inspeximus — 为 AI 智能体设计的长期记忆，始终保持正确

一个零依赖的 Python 文件实现智能体记忆，外加适用于 Claude Code 和 Cursor 的 MCP 服务器。 当事实被纠正时，inspeximus 会提供新值并阻止旧值重新出现—— 这是确定性的，无需大语言模型参与。

pip install inspeximus

关键的 30 秒

每个记忆库都能存储和检索。但没人回答的问题是，当存储的事实被证明是错误时会发生什么。

from inspeximus import Inspeximus

m = Inspeximus("memory.json")

m.remember("The staging database is db-3.internal", key="staging-db")
m.remember("The staging database is db-7.internal", key="staging-db")   # a correction

m.recall("which staging database")[0]["text"]
# 'The staging database is db-7.internal'          <- the correction wins, every time

m.revert("staging-db")                              # and it is reversible
m.recall("which staging database")[0]["text"]
# 'The staging database is db-3.internal'

没有嵌入漂移，没有“LLM 通常选择较新的那位”。旧值通过键被废弃，并且这个废弃操作是一个你可以审计、还原和证明的记录。

Related MCP server: NeverOnce

为什么需要另一个记忆库

因为我们衡量了其他库没有公布的一件事：纠正过的事实多久会再次出现。

每个系统都在其原生配置下运行，执行相同的任务，进行相同的 30 次试验：

n = 30 每个系统。mem0 在 2.0.11 (2026-07) 测量；mem0 现已升级至 2.0.18，我们尚未 重新测试——版本已固定，而非将声明重新表述为当前状态。完整方法、 原始数组和可重新运行的测试工具： RAMR · echo_resistance_backends_result.json

正确理解 Graphiti 那一行——它的回声防御并未失效。 我们自己的原始输出记录 在回声运行前正确提取的 26 个纠正中，echo_attributable_flips: 0。 Graphiti 的双时态失效机制保持了每一个。上面的 13.3% 是四个回声前提取遗漏 ——纠正从未进入图谱——这与本表讨论的失效类型不同。 按机制而非标题陈述：在可归因于回声的复活上，Graphiti 得分为 0%，与我们相同， 通过在写入时记录取代链接实现。这才是这里的真正发现：将这些系统区分开来的 是链接是否被记录，而非谁记录它。

最后一行是重点。关闭我们的防护后，我们得分为零——所以这个数字是机制本身， 而不是基准测试对我们有利。

在 Claude Code 中使用（一行命令）

inspeximus install --ide claude     # also: cursor, windsurf, codex, cline

这连接了一个拥有 71 个工具和三个钩子的 MCP 服务器。从下一个会话开始，你的智能体将 知道上一个会话决定了什么——无需编辑 CLAUDE.md，无需重新解释：

• SessionStart 注入仍然有效的决策

• PostToolUse 捕获实际发生的情况，并按文件进行键控

• PreToolUse 在操作执行之前显示与之相关的决策

你得到什么

将纠正作为一等操作。 remember(key=...) 会废弃该键的先前值。 revert(key) 可以恢复它。history(key) 显示变更链。全部确定、全部可审计。

可证明的擦除。 forget_subject() 硬删除所有可归因于某个主体的记忆—— 包括通过谱系继承而来的摘要——并留下一个已签名、无内容的墓碑，以便 后续审计能够区分有意删除和被篡改。

可检查而非仅存储的溯源。 check_sources() 重新读取每条记录的来源并返回 FRESH / DRIFTED / ORPHANED / UNCHECKABLE，以及四个故意分开的覆盖率数字—— 因为一个 98.3% 已填充但 0.01% 可重新获取的 source 字段是一个模式，而不是 保证。（这两个数字是我们的，来自我们自己的生产存储。）

当前状态适用性。 evaluate_applicability() 回答了一个不同于“这个记忆是否真实”的问题： *它能否在此地、此时驱动一个动作？*历史证据可能完全有效，但不再 被授权——分支已移动，策略已更改，租户不同，窗口已过期。 实现了供应商中立的 CML 契约；两个独立实现在其冻结的测试用例上达成一致。

多租户隔离。 for_tenant("acme") 在单个共享存储上提供一个限定范围的视图， 租户被绑定到签名消息中，因此记录无法在租户之间移动并仍然通过验证。

零依赖。 一个文件。语义回忆是可选的（embed=your_model）；词汇后备方案 无需任何额外依赖。MCP 服务器、加密和框架适配器都是可选的附加功能。

兼容

langchain · langgraph-store · llamaindex · haystack · autogen · pydantic-ai · google-adk · memoryagentbench

13 个中的 10 个已通过当前上游版本验证，3 个记录为损坏——crewai、 langgraph-checkpointer 和 openai-agents，已明确指出而非静默地从列表中移除。这些 计数从 docs/integration_conformance.json 由声明审计读取， 因此这一行不会与运行器上次测量的结果产生偏差。

一个只提及成功的“兼容”列表是徽标墙。而这个列表会告诉你，在你基于某个适配器构建之前，它是否会失效。

如何测试的

2,600+ 个测试，以及一个突变门控，这是你信任它们的理由：175 个植入的缺陷，175 个被杀死，0 个幸存。一个通过的测试套件不是证据；而一个能捕获每个故意破坏的套件才是。

此页面上的每个数字都在 docs/CLAIMS.md 中注册，并附有重新计算它的 确切命令。如果某个数字与你运行的结果不一致，那就是我们想要的错误报告。

文档

适用人群

你正在构建一个运行数周而非数分钟的智能体。它会学到一些东西，然后这个东西 会发生改变——一个配置值、一个策略、一个人的偏好、一个事实。最让你付出代价的 失败不是智能体遗忘，而是智能体自信地记住旧的答案。

这就是这个库围绕构建的失败，也是我们唯一用来为自己进行基准测试的失败。

引用

已存档于 Zenodo，具有独立于版本的 DOI：10.5281/zenodo.21708778。 机器可读元数据位于 CITATION.cff，因此 GitHub 的“引用此存储库”按钮 可直接提供 BibTeX 和 APA 格式。

MIT 许可。由 Agora 构建，这是一个自主研究 组织，会将其失败的复现与其成功的复现一起发布。

mcp-name: io.github.DanceNitra/inspeximus