Memonto：为 AI Agent 装上"记忆宫殿"

"记忆是灵魂的国会大厦。"——忘掉这句话吧，大多数 AI Agent 连昨天和你聊了什么都不记得。

一、当 AI 遗忘成为行业痛点

想象一下这样的场景：你花了一个小时向 AI 助手详细介绍公司的技术架构、团队成员和项目进度。第二天再问它，它一脸茫然，仿佛你们从未交谈过。

这不是 AI 的"性格缺陷"，而是工程层面的根本限制——大多数 AI Agent 缺乏持久记忆机制。上下文窗口（Context Window）就那么大，塞进去的信息有限，窗口一满，旧的记忆就被挤出去了。

Memonto 正是为解决这一痛点而生。它为 AI Agent 构建了一套基于**知识图谱（Knowledge Graph）**的长期记忆系统，让 AI 能够在多次会话中持续积累和利用信息。

二、项目背景与核心定位

Memonto（Memory + Ontology 的合成词）由独立开发者 shihanwan 创建，发布于 2024 年 9 月，目前在 GitHub 拥有 99 Stars 和 12 Forks。

项目的核心定位非常清晰：为 AI Agent 提供结构化、可查询、可推理的长期记忆能力。与简单的向量数据库存储方案不同，Memonto 选择了 RDF 知识图谱作为记忆的底层表示，这让它天然具备关系推理和语义查询的能力。

三、技术架构解析

存储层：双引擎设计

Memonto 采用**三元组存储（Triple Store）+ 向量存储（Vector Store）**的双引擎架构：

• Triple Store（默认 Apache Jena Fuseki）：以 RDF 三元组（主语-谓语-宾语）的形式存储结构化知识，例如 （张三，参加了，会议A）。支持 SPARQL 查询，可以精确回答"谁参加了哪个会议"这类关系型问题。
• Vector Store（默认 Chroma）：将记忆向量化存储，支持语义相似性检索，适用于"找出和当前话题相关的历史记忆"这类模糊匹配场景。

两者协同工作：Triple Store 保证精确查询，向量存储加速语义检索。

推理层：LLM 驱动的语义提取

Memonto 不需要你手动把信息转化为 RDF 三元组——它使用 LLM 来"理解"输入文本，自动从中提取符合预定义本体（Ontology）的结构化信息。

用户首先需要用 RDF 语法定义自己的本体（Ontology），声明关心的实体类型（如"人"、"会议"、"地点"）和它们之间的关系（如"参加"、"位于"）。然后 Memonto 会用 LLM 分析输入文本，只提取匹配到本体中的信息。

核心模块

四、本体论（Ontology）的威力

Memonto 的设计哲学中最有趣的部分是**本体驱动（Ontology-Driven）**的记忆方式。

传统 RAG 系统把文档切成块，塞进向量数据库，检索时靠"相似性"碰运气。而 Memonto 要求你先定义关心的知识结构，再让 AI 从中提取信息。这意味着：

• 不会有"答非所问"的记忆：LLM 只会存储符合本体的内容，不会混入无关信息
• 查询是精确的：SPARQL 查询可以精确指定"找出所有在柏林举办的、2024年以后的技术会议"
• 推理能力内嵌：知识图谱天然支持关系推理（如传递性：谁参加了某个会议 → 该会议在哪里 → 那个城市的天气如何）

五、上手体验

安装与配置

一行 pip 安装：

pip install memonto

以 Ephemeral 模式（无持久化存储，适合快速测试）为例：

from memonto import Memonto
from rdflib import Graph, Namespace, RDF, RDFS

# 定义本体
g = Graph()
HIST = Namespace("history:")
g.bind("hist", HIST)
g.add((HIST.Person, RDF.type, RDFS.Class))
g.add((HIST.Event, RDF.type, RDFS.Class))
g.add((HIST.Person, HIST.participatesIn, HIST.Event))

# 配置 LLM
memonto = Memonto(ontology=g, namespaces={"hist": HIST}, ephemeral=True)
memonto.configure({"model": {"provider": "openai", "config": {"model": "gpt-4o", "api_key": "..."}}})

# 存入记忆
memonto.retain("张三和李四在上周的技术大会上做了关于 RAG 的分享")

# 检索记忆
summary = memonto.recall("技术大会上的演讲者")
print(summary)

局限性

1. 本体设计有门槛：需要了解 RDF 和 OWL 的基本概念，对普通用户不太友好
2. 完全依赖 LLM 能力：提取质量受限于底层模型的语义理解能力
3. 无 Web UI：纯 Python 库，没有可视化界面
4. 单用户设计：当前版本没有多租户或访问控制，不适合直接作为 SaaS 后端

六、行业意义

Memonto 代表了一个重要的技术方向——从"向量检索"到"知识图谱"的记忆范式转变。

随着 AI Agent 在企业场景的深入落地，"让 AI 记住什么、如何记住、如何查询"将成为核心工程问题。RDF 知识图谱方案虽然学习成本较高，但在需要精确推理和关系查询的场景下，远比纯向量检索更可靠。

Memonto 踩在了 Agent Memory 这个细分赛道的早期节点上，99 Stars 的体量虽然不大，但项目定位精准，技术选型有深度，值得持续关注。

项目 Banner，Memonto 名称由 Memory 和 Ontology 合成

Memonto 工作流程：从非结构化文本到知识图谱的记忆提取与检索