Sibyl-Memory
Sibyl-Labs/Sibyl-Memory加载项目详情…
本应用为开源项目,仅供学习研究,请遵守其开源协议。
加载项目详情…
本应用为开源项目,仅供学习研究,请遵守其开源协议。
想象你每天走进办公室,前台总是问:"您是哪位?"不是前台不专业,而是根本没有记录。同样的问题折磨着几乎所有 AI 编程助手——每次新建对话,Agent 就从零开始,上下文全靠粘贴,代码风格全靠猜测,历史决策杳无踪迹。
Sibyl Memory 就是为解决这个问题而生。它来自一个叫 Sibyl Labs LLC 的实验室——这家公司本身就是一个 AI Agent 在运营,有自己的钱包、交易引擎和链上身份(ERC-8004 agent #20880 on Base)。这整套记忆基础设施,正是这个 Agent 在用的生产级方案。
大多数 AI 记忆产品依赖向量数据库(embedding + similarity search),需要额外部署、消耗 GPU 算力、还要付 embedding API 费用。Sibyl Memory 选择了一条更极致的路:完全不用向量数据库。
它的方案是五层分级记忆架构(Five-Tier Schema),每层对应一种信息类型:
| 层级 | 名称 | 用途 | 检索方式 |
|---|---|---|---|
| HOT | state/ | 当前工作状态,每次会话重写 | 直接读取 |
| WARM | entities/ | 实体知识,唯一来源(category, name) | FTS5 全文搜索 |
| COLD | journal/ | 事件日志,追加写入 | 时间顺序遍历 |
| REFERENCE | reference/ | 静态参考知识 | FTS5 搜索 |
| ARCHIVE | archive/ | 已归档实体 | FTS5 搜索 |
关键设计:每个实体在同一类别下有且仅有一条记录(UNIQUE constraint 强制),保证记忆不会漂移。检索层是 SQLite 内置的 FTS5 全文搜索引擎,无需额外部署。
Sibyl Memory 在 ICLR 2025 学术评测 LongMemEval Oracle(密歇根大学,500 题)上拿下全球第二名(95.6%),与 PwC 的 Chronos 并列,超越了 Mem0、Mastra、Supermemory、Zep 等知名产品。更重要的是:跑在一台 4 vCPU / 16 GB 的普通服务器上,没有向量基础设施,没有 embedding 费用。
这是一个五合一包家族,安装方式简单:
pip install sibyl # 一键安装全部
# 或者按需安装
pip install sibyl-memory-client # SDK,直接集成
pip install sibyl-memory-cli # 命令行激活/管理
pip install sibyl-memory-hermes # Hermes Agent 集成
pip install sibyl-memory-mcp # MCP 协议服务器(Claude Code / Codex / Cursor)
pip install sibyl-memory-langgraph # LangGraph BaseStore 适配器
sibyl init 激活账号,sibyl status 查看容量,sibyl whoami 查身份memory.provider: sibyl 即可使用BaseStore 适配器,让 LangGraph 的多线程跨会话状态持久化变得开箱即用pip install sibyl-memory-mcp
# 编辑 ~/.claude/settings.json:
# {
# "mcpServers": {
# "sibyl-memory": { "command": "sibyl-memory-mcp" }
# }
# }
# 重启 Claude Code,立即获得 8 个 memory_* 工具
pip install sibyl-memory-hermes
sibyl-memory-hermes install-plugin
# 编辑 ~/.hermes/config.yaml:
# memory:
# provider: sibyl
# 重启 Hermes,获得 4 个工具:sibyl_remember / sibyl_recall / sibyl_search / sibyl_list
git clone https://github.com/Sibyl-Labs/Sibyl-Memory.git
cd Sibyl-Memory
docker build -t sibyl-memory-mcp:local .
# 先在宿主机激活账号(避免 Docker 内部网络限制)
sibyl init
# 运行(stdio 模式,需配合 MCP 客户端)
docker run -i --rm -v "$HOME/.sibyl-memory:/home/app/.sibyl-memory" sibyl-memory-mcp:local
Sibyl Memory 架构图
五个包最终都汇聚到 sibyl-memory-client(底层 SDK),数据持久化在用户本机的 SQLite 文件 ~/.sibyl-memory/memory.db。隐私策略透明:免费层完全离线运行;绑定账号后仅在写入超量时向 api.sibyllabs.org 发送账户元数据(ID、token、数据库大小),绝不发送记忆内容本身。
完全不用 embedding 是优势还是局限?
有人认为向量检索能捕捉语义相似性,纯 FTS5 只能搜精确关键词。但 Sibyl Labs 用 benchmark 数据回应了这个质疑:95.6% 的评测准确率说明,结构化的层级记忆 + LLM 直接推理,效果并不比 embedding 差。更何况少了 embedding 管道,延迟更低、成本更低、本地运行完全离线。
免费层有容量上限:未激活账号时最多存储 5MB 数据。需要更大容量可以 stake $SIBYL 代币或订阅,目前有四级锁定 tiers。官方不强制付费,这也是争议所在。
AI Agent 的记忆问题是 2025 年最热的工程议题之一。Mem0、Supermemory、Zep 都走了云端向量路线,Sibyl Memory 代表了另一条路:本地优先 + 结构化检索。它的 benchmark 成绩证明这条路的可行性,同时五层分级架构给 Agent 记忆提供了更接近人类认知的组织方式。
随着 Claude Code、Codex、Cursor 等工具在开发者群体中普及,这类本地持久化记忆基础设施的需求会持续增长——不需要额外部署、不依赖云服务、数据完全自主,是很有竞争力的产品定位。