Mazemaker：用「认知图谱」让 AI Agent 真正记住你

你的 AI 助手，每次对话都是「失忆症患者」

有没有这种感觉——你花 20 分钟向 AI 助理解释项目背景、业务逻辑、个人偏好，关掉对话窗口，下一次它就像什么都没发生过？

这不是 AI 的「态度问题」，是架构性缺陷。

现有主流方案本质上是「检索包装器」：把对话切成块、向量化、存进向量数据库，下次用相似度搜索捞回来。这种方式解决不了：偏好随时间演变时的冲突处理、跨会话推理链的追踪、以及「这件事为什么重要」这类元认知问题。

Mazemaker 做了一件不同的事——它不是更好的搜索，而是给 AI 安装了一个认知操作系统。

项目起源：一群被「失忆 AI」逼疯的开发者

Mazemaker 的诞生背景非常具体——它是专门为 Hermes Agent 和所有兼容 MCP（Model Context Protocol） 的 AI Agent 设计的长期记忆层。项目名本身就透着一种倔强：「你的 Agent 每次对话都死掉了，Mazemaker 让它们活过来。」

项目从 2025 年开始开发，历经 4 个时代、100 多次迭代、bench 驱动的开发方法论。每一次机制调整都有对应的 benchmark 数据支撑——不是「我觉得这样更好」，而是「关掉这个机制，指标必须跌」。这种工程纪律在 AI 项目中相当罕见。

目前项目有 51 颗 star、8 个 fork，18 个 topic 标签覆盖了 agent、memory、knowledge-graph、brain 等核心领域，代码库非常活跃（2026-08-12 刚更新）。

架构解密：六层认知管道

Mazemaker 的核心是一个分层认知处理管道，每一层解决一个特定问题：

用户对话
    ↓
原子事实提取 (Atomic Fact Extraction)
    ↓
语义 + 知识图谱双编码
    ↓
混合检索 + ColBERT 重排
    ↓
梦境整合（Dream Consolidation）
    ↓
Stage S 结晶（Crystallization）
    ↓
持久化认知图谱

六层各司其职：

层级	技术	解决的问题
嵌入层	BGE-M3 (FastEmbed/ONNX)	语义相似度基础
重排层	ColBERT reranking (Pro)	精确度提升
图遍历	Personalized PageRank	A→B→C 推理链
冲突处理	Conflict Supersession	过期信息替换
阶段C合成	Stage C Synthesis	潜在用户状态提取
阶段S结晶	Stage S Crystallization	长期抽象形成

关键设计决策：向量化检索只能找到「附近」的内容，但 Mazemaker 管理的是认知本身——两者是相变关系，不是优化关系。

梦境引擎：AI 的「睡眠整合」机制

Mazemaker 最具想象力的设计是梦境引擎（Dream Engine），灵感来自人类睡眠时的记忆整合。

NREM 阶段（非快速眼动睡眠）

• 重放最近 100 条记忆
• 传播激活：共同触发的边增强 (+0.05)，不活跃边弱化 (−0.01)
• 修剪死边（阈值 0.05 以下）

REM 阶段（快速眼动睡眠，Pro 专属）

• 找到 50 条孤立记忆
• 主动建立连接（相似度 × 0.3 加权）
• 创建跨社区「桥梁节点」

Insight 阶段

• 通过 BFS 连通分量检测图谱社区
• 识别桥节点
• 将合成的抽象具体化

这个机制的核心价值：记忆随时间变得更密集，而不是更嘈杂。官方 benchmark 显示，开启梦境整合后，原本无法从单条记忆到达的事实可达性从 0.00 提升到 0.43 R@10。

联邦能力：多 Agent 之间的记忆同步

Pod-to-Pod HTTP 传播，支持 Tailscale 二人组、星型团队拓扑，或 WWW 规模网状网络。同样的模型贯穿始终，每个节点对有独立 Bearer 密钥，5 分钟心跳间隔。

简单说：你有多台机器上的 Agent，它们可以共享记忆了。

部署方式：Community 免费，Pro 收费

Community 版（永久免费）

• 混合召回 + SQLite 后端 + MCP 工具
• NREM 梦境阶段
• 无需信用卡，无限额

Pro 版（月付）

• ColBERT 重排 + REM 梦境阶段 + Insight 合成
• PostgreSQL + pgvector 存储
• 自主梦境工作进程
• 托管 Architect 可视化控制台

技术门槛评估

维度	评估
安装难度	中等偏高——需要源码克隆 + pip 安装 + 复杂的 install.sh 配置脚本
依赖复杂度	高——Python + C++ (Cython 编译) + SQLite + MSSQL + systemd + Podman
Web UI	✅ 有——本地 HTML 仪表板 + 托管 Architect 实时图谱
容器化	⚠️ 部分支持——提供 Podman Quadlet 配置（非开源 Dockerfile），7 个容器协同运行
硬件需求	4GB+ RAM；8GB+ GPU 推荐（嵌入层 GPU 加速）

结论：适合有技术背景的 AI 开发者，不适合非技术用户快速上手。

图片资源

Dashboard 实时图谱视图 — 记忆节点与连接可视化

神经记忆引擎概念图

Hermes Agent 记忆索引管道

神经记忆抽象架构图

许可争议：双许可证的边界在哪里

Mazemaker 使用 AGPL-3.0 + PolyForm-NC 双许可证：

• LICENSE-AGPL-3.0.txt：社区引擎开源
• LICENSE-POLYFORM-NC-1.0.0.md：非商业使用限制
• NOTICE：归属声明

这意味着：商业使用需要获得 Pro 授权。对于个人开发者和研究场景，Community 版本是免费且永久的。但如果你是公司想把 Mazemaker 集成进商业产品，需要联系官方获取商业许可——这在开源社区引起了关于「开源定义兼容性」的讨论。

基准测试：100 轮人工「红队」审计

项目最有意思的一点是：整个 benchmark 套件（包括那些「必须失败」的负对照实验）都通过 Codex CLI 提交给 GPT-5.5 进行了 8 轮审查。

前两轮 GPT-5.5 直接拒绝了整套测试。到第 8 轮，所有具体异议都通过代码变更而非辩论解决。最终判决：无条件通过，无残余警告。

基准数据：

场景	关闭 → 开启	证明内容
Hop-2 图推理	0.00 → 1.00	A→B→C 链式推理，向量余弦无法构造
梦境整合	0.00 → 0.43	整合后原本孤立的事实变得可达
冲突超控	0.03 → 0.33	新矛盾事实替换过期信息而非叠加噪声
跨会话连续性	0.06 → 0.62	概念模式干扰下图谱仍保持连续性
轻量检索 vs 超级系统	0.42 → 0.60	Lean 比 skynet R@5 高 0.18，且消除无效通道

p95 延迟超过 3 秒——这不是退化，是证据：图扩展、合成、重排、递归遍历和自适应检索确实在贡献价值。

技术栈速览

• Python：核心逻辑、编排层、梦境引擎
• C++ / Cython：LSTM + kNN 高性能模式学习（fast_ops.c / fast_ops.pyx）
• SQLite：默认热存储 + 语义召回
• PostgreSQL + pgvector：可选大规模图谱/冷存储镜像（Pro）
• MSSQL Server：项目自身的神经记忆向量存储
• FastEmbed / ONNX：BGE-M3 嵌入模型，1024 维，支持 GPU
• ColBERT：精确度重排（Pro 专属）
• systemd + Podman：生产级容器化部署
• MCP 协议：与各类 AI Agent 无缝集成

总结：一场关于「AI 记忆」的范式探索

Mazemaker 的核心主张是：记忆不是检索，记忆是形成、整合、合成和演化结构。这是一个有野心的命题，也是一个在工程上高度复杂的实现。

它的价值在于：把「AI 记忆」这个问题从「向量相似度搜索」提升到了「认知图谱管理」层面，并且用严格的可复现基准验证了每一项机制的有效性。它的局限在于：部署复杂度较高，双许可证对商业场景有约束，Pro 版本的定价策略尚未透明。

如果你在构建需要长期上下文、跨会话一致性的 AI Agent，Mazemaker 提供了目前最完整的开源解决方案之一。