mnem：给 AI Agent 装上"持久记忆"的 Git

场景切入： 你花了两天时间让 Claude Code 帮你在微服务架构上实现了一套熔断机制，告诉它所有服务间的超时策略、fallback 逻辑、具体负责人。第三天换到 Cursor 继续开发——你发现新来的 Agent 对那套熔断逻辑一无所知，它甚至不知道有这回事。更糟糕的是，你自己也记不清当时具体怎么约定的了。

这就是今天 AI Agent 开发者的日常困境：会话之间没有记忆，工具之间没有共识，知识在聊天窗口里产生，也在聊天窗口里消失。

mnem 想要解决的，就是这个问题。

1. 项目起源：Agent 记忆层的需求觉醒

mnem 的诞生源于一个非常具体的痛点——AI 编程助手（Claude Code、Cursor、Gemini CLI 等）在每次新会话开始时"失忆"。代码库有 Git 版本控制，而 Agent 的知识、决策、团队约定却没有任何持久化手段。

项目由 Uranid 团队开发，当前版本 v0.1.7，采用 Apache-2.0 开源许可。Stars 142，Forks 34。作为 Rust 语言实现的本地优先（local-first）工具，它的核心哲学是：不需要网络、不需要云端、不需要账户，一条命令就能在任何机器上跑起来。

项目的技术定位介于知识图谱工具（Graphiti、Letta）和轻量记忆 SDK（mem0）之间——比前者更简单（无需 Neo4j 等外部图数据库），比后者更强大（支持版本化历史和分支合并）。

2. 核心能力：从"文件摄入"到"知识图谱"全自动

mnem 的设计思路非常清晰：把知识当作代码来管理。

当你把一个目录丢进 mnem 时，它会自动完成以下工作：识别文件类型 → 按语义分块 → 提取实体和关系 → 构建知识图谱。所有这些都在摄入时完成，不调用任何 LLM API——也就是说，相同文件每次摄入的结果完全一致，重新摄入未修改文件是零操作。

文件格式支持极为广泛，README 文档提到支持 30 余种类型：Markdown 按标题层级分块，代码文件按函数/类粒度解析，PDF 用滑动窗口提取文本。摄取结果以节点（Node）和类型化边（Typed Edge）的形式存储在项目 .mnem/ 目录中。

知识图谱不是扁平的结构——每个节点都有 UUID、标签（label）、内容摘要（summary）和出边列表。这使得检索时可以沿着边的类型进行多跳遍历，比如找到"Alice"节点后，沿 reports_to 边继续找到她的上级，再沿同一条边找到上级的上级。

3. 混合检索：向量 + 关键词 + 图遍历，一次完成

mnem 的检索引擎是一个三层融合架构：

第一层：密集向量通道。 每个节点在摄入时通过嵌入模型生成向量，默认使用 MiniLM-L6-v2（ONNX 格式，无需额外安装）。如果想使用更强的嵌入模型（bge-large、OpenAI、Cohere），一行配置即可切换。

第二层：稀疏关键词通道（BM25 + SPLADE）。 通过 config.toml 启用后，与向量结果按一定比例融合，对专有名词和精确匹配的场景特别有效。

第三层：图遍历通道。 开启 --graph-expand 后，检索会沿着有类型的边向外扩展 N 跳（推荐 --graph-expand 20），从而聚合跨多个相关文档的知识片段。

三种通道的融合结果是确定性的——返回什么、跳过什么、消耗了多少 token，都通过 tokens_used / candidates_seen / dropped 字段精确报告。这是 mnem 区别于大多数竞品的核心差异：不会有任何内容被静默截断。

基准测试数据非常亮眼：项目在 LongMemEval、LoCoMo、ConvoMem、MemBench、FinanceBench 五个公开数据集上取得了领先或并列第一的成绩，复现脚本和原始数据均随仓库发布。

mnem benchmark comparison 图1：mnem 与 mem0、MemPalace 在六个公开基准测试上的对比（五个领先）

4. Git 语义：分支、合并、回滚、版本化历史

这是 mnem 最独特的部分——它将 Git 的版本控制语义完整地移植到了知识图谱层面。

每次 mnem ingest 或 mnem commit 都会产生一个不可变提交（commit），包含节点变更和元数据（作者、agent_id、task_id）。提交通过内容寻址（Content Addressing）生成唯一 CID——相同字节总是获得相同 ID，跨机器、跨会话自动去重。

在此基础上，mnem 实现了完整的分支语义：mnem branch 创建分支、mnem merge 合并分支、mnem diff 对比差异、mnem revert 回滚提交。撤销某条知识（"遗忘"）不是简单删除，而是通过墓碑机制（tombstone）软删除——从检索结果中过滤，但完整审计轨迹仍然保留。

对于团队协作场景，mnem remote add + mnem push/pull 支持与远端同步全局图谱，格式是标准 CAR v1 归档——可在任意平台、任意机器上导入，不依赖特定数据库或云服务。

5. 多宿主接入：MCP 原生，Claude Code / Cursor / Hermes 即插即用

mnem 不只是一个 CLI 工具，它同时是 MCP 服务器、HTTP JSON API 和 Python 库，底层是同一套 Rust 检索引擎。

通过 mnem integrate claude-code（或 cursor / gemini / hermes），一条命令完成三项接入：添加 MCP 服务器（22 个原生工具）、注册自动检索触发器、写入系统提示。接入后，Claude Code 每次响应前会自动调用 mnem_retrieve 注入相关记忆，无需人工干预。

MCP 工具集覆盖完整生命周期：检索类（mnem_retrieve、mnem_global_retrieve、mnem_search）、写入类（mnem_commit、mnem_commit_relation、mnem_ingest）、删除类（mnem_tombstone_node 软删除 / mnem_delete_node 硬删除）、内省类（mnem_stats、mnem_schema、mnem_recent）。每个工具响应都附带 _meta 字段（bytes、latency_micros、tokens_estimate），便于 Agent 自测成本。

Python 开发者则可以通过 pip install mnem-py 直接调用：写入节点、生成嵌入、检索——完全无需启动子进程，相同的检索引擎无缝嵌入应用。

query speed benchmark 图2：检索速度对比（mnem 在准确率和速度上均表现优异）

6. 部署体验：单二进制、零配置、完全离线

mnem 的部署体验在同类工具中属于顶级：单个约 40 MB 的 Rust 编译二进制，内置 MiniLM-L6-v2 ONNX 嵌入模型，无需安装任何运行时依赖。

安装方式任选其一：cargo install --locked mnem-cli --features bundled-embedder（Rust 编译，推荐）、pip install mnem-cli（预构建 wheel）、npm install -g mnem-cli（预构建 Node.js 包）。Docker 部署一行命令：

docker run --rm -p 9876:9876 -e MNEM_HTTP_ALLOW_NON_LOOPBACK=1 \
  ghcr.io/uranid/mnem:latest http --bind 0.0.0.0:9876

Dockerfile 采用多阶段构建（BuildKit 语法），最终镜像约 40 MB（不含 ONNX 嵌入器）；通过 --build-arg FEATURES="bundled-embedder" 可启用内置嵌入器，镜像体积增加约 18 MB。docker-compose.yml 提供了 mnem-http + Ollama 的完整本地开发栈，可用于基准测试复现。

部署硬件需求极低：GPU 不必需，RAM 仅需 512 MB，磁盘 100 MB——普通开发笔记本即可运行。

7. 局限与思考：不适合的场景，以及 v0.1.0 的成熟度

mnem 明确标注了三个不适合的场景：

第一，不适合事务性 OLTP 系统。 mnem 是仅追加的版本化历史，目标是知识检索而非事务处理——支付账本、库存系统这类需要行级 UPDATE/DELETE 的场景不适用。

第二，不适合 10k+ QPS 的云规模场景。 项目明确表示本地优先，多区域分片检索在路线图上，v1 阶段尚未提供。并发多写者场景下，redb 后端是单写者锁（ACID 保证），第二个写操作会阻塞而非自动合并。

第三，Python API v0.1.0 功能受限。 当前 mnem-py 仅支持密集向量检索，BM25 关键词搜索和图遍历需要通过 CLI 或 HTTP API 调用。这是一个已知的产品路线问题。

总体而言，mnem 是一个工程完成度极高的本地优先 Agent 记忆基础设施。它在检索性能、版本化语义、多宿主接入三个维度上实现了竞品难以同时兼顾的平衡——比 mem0 更强大（有图有版本），比 Graphiti 更轻量（无外部数据库），比 Letta/MemPalace 更开放（单二进制、离线运行）。

技术速览

维度	详情
语言 / 架构	Rust 1.95，16 个 workspace crates 模块化设计
核心 crates	mnem-core（检索引擎）、mnem-ingest（解析分块）、mnem-ann（HNSW 近似最近邻）、mnem-backend-redb（嵌入式 ACID 存储）
嵌入模型	内置 MiniLM-L6-v2（ONNX），支持 Ollama / OpenAI / Cohere 热切换
存储格式	内容寻址 CAR v1，可跨平台迁移，无厂商绑定
MCP 工具数	22 个原生工具（稳定 21 + 功能门控 1）
License	Apache-2.0
平台支持	Linux / macOS / Windows / WASM（浏览器 + Lambda）
测试基准	6 个公开数据集，全部提供复现脚本和数据

mnem 代表了一种正在兴起的 AI Infra 趋势：在 Agent 运行时层面，将"记忆"作为一等公民，赋予它版本、分支、审计和跨工具共享的能力。如果你在构建任何需要 Agent 在会话间保持一致性的系统，mnem 是目前最值得评估的技术选型之一。