Dragon-Brain
iikarus/Dragon-Brain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。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
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。
你让 Claude 帮你分析一个项目，三天后回来问它：「上次那个项目你还记得吗？」它一头雾水——因为在它的世界里，每次对话都是「第一天」。这是所有 AI Agent 的通病：短期上下文窗口结束后，一切归零。
一个叫 iikarus 的独立开发者被这个问题折磨了很久。他发现，现有的「记忆」方案要么是简单粗暴的聊天记录序列化，要么是纯向量搜索（只找「相似」的内容，不懂「关系」）。他想要的是：让 AI 像人类一样记住「谁做了什么」「这件事和那件事有什么关系」——这需要知识图谱。
于是有了 Dragon Brain：一个开源的 AI 长期记忆服务器，通过 MCP（Model Context Protocol）协议为任何 AI Agent 提供持久化记忆能力，把信息存储在图数据库中，让 AI 不只能「搜索相似」，更能「图遍历推理」。
Dragon Brain 的记忆体系分为三层，每一层解决不同的问题：
第一层：知识图谱（FalkorDB）——存储实体和关系。FalkorDB 是基于 Redis 的图数据库，擅长存储「节点」和「边」。Dragon Brain 将每条记忆建模为实体（Entity），实体之间通过关系（Relationship）相连。比如「我」「Atlas 项目」「Rust」「函数式编程」会形成这样的关系网络，而不是四条孤立的文本。
第二层：向量搜索（Qdrant）——语义检索。「我记得有个什么来着，关于分布式系统的……」这种模糊查询，靠图数据库无法直接解决。Dragon Brain 将每条记忆用 BGE-M3 模型生成向量，存入 Qdrant 向量数据库，通过余弦相似度找到语义最相近的记忆。
第三层：BGE-M3 嵌入服务——多语言、高精度。BGE-M3 是阿里达摩院开源的多语言嵌入模型，支持 100+ 语言的稠密检索、稀疏检索和多语言混合检索，默认 CPU 模式，支持 NVIDIA CUDA 加速 GPU 推理。
三层之间通过交叉引用保持一致：当在图谱中创建一条新实体时，会同步生成向量存入 Qdrant；当向量检索命中时，会反查图谱获取完整的上下文关系。
Dragon Brain 通过 MCP 协议暴露了 34 个工具，覆盖从创建、检索到维护的完整记忆生命周期：
| 工具类别 | 代表工具 | 功能说明 |
|---|---|---|
| 实体操作 | create_entity / update_entity / delete_entity | 创建、更新、删除记忆实体，支持 Person/Project/Concept/Procedure 等 16 种实体类型 |
| 关系管理 | create_relationship / search_by_relationship | 在实体间建立关系边，支持关系类型过滤 |
| 语义检索 | search_memory | 跨图谱+向量的混合搜索，返回记忆实体及关系路径 |
| 时间查询 | get_recent_memories / get_memories_by_date_range | 按时间范围查询记忆 |
| 分析聚合 | analyze_entity / get_entity_summary | 对实体进行聚类分析，生成摘要 |
| 批量操作 | batch_create_memories / import_memories | 批量导入历史记录 |
| 「时空胶囊」 | create_bottle | 写一封给未来自己的信，定时触发提醒 |
Dragon Brain 的 MCP 服务以 stdio 方式运行，支持所有兼容 MCP 协议的客户端：Claude Code、Claude Desktop、Cursor、Windsurf、Cline、Gemini CLI、VS Code Copilot，一个都不落下。
体验 Dragon Brain 极其简单，有两种方式：
Docker 一键启动（推荐）：
git clone https://github.com/iikarus/Dragon-Brain
cd Dragon-Brain
docker compose up -d
一条命令启动 4 个容器：FalkorDB（图数据库）、Qdrant（向量引擎）、Embedding API（嵌入服务）、Streamlit Dashboard（可视化面板）。GPU 用户加 --profile gpu 即可启用 CUDA 加速。
pip 安装（需自行准备基础设施）：
pip install dragon-brain
docker compose up -d # 只起基础设施
claude mcp add dragon-brain -- python -m claude_memory.server
Dashboard 提供了完整的图形化界面：知识图谱可视化（节点-边交互）、健康度监控、搜索历史和能力统计。README 里展示了一个实际运行的 Dashboard 截图——1,599 个节点、3,120 条关系边的知识网络，相当震撼。
Dragon Brain 最打动开发者的故事，不是功能本身，而是一次近乎偏执的代码审计。
2026 年 4-5 月，团队对项目进行了四阶段对抗性审计，检查了 37 个源文件。发现了 83 个合同违规（contract violations）——即代码行为与声明行为不一致的地方。
最严重的一个：search() 函数将整个搜索管道包裹在 except Exception: return [] 中。当基础设施故障（数据库不可达、向量引擎宕机）时，它默默返回空列表，而不报错。MCP search_memory 工具把这个空列表翻译成「No results found」——这和「我真的没有相关记忆」听起来完全一样，但意思天差地别。
换句话说：长达两个月，Dragon Brain 可能在每一次基础设施故障时，都对 Claude 撒了谎。 Claude 在没有任何背景信息的情况下继续工作，却完全不知道自己失去了记忆。
修复后，基础设施故障现在会抛出 SearchError，MCP 工具返回结构化错误 {"error": "MEMORY_LAYER_DEGRADED", "retry_safe": true}——明确告知 Claude「记忆层坏了，谨慎操作」。CI 流水线增加了 tox -e contracts 合同验证 gate，提交前检测新的违规，基准从 64 降到 13 个。
这个「失败即大声报告」（fail loud, by design）的哲学，被写在了项目首页的 tagline 里：Memory infrastructure for AI agents — that fails loud, by design. 不是偶然。
Dragon Brain 对代码质量的追求在同量级项目中极为罕见：
开发规范要求每个函数必须有文档字符串、类型注解必须完整（mypy strict 模式）、docstring 覆盖率有门槛。这不是一个简单的小工具，而是一套严肃的基础设施级软件。
坦诚地说，Dragon Brain 也有它的局限：
部署复杂度不低。 虽然 docker compose up -d 一条命令，但背后跑着 4 个容器（FalkorDB + Qdrant + Embedding API + Dashboard），加上 GPU 模式下需要 NVIDIA 驱动和 CUDA 运行时，对个人用户和小团队的运维能力有一定要求。
依赖链较长。 Python 3.12+ 强制要求，BGE-M3 模型约 1GB，GPU 模式下还需要 CUDA 支持。在网络受限或磁盘紧张的环境里，首次部署耗时较长。
异步化过渡期。 当前版本使用 asyncio.to_thread 包装同步的 FalkorDB 客户端，真正的原生异步（FalkorDB asyncio 原生客户端）还在路线图上。这对高并发场景的性能有一定影响。
非通用大模型。 Dragon Brain 本身不运行 LLM，只是负责记忆存储和检索。「记得什么」之后如何利用这些记忆，取决于接入的 AI Agent 本身的能力。
随着 AI Agent 赛道持续升温，长期记忆能力正成为刚需。当 Agent 需要跨多天、多会话执行复杂任务时，「记忆」不再是可选项，而是基础能力。Dragon Brain 代表了一个重要的技术方向：用知识图谱 + 向量搜索的混合架构，让 AI 不只「记得内容」，更「理解关系」。
从数据上看，Dragon Brain 在 GitHub 拥有 50 颗星、9 个 fork、7 个 open issue，2026 年 5 月至今持续活跃更新。项目支持 9 种语言的 README 文档，吸引了来自全球的开发者参与。项目还内置了 14 个行业 demo 场景（医疗、法律、网络安全、游戏、记者调查等），展示了知识图谱记忆在不同领域的适配潜力。
一句话总结：Dragon Brain 让 AI Agent 从「每次对话都是第一天」的失忆状态，进化到真正拥有持久、可推理、跨会话的长期记忆。 如果你在构建需要持续上下文的 AI 应用，这可能是目前开源生态中最认真、最具工程深度的一个选择。