Titre original : MIRIX-2.0: Multi-Agent Memory System
La mémoire à long terme permet aux agents LLM d'être personnalisés, cohérents et de réutiliser leurs succès passés, mais la mémoire paramétrique nécessite un entraînement, l'intégration entraîne une perte permanente de détails, et tout conserver alourdit progressivement la récupération. MIRIX-2.0 utilise six agents de mémoire typés pour sauvegarder des enregistrements complets, puis indexe les mémoires épisodiques et sémantiques via un hypergraphe de provenance, chaque fait citant sa ligne source ; la récupération s'effectue dans un budget explicite, et le volume de preuves à examiner ne croît pas avec l'historique. AutoDream fusionne les ancres dupliquées en dehors du chemin d'écriture, sans réécrire aucun enregistrement, et distille des sessions de tâches en compétences. Les auteurs affirment qu'il est le plus précis sur quatre des cinq benchmarks de questions-réponses, LoCoMo 91.4%, LongMemEval-S 72.6% (supérieur de 14.3 points à la meilleure base de référence) ; en tant que mémoire procédurale, il obtient le taux de réussite moyen le plus élevé sur ALFWorld et WebShop, avec 49.2% sur MetaClaw-Bench, contre 44.0% pour la bibliothèque de compétences intégrée à MetaClaw.
Pourquoi c'est important La mémoire à long terme permet aux agents de se souvenir des utilisateurs et de leurs actions passées ; le volume de preuves consultées à chaque requête ne croît pas avec l'historique, et les auteurs affirment une précision supérieure sur la majorité des benchmarks de questions-réponses
J'aime 46 · Étoiles GitHub 3481
Raisons
- Lorsque AutoDream est désactivé, les auteurs affirment que les réponses sont plus rapides que celles de HyperMem sur les cinq benchmarks chronométrés
- Compatible avec les modèles propriétaires et open source, sans nécessiter de fine-tuning ; il distille les erreurs d'outils, les tentatives échouées et les corrections finales en compétences
- La mémoire graphique est stockée dans Neo4j, chaque fait multi-entités étant annoté avec le rôle des entités et citant la ligne de mémoire originale pour faciliter la traçabilité
Utilisation
- Code : https://github.com/Mirix-AI/MIRIX(Apache-2.0,基于 Letta)
- Lancez le backend et le panneau avec docker compose up -d, créez une clé API dans le panneau, puis utilisez MirixClient après avoir installé mirix-client via pip pour écrire des conversations et récupérer de la mémoire ; la mémoire graphique est désactivée par défaut, il faut lancer séparément Neo4j et définir MIRIX_ENABLE_GRAPH_MEMORY=true
Risques
- Le dépôt fait partie du projet global de l'assistant personnel MIRIX, le README ne contient pas d'instructions spécifiques pour la reproduction des résultats du papier, les paramètres d'évaluation de la mémoire graphique sont décrits dans evals/GRAPH_MEMORY.md
- Le produit collecte l'activité de l'écran pour générer de la mémoire, il faut vérifier attentivement les paramètres de confidentialité avant utilisation ; la mise à niveau des anciennes bases de données nécessite l'exécution manuelle de scripts de migration
- Les résultats sont rapportés par les auteurs ; cette entrée n'a pas été exécutée