核心用法
Hypabase Memory 是一款专为 AI Agent 设计的持久化记忆系统，采用 PENMAN 语义表示法将信息存储为连接的知识图谱。核心操作围绕 remember() 存储与 recall() 召回展开，支持按实体、动作、角色、时间、情绪等多维度查询。
存储时，每条记忆是一个动词配角色槽的结构，如 (prefers :subject Alice :object Python)。系统区分三种记忆类型：episodic（事件，快速衰减）、semantic（事实/偏好，慢速衰减）、procedural（流程/方法，最慢衰减）。支持五种情态标记（actual/planned/uncertain/normative/conditional）以及时态、否定、重要性等修饰符。
召回功能灵活强大，可按单一实体、多实体交集、动作类型、角色、时间范围、记忆强度等条件过滤。此外提供 consolidate() 实体合并与 forget() 记忆过期机制，实现主动的内存管理。
显著优点
1. 结构化语义表示：PENMAN 图谱比键值对或向量数据库更能捕捉关系语义，支持嵌套原子表达复杂信念
2. 多维度精准召回：突破简单向量相似度搜索，支持"谁对谁做了什么、何时、何地、用什么工具"的精确查询
3. 记忆生命周期管理：差异化的衰减率配置 + 主动合并/过期机制，模拟人记忆的巩固与遗忘
4. 零配置快速启动：uvx 一键运行，SQLite 本地存储，无需外部服务依赖
5. 可插拔嵌入模型：支持本地 ONNX 推理（fastembed）、OpenAI API、sentence-transformers 或完全禁用
潜在缺点与局限性
- 学习成本：PENMAN 表示法需要理解角色槽语义，非自然语言接口
- 单动词原子约束：复合句需手动拆解为多个原子，增加调用复杂度
- 实体消歧依赖人工：
consolidate()需显式调用，缺乏自动实体链接 - SQLite 扩展性：高并发场景可能成为瓶颈，无分布式选项
- 生态早期：相比 MemGPT、LangMem 等方案，社区验证与集成案例较少
适合人群
- 开发需要长期上下文保持的个性化 Agent 的工程师
- 研究符号化记忆架构、认知 Agent 的 AI 研究者
- 需要可解释记忆追溯（为何 Agent 做出某决策）的企业应用
- 对向量数据库的"黑盒相似度"不满、追求结构化可控召回的开发者
常规风险
- 数据持久化风险：SQLite 文件损坏或误删导致记忆丢失，需定期备份
HYPABASE_DB_PATH - 隐私泄露：记忆文件包含用户偏好、决策等敏感信息，本地存储仍需访问控制
- 实体分裂：未及时
consolidate()导致同一实体多名称，召回不完整 - 记忆膨胀：高频存储未配合
forget()策略将导致查询性能下降 - 嵌入模型差异：切换
HYPABASE_EMBEDDER后语义搜索行为可能变化，建议方案确定后保持一致