什么是M-flow生物启发式认知记忆引擎如何重新定义Graph RAG检索新范式【免费下载链接】m_flowA bio-inspired cognitive memory engine — a new paradigm for Graph RAG.项目地址: https://gitcode.com/gh_mirrors/mf/m_flowM-flow 是一款生物启发式认知记忆引擎cognitive memory engine属于新一代 Graph RAG 框架它把知识组织成倒锥知识图谱让检索不再依赖简单的向量相似度而是沿着证据路径做图路由打分——像人类回忆一样顺着一条关联找到整段记忆。与传统 RAG 按相似度匹配文本块不同M-flow 的口号是RAG 匹配的是文本块GraphRAG 结构化上下文而 M-flow 给证据路径打分见 README.md。一、为什么传统 RAG 会找得到、连不上做过 RAG 的读者可能都遇到过这类尴尬用户问为什么 Maria 在周一站会上不高兴系统凭关键词命中了一篇《如何开好每日站会》的通用文章——词很相关但答非所问答案分散在多个文档里切块chunk之间没有结构联系检索系统拼不起来他它该公司这类代词没有被消解导致同一实体在不同文档里对不上号。根本原因扁平的向量检索丢掉了知识结构。它只知道某个文本块离查询很近却不知道这个文本块在整个知识拓扑中处于什么位置、和谁有因果关联。M-flow 的回答是让图本身成为打分引擎。向量检索只负责撒网找入口真正的判相关交给图上的证据传播。二、一张图看懂 M-flow 的四层倒锥知识图谱M-flow 把所有知识组织成四层有向图自底向上是Episode事件→ Facet侧面→ FacetPoint原子事实点→ Entity实体层级它捕捉什么典型查询Episode事件一个有边界的语义焦点事故、决策过程、工作流技术栈选型讨论发生了什么Facet侧面事件的某一维度、一个话题切面性能目标是什么FacetPoint事实点从 Facet 派生的原子断言/事实P99 目标是否在 500ms 以内Entity实体具名对象人、工具、指标跨事件链接跟我说说 GPT-4o下面这张图来自项目自带的多模态示例数据展示了一个 Episode 中心、Facet 与 Entity 环绕连接的典型记忆图结构这套结构最反直觉的一点检索从锥尖进入向锥底收敛。精确的实体名、原子事实最容易在锥尖被向量精准命中然后信号沿着图向上传播最终落到完整的 Episode 上——用户拿到的不是零散文本块而是一整段有上下文支撑的记忆。三、从相似匹配到路径寻径Bundle Search 是如何工作的M-flow 的主检索模式叫Episodic Bundle Search图路由束检索整个过程像人类回忆广撒网找锚点查询向量同时在七个向量集合上搜索覆盖从原子事实到事件摘要的全部层级投影进图命中的锚点Entity / FacetPoint / Facet / Episode作为入口提取周围子图并外扩一跳沿路径传播成本从锚点向 Episode 聚合每条路径的成本 锚点向量距离 各边成本 跳数惩罚每个 Episode 的最终得分取所有路径中的最低成本排序输出按 Bundle 成本排序返回 Top-K 个完整事件束。这里有三个对新手很友好的设计亮点一条强证据链就够。一个 Episode 可能十个侧面里九个与查询无关传统做法会被平均拖垮Bundle Search 只看最强路径——正如你想起某件事是因为有一条关联足够强而不是所有关联都指向它边也是语义不只是类型。普通知识图谱的边只是works_at、located_in标签M-flow 的每条边都带自然语言描述edge_text会被向量化参与搜索语义不相关的边会显著抬高路径成本、自动断路直接命中反而受罚。查询直接命中 Episode 摘要时会被额外扣分——因为高层摘要看起来什么都相关这是很多 RAG 系统噪音的来源。更精确的路径优先防止看起来相关打败真正相关。完整的技术细节成本公式、自适应置信度、调参机制可阅读官方架构文档 docs/RETRIEVAL_ARCHITECTURE.md。四、像人脑一样的记忆三个进阶机制M-flow 不止是图 向量它还引入了几项认知科学启发的机制1️⃣ 摄入期共指消解代词不进图中文的他/她/该公司、英文的 he/she/it 会在索引之前被替换成真实指代对象。例如两轮对话中第二句的 she 会被解析成 Maria这样查询 Maria 说了什么 时才能通过实体桥接找到全部相关证据。该模块支持中文 11 类代词 语义角色分析纯规则驱动、无需训练模型实现位于 coreference/coreference_module/说明文档见 coreference/README.md。2️⃣ 情景记忆 程序性记忆双通道情景记忆Episodic记录发生了什么是主检索通道也是所有基准测试使用的模式程序性记忆Procedural提取可复用的抽象模式——你的习惯、工作流、决策规则、命名偏好——大模型预训练里不可能有你专属的这些元知识。3️⃣ 统一多粒度检索用户不用选记忆层精确查询从 FacetPoint 进、返回所属 Episode宽泛查询从 Episode 摘要进实体查询通过同一个 Entity 节点桥接多个 Episode。所有粒度在一张图里连通系统自动路由到匹配粒度。五、新手速览M-flow 核心功能与生态功能说明5 种检索模式Episodic主模式、Procedural、三元组补全、词法、Cypher50 文件格式PDF、DOCX、HTML、Markdown、图片、音频等多数据库支持LanceDB、Neo4j、PostgreSQL/pgvector、ChromaDB、KùzuDB、PineconeLLM 无关OpenAI、Anthropic、Mistral、Groq、Ollama 等MCP Server把记忆能力暴露为 Model Context Protocol 工具接入任意 IDECLI Web UI交互式控制台、知识图谱可视化、配置向导项目采用 Python 实现3.10–3.13Apache 2.0 协议核心目录布局如下m_flow/retrieval/检索与 Bundle Search 算法实现如 episodic_retriever.pym_flow/memory/情景/程序性记忆构建episode_builder、facet 匹配、实体描述合并m_flow/pipeline/可组合的摄入流水线与并行编排m_flow/adapters/图数据库 / 向量库 / 关系库适配器m_flow/api/v1/playground/支持人脸感知多人对话的 Playground 交互界面m_flow-mcp/MCP 服务器让 IDE 直接调用记忆工具m_flow-frontend/Next.js Web 控制台六、基准测试81.8% 与 89% 说明了什么M-flow 在两套主流长期记忆基准上公开了横向对比答案模型 gpt-5-mini、裁判 gpt-4o-mini、Top-K10 对齐预算LoCoMo-10系统LLM-Judge 得分M-flow81.8%Cognee Cloud79.4%Zep Cloud73.4%Supermemory Cloud64.4%LongMemEval系统总分时间推理60题多会话40题M-flow89%93%82%Supermemory Cloud74%78%68%Mem0 Cloud71%77%63%Zep Cloud61%82%30%尤其值得注意的是多会话multi-session场景——这正是跨会话把散落证据串起来的能力也是图路由检索相对扁平向量检索最能拉开差距的地方。七、快速上手三步跑通你的第一个认知记忆引擎1. 一行安装pip install mflow-ai # 或: uv pip install mflow-ai export LLM_API_KEYsk-...2. 摄入 记忆 查询import asyncio import m_flow async def main(): await m_flow.add(M-flow builds persistent memory for AI agents.) await m_flow.memorize() # 构建知识图谱共指消解、分层、实体链接都在此完成 results await m_flow.query(How does M-flow work?) for item in results.context: print(item) asyncio.run(main())query()默认走情景图路由 Bundle Search也就是基准测试中使用的最强模式。完整可运行的示例见 examples/python/simple_example.py。3. 命令行与 Web 界面mflow add M-flow builds persistent memory for AI agents. mflow memorize mflow search How does M-flow work? --query-type EPISODIC mflow -ui # 启动本地 Web 控制台偏好 Docker 的用户可以克隆仓库后执行 quickstart.sh脚本会自动检查环境、交互式配置 API Key 并一键拉起后端 前端多数据库组合如--profile neo4j、--profile postgres见 docker-compose.yml。八、谁适合用 M-flow✅适合构建需要跨文档、跨会话长期记忆的 AI Agent客服、私人助理、研究助手被 RAG 相似但不相关 的噪音结果折磨过的开发者想在不锁定特定 LLM / 向量库的前提下自托管一套 Graph RAG 记忆引擎的团队。⚠️可以再想想只需要单文档问答的简单场景传统 RAG 可能已经够用高频低延迟、对图构建成本敏感的在线服务需先评估摄入阶段的 LLM 调用开销。九、总结M-flow 的核心主张只有一句话相关性不是一个分数而是一条路径。它用倒锥知识图谱 证据路径成本传播把相似度匹配升级为结构化回忆并在 LoCoMo、LongMemEval 等长期记忆基准上给出了领先成绩。对想为 AI Agent 配上一块像人脑一样工作的记忆的开发者来说这套生物启发式认知记忆引擎是目前 Graph RAG 赛道中值得优先体验的新范式。下一步建议阅读docs/RETRIEVAL_ARCHITECTURE.md检索架构全解→ examples/可运行示例→ m_flow-mcp/README.md接入你的 IDE。【免费下载链接】m_flowA bio-inspired cognitive memory engine — a new paradigm for Graph RAG.项目地址: https://gitcode.com/gh_mirrors/mf/m_flow创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
