aius
markmbain/aius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。
凌晨两点，你第三次打开同一个 AI 编程助手，抛出一个它"应该"已经知道答案的问题。你花了五分钟解释上下文，它礼貌而陌生地回复——就像你们从未见过。这是一个荒诞的现实：人类最强的 AI 工具，却连你是谁都不知道。
每一次对话都是独立的快照，没有连续性，没有记忆，更谈不上"理解你"。
这正是 AIUS（Artificial Intelligence User System）试图解决的核心问题。
2024 年前后，AI Agent 赛道骤然火热。AutoGPT、LangChain Agents、OpenAI Assistant API 相继登场，但几乎所有主流方案都面临同一个结构性缺陷：上下文窗口有限，记忆靠人工灌输。
现有主流方案的应对策略：
| 方案 | 核心思路 | 致命缺陷 |
|---|---|---|
| 扩大 Context Window | 把更多历史塞进 prompt | 成本爆炸、延迟飙升、超长文本理解退化 |
| 简单 RAG | 从向量数据库检索相关段落 | 缺乏实体关系理解，孤立片段无法还原完整上下文 |
| System Prompt | 在系统提示词里塞"身份设定" | 无法动态学习，过拟合很快失效 |
AIUS 选择了第四条路：GraphRAG + 知识图谱 + 自主 AI Agents，用结构化记忆替代平铺直叙，用图关系替代孤立片段。
AIUS 是由独立开发者 Mark Bain 构建的开源项目（MIT 许可证），定位为 AI 的长期记忆基础设施。它的 Slogan 简洁有力：
"The long-term memory for your Superagents 🥷 and LLMs 🤖"
项目的核心哲学是：AI 应该像人一样，拥有持续学习和关系理解的能力，而不仅仅是接受指令后短暂工作。
AIUS 赋予 AI Agent 四层记忆能力：
记住对话对象是谁、偏好什么、忌讳什么。不只是简单标签，而是持续学习的关系网络。当 AI 第三次与你对话时，它能自然地说出"上次你提到希望我把代码解释得更通俗一些"——这是真正的个性化。
Agent 需要知道自己是谁、为什么存在、目标是什么、偏好的工作方式。这种"元认知"让 AI 不只是执行工具，更像一个有判断力的协作者。
AI 从每次交互中学习并固化专业知识，而非每次重头开始。医学、法律、金融等垂直领域的 AI Agent 可以通过 AIUS 持续积累领域知识，形成真正的"专家经验"。
记住已掌握的工具、API 和工作流，不需要每次重新探索。Agent 知道哪些工具组合最有效，哪些在特定场景下会失败。
AIUS 的架构设计体现了清晰的分层思想，采用 Poetry 作为包管理工具，核心依赖极简（Pydantic + Click），保持了轻量级和可扩展性。
aius/
├── beings/ # 实体层：AI Agent 的"身份"抽象
│ ├── being.py # Being 基类：所有 AI 实体（Agent/User/Tool）的父类
│ └── entities/
│ └── agents/ # Agent 实现
├── input_sensors/ # 感知层：接收外部输入
│ ├── cli/ # 命令行界面（Click 框架）
│ └── resources/ # 系统资源感知（CPU/内存/GPU via psutil/pyopencl）
├── log_memory/ # 记忆层：存储与检索
│ ├── memory_manager/ # 记忆管理器
│ ├── memory_handler/ # 记忆处理器
│ ├── memory_pods/ # 记忆胶囊（结构化存储单元）
│ ├── memory_storage/ # 底层存储抽象
│ └── memory_types/ # 记忆类型定义
├── log_processing/ # 处理层：Embedding + LLM 调用
└── output_tools/ # 输出层：向外部系统推送结果
aius CLI 工具concurrent.futures 支持多线程/进程并行处理# 安装
pip install aius
# 列出所有 Agent
aius agents list
# 创建新 Agent
aius agents create
# 管理 Agent 生命周期
aius agents sleep <agent-id> # 让 Agent 进入休眠
aius agents wake <agent-id> # 唤醒
aius agents kill <agent-id> # 终止
# 感知器管理
aius sensors list
AIUS 采用命令式生命周期管理（list → create → sleep/wake → kill），这种设计借鉴了进程管理的思想，体现了"AI Agent 作为持久化实体"的核心理念。
传统方案下，每次打开 AI 写作工具，你都要重新说明自己的文风、偏好和写作习惯。AIUS 让 AI 记住你的风格、常用表达方式、你喜欢的叙事节奏。几周后，它能主动帮你调整语调，而不是等你指出问题。
AIUS 记忆了你的代码规范、架构偏好、历史 bug 模式。当你提交新代码时，它不只是做静态分析，而是结合"你之前踩过的坑"给出更有针对性的建议——这种上下文感知是普通 LLM 做不到的。
在一个有多个专业 Agent（代码 Agent + 文档 Agent + 测试 Agent）的团队中，AIUS 作为共享记忆中枢，让每个 Agent 都能了解其他 Agent 的工作进展和上下文，避免重复劳动和信息孤岛。
必须诚实地说，AIUS 目前还处于非常早期的阶段（v0.0.0），以下是需要正视的现实：
功能成熟度不足：核心记忆存储和处理的多个模块（memory_handler/、memory_manager/ 等）在当前版本中几乎是空目录，CLI 命令均为"干跑"（dry-run）实现。这意味着实际使用时，Agent 的创建、睡眠、唤醒、终止等功能尚未真正落地。
外部 LLM 依赖：AIUS 自身不包含 LLM 模型，需要连接 OpenAI GPT-4、Anthropic Claude 等外部 API。这意味着运行时需要额外的 API Key 配置和费用支出。
缺乏 Web UI：没有图形界面，所有操作必须通过命令行。对于非技术用户门槛较高。
知识图谱构建成本：GraphRAG 的优势在于关系推理，但图谱的构建和维护需要持续的计算资源投入，在大规模应用场景下面临性能挑战。
AIUS 代表着 AI 记忆增强这个细分方向的探索。当前行业有几种不同路线：
| 路线 | 代表项目 | 特点 |
|---|---|---|
| 向量记忆 | Mem.ai、Notion AI | 简单但缺乏关系推理 |
| 知识图谱 | AIUS、MemGPT | 强关系建模，但复杂度高 |
| 混合架构 | 微软 GraphRAG | 结合向量检索与图谱推理 |
| 外部记忆 | Rewind.ai | 以用户行为为中心的被动记忆 |
AIUS 的差异化在于将 GraphRAG + 知识图谱 + 自主 Agent 三者融合，试图构建一个既能理解实体关系、又能自主运作的 AI 记忆生态系统。其发展方向值得持续关注。
AIUS 是一个野心勃勃但羽翼未丰的项目。它的核心价值主张——让 AI Agent 拥有持续学习、结构化记忆和关系理解能力——直击当前 AI 应用最核心的痛点。GraphRAG + 知识图谱的技术路线在学术和工程层面都有坚实基础。
但作为 v0.0.0 版本，它的实际功能完成度还很低，CLI 干跑、核心模块空置是客观事实。这个项目更适合作为技术探索的参考和学习案例，而非生产级解决方案。
推荐关注人群：AI Agent 研究者、知识图谱开发者、GraphRAG 技术爱好者。
建议行动：如果你对 AI 长期记忆感兴趣，可以 fork 项目、研究其架构设计，同时关注其 Release 进展。对于有实际使用需求的用户，建议等版本更新到 0.1.0+ 后再评估。