为什么做记忆引擎记忆模型现在的AI大模型又可以称之为推理引擎它本身没有记忆所以AI大模型还不能称之为大脑它只是大脑里面负责推理和计算的一个区域大脑里面还有负责存储的区域这个存储区域对应的就是我们的记忆引擎。AI大模型每次对话结束它对用户的了解就清零了——你告诉过它你对花生过敏、你出差只坐靠窗、你孩子今年上小学下次见面它一概不知。现有方案要么把历史对话全部塞进上下文贵且慢要么挂一个向量库做语义检索只有相似没有关系和时间。今年年初OpenClaw小龙虾爆火但是很快又销声匿迹了。我也跟风用了几天小龙虾但是几天啥都没产出就销售了几百元钱我就发现每次跟它对话哪怕说个hello,它都会把所有的历史对话上下文全部塞给大模型导致Token消耗极大这就是没有记忆系统每次都重新来一遍的问题。尼龙记忆引擎NylonMem想回答的问题是能不能给 Agent 做一个像人脑一样会联想、会遗忘、有结构的记忆层今天 Phase 1 完工我们把所有代码和实测数据公开。尼龙模型六丝 张力一条记忆在尼龙里不是一个向量而是六条丝拧成的一股线事实丝记忆的内容本身情感丝效价与强度提到房东就烦是有检索价值的信号时序丝创建时间与遗忘速率 λ关系丝实体与主题标签置信丝这条记忆有多可靠频次丝最近被提及多少次检索不是拿 query 向量找最近邻就完事而是情境共振从种子节点出发沿关系图扩散边扩散边按张力衰减——张力由时间遗忘指数衰减、情感强度、提及频次共同决定。像人想起一件事的方式一个线索勾起一串相关记忆越久远、越淡漠的越难被勾起。架构一览Rust 引擎开源Apache-2.0CSR 主图 Delta 缓冲的增量图、自研 HNSW 向量索引、WAL 快照的嵌入式持久化、tonic gRPC 服务Go 网关REST→gRPC闭源租户与配额落地的位置协议proto3 契约先行引擎与网关解耦实测数据2026-08-06Windows 开发机release 构建指标目标实测结论图遍历 3-hop1M 节点/10M 边 5msP50 3.6msP99 7.2ms达标线附近P99 待优化向量检索 Top-10010 万 768 维 10msP50 0.67ms达标HNSW recall10-≥ 0.9达标记忆写入 TPS 10K452含每写 fsync/ 2,442关闭 fsync 的 profiling 对照未达标瓶颈定位完毕LoCoMo 证据召回 recall10-47.1%1536 个可答 QA5882 轮对话全量织入词面检索基线两个值得说道的数字写入 TPS。452 看起来离 10K 很远但 profiling 对照组把瓶颈钉死了每次写入单独 fsync 占了约 81% 的写延迟22.1s → 4.1s。解法就是数据库领域的老朋友 group commit——批量合并刷盘Phase 2 第一件事。剩下的差距在全局互斥锁换分片锁即可。这不是做不了是还没做。LoCoMo 召回率。需要特别说明口径Phase 1 的检索种子是纯词面匹配嵌入模型还没接入所以我们度量的是证据召回率而非端到端 QA 准确率。47.1% 是词面基线分类别看时序类 57.3%、多跳类 35.8%。嵌入向量检索接入后这个数才是有竞争力的战场——我们把评测脚本和数据管线都开源了数字好坏都会继续在这个页面更新。Phase 2 roadmap嵌入模型接入Search 才真正有数据共振种子加向量通道WAL group commit 分片锁冲 10K TPSLLM 驱动的记忆编织现在的分丝是启发式与冲突检测分片与多租户隔离开源引擎与协议全部开源Apache-2.0欢迎试玩与拍砖github.com/nylon-memory/NylonME。外部贡献者走 CLA贡献者协议通道一分钟签完。记忆是 Agent 的最后一块地基。我们把地基的第一层打完了欢迎来看施工图。