架构概念图

官话：在构建 AI Agent 时，"长期记忆"始终是一个棘手的问题。Agent 能否记住用户的偏好、历史对话中的重要事实、项目进度等，直接决定了用户体验的连贯性和智能化程度。 实话：是使用openclaw过程中经常失忆，原生又不好用还收费。所以自己做了个记忆系统。

市场上已有的方案各有局限：

为了解决这些问题，我们开发了 SinoVec ------ 一个专为中文场景设计的本地化、高精度、零 API 成本的长期记忆系统。

SinoVec 名称含义：Sino = 拉丁语"中国的/东方的" + Vec = Vector（向量），专为中文场景深度优化的向量记忆系统。

SinoVec 的核心是一个渐进式检索漏斗，从粗到精筛选最相关的记忆：

 
    
    
      
 
       
用户查询 ↓ 
 
       
jieba 分词（中文处理）
 
       
↓ 
 
       
LLM 查询扩展（可选，提升召回率）
 
       
↓ 
 
       
向量 + BM25 混合检索（动态权重，默认 70:30）
 
       
↓ 
 
       
时间衰减（近期记忆权重更高）
 
       
↓ 
 
       
LLM 重排（可选，对 Top-15 二次打分）
 
       
↓ 
 
       
MMR 多样性去重（避免结果同质化）
 
       
↓ 
 
       
返回 Top-K 结果
 
      

 
1. 向量 + BM25 混合检索
 

• 向量检索 ：使用 BAAI/bge-small-zh-v1.5 将文本映射到 512 维语义空间，计算余弦距离
• BM25 全文检索：基于 PostgreSQL 全文索引，精准匹配关键词
• 动态权重 ：根据查询长度、专有名词数量、召回重叠度自动调整向量/BM25 比例（默认 70:30）

2. 可选增强模块

 
    
    
      
 
       
LLM 查询扩展 
 
       
└─ 调用本地 Ollama（qwen2.5:7b）生成同义词，提升召回率
 
       
LLM 重排 └─ 对 Top-15 候选结果进行二次打分，优化排序
 
       
MMR 多样性去重 └─ Maximal Marginal Relevance，避免结果过于同质化
 
      

 
3. L1 + L2 分层存储
 

这符合人类记忆的遗忘曲线——越近的记忆越容易被召回，越久的记忆越不需要高频检索。

SinoVec 采用 FastEmbed 进行本地向量化（BAAI/bge-small-zh-v1.5，512 维，~250ms/条），Ollama 运行本地 LLM（qwen2.5:7b），PostgreSQL + pgvector 作为向量数据库，实现零外部 API 依赖。

开源后我们收到了一份详细的代码审查报告，指出了多个安全问题。v1.0.2 安全加固版本因此诞生：

1. 移除硬编码数据库密码

# ❌ 修复前：硬编码密码 DB_CONFIG = {"password": "admin123"} # ✅ 修复后：强制环境变量 _db_pass = os.getenv("MEMORY_DB_PASS", "") if not _db_pass: raise RuntimeError("MEMORY_DB_PASS environment variable is not set.")

2. HTTP API 认证中间件

支持三种认证方式，按需选用：

 
      
    
        
 
         
Authorization: Bearer 
             
            
 
         
X-API-Key: 
          
            ?api_key= 
            
             
            
          
 
        

 
通过环境变量 MEMORY_API_KEY 控制，未配置时仅开发模式跳过认证。
 

3. 防时序攻击

 
      
    
        
 
         
# ❌ 修复前 
 
         
if api_key == expected_key: # 时序攻击漏洞
 
         
✅ 修复后
 
         
import hmac if hmac.compare_digest(api_key, expected_key): # 防时序攻击
 
        

 
4. 向量缓存 TTL 限制
 
      
    
        
 
         
# ❌ 修复前：无界字典，可能 OOM 
 
         
_cache = {}
 
         
✅ 修复后：限制 1000 条、TTL 1 小时
 
         
from cachetools import TTLCache _cache = TTLCache(maxsize=1000, ttl=3600)
 
        

 
5. 连接池线程安全
 

使用 double-checked locking 确保多线程下只创建一次连接池。

这些加固措施使 SinoVec 具备了生产环境的安全基线。

在生产运行中，我们对三个定时任务做了全面审查和优化，效果显著：

关键改进

• 新增 _is_noise() 过滤：自动跳过路径、UUID、JSON 结构、GitHub 仓库名单独出现等噪声
• 修复 organize SQL 参数化 Bug ：COSINE_DIST_MERGE 常量误写为 SQL 文本，导致自动流转失败
• 三脚本增加环境变量自动加载 ：解决 cron 任务缺失 MEMORY_DB_PASS 的问题

最终调度时间线

00:05 Session 索引 00:15 自动记忆提取 01:00 每日记忆整理 ... 12:05 Session 索引 12:15 自动记忆提取 12:25 每日记忆整理 （午饭期间完成，回来时系统已就绪） ... 18:05 Session 索引 18:15 自动记忆提取 19:00 每日记忆整理

在真实生产环境（约 3000 条记忆）下：

SinoVec 采用 MIT 许可证，代码已完全开源：

• 🐙 GitHub ：github.com/shandongkm/...
• 🐔 Gitee ：gitee.com/confucius-a...

项目提供了：

 
         
    
           
 
            
✅ 一键安装脚本：自动配置 PostgreSQL、创建数据库、安装依赖、注册 systemd 服务 
 
            
✅ Docker 部署：docker-compose up -d 即可启动 ✅ 详细文档：API 参考、OpenClaw 集成指南、开发路线图
 
           

 
我们欢迎任何形式的贡献------报告问题、提交代码、撰写文档、分享使用经验。
 

• 📊 性能基准测试：提供不同数据量下的官方性能数据（1k / 10k / 100k）
• 🖥️ Web 管理界面：可视化浏览、编辑、删除记忆，查看统计图表
• 🖼️ 多模态支持：图片记忆（图文混合检索）

如果你也在为 AI Agent 的记忆问题困扰，欢迎试用 SinoVec。你的 Star 是我们最大的动力。 ⭐

本文同步发布于：掘金 / 知乎 / CSDN / 开源中国 / Medium