Graph Memory

A local knowledge-graph memory for AI coding agents — one cross-project graph that any conversation can query, so an agent in one session reaches knowledge captured in every other.

A local knowledge-graph memory system that replaces the traditional per-session memory of agents. It uses a knowledge graph + PageRank diffusion retrieval to achieve cross-concept association, allowing an agent to access knowledge from all projects in one session.

English summary: Graph Memory replaces per-session memory with a single local knowledge graph. Retrieval seeds from semantic nearest-neighbors and spreads via Personalized PageRank over auto-built edges, fusing 50% semantic + 50% graph-diffusion scores. It exposes 5 tools to agents over MCP and ships a Cytoscape.js visualization. Everything runs locally — embeddings are a local sentence-transformers model, the graph is a JSON file, and the LLM is only used (optionally) for knowledge extraction.

特性 / Features

• 图式关联检索 — PageRank 沿图扩散,从一个技术点带出相关的部署细节、经验教训或用户偏好

• LLM 知识提炼 — 从对话/记忆中自动提取结构化知识节点

• 三层去重 — MD5 → embedding 相似度 >0.85 → 新建

• 记忆修正 — 发现过时信息可更新已有节点

• MCP 集成 — 通过 MCP 自动为各 Agent 暴露 5 个工具

• 可视化 — Cytoscape.js 暗色主题,筛选/增删改查

• 本地运行 — 数据不出本机,embedding 模型本地加载

快速开始

1. 安装

git clone https://github.com/yourname/graph-memory.git
cd graph-memory
pip install -e ".[mcp,dotenv]"

2. 配置

cp .env.example .env
# 编辑 .env 填入 LLM API key 和 base_url(检索/写入不需要 LLM,只有 extract 需要)

3. 启动

python -m graph_memory.server

打开 http://127.0.0.1:9121/ 看可视化界面。

首次启动会下载 embedding 模型(默认 BAAI/bge-base-zh-v1.5,约 400MB),之后缓存到本地。

3a. 演示数据（可选）

首次体验时,可种入一组通用技术知识样例,让空白项目开箱即用:

python seed_demo.py

随后在 http://127.0.0.1:9121/ 即可看到一张小图。清空演示数据:删除 data/graph.json 和 data/embeddings.npz 后重启 server。

3b. Docker 一键运行

docker build -t graph-memory .
docker run -p 9121:9121 -v gm_data:/app/data -v gm_models:/root/.cache/huggingface graph-memory

4. 导入已有记忆

首次使用时,从 Hermes / Claude Code / Codex 导入已有记忆:

curl -X POST http://127.0.0.1:9121/api/import?source=all

也可以批量提炼 Claude Code session 历史:

curl -X POST http://127.0.0.1:9121/api/extract/sessions

导入路径可通过环境变量覆盖(HERMES_HOME / CLAUDE_HOME / CODEX_HOME),默认指向各 Agent 在用户主目录下的标准位置。

在 Agent 中使用

MCP Server（自动可用）

在你的 Agent 的 MCP 配置中加入 graph-memory MCP server,重启后自动获得 5 个工具:

agent 在对话中可以直接调用这些工具,无需手动操作。

MCP server 通过 stdio 运行,以 HTTP 客户端身份代理到 FastAPI 后端,本身不加载模型,避免与后端持有两份不一致的图数据。

Skill（agent 指导）

SKILL.md 是给 agent 的使用指导,agent 加载后会按规则:

• 回答前先检索图记忆

• 回答后提取有价值的新知识写入

• 发现过时信息时主动更新

使用方式

方式 1：直接跟 agent 对话

"帮我看看某服务器上的推理项目"

agent 会自动调 retrieve 检索相关知识,拿到项目路径/端口/分支信息后回答。

方式 2：让 agent 记住新知识

"记住,vLLM 0.25 新增了 speculative decoding 支持"

agent 会调 write 写入知识图谱,自动关联已有节点。

方式 3：修正过时信息

"某服务的端口已经改了,不是 8000 了"

agent 会调 update 更新已有节点。

方式 4：可视化浏览

打开 http://127.0.0.1:9121/ 搜索、筛选、增删改查。

架构

┌──────────────────────────────────────────┐
│  Agent (Hermes / Claude Code / ...)       │
│  ┌─────────────┐  ┌──────────────────┐   │
│  │ MCP Client  │  │ Skill (指导)     │   │
│  └──────┬──────┘  └──────────────────┘   │
│         │ stdio                           │
│  ┌──────▼──────┐                          │
│  │ MCP Server  │  (轻量, 不加载模型)       │
│  │ mcp_server  │                          │
│  └──────┬──────┘                          │
└─────────┼─────────────────────────────────┘
          │ HTTP
┌─────────▼─────────────────────────────────┐
│  FastAPI Server (port 9121)              │
│  ┌───────────┐  ┌──────────┐  ┌────────┐ │
│  │ GraphEngine│  │ LLM提取  │  │ 导入器 │ │
│  │ NetworkX  │  │ OpenAI   │  │        │ │
│  │ PageRank  │  │ 兼容API  │  └────────┘ │
│  │ bge embed │  └──────────┘              │
│  └───────────┘                            │
│       │                                   │
│  ┌────▼────┐  ┌────────────┐              │
│  │ graph   │  │ embeddings │              │
│  │ .json   │  │ .npz       │              │
│  └─────────┘  └────────────┘              │
└─────────────────────────────────────────────┘

MCP server 是轻量 HTTP 客户端,不加载 embedding 模型。所有计算在 FastAPI server 中完成,避免两个进程各自持有引擎导致数据不一致。

API

评测

python benchmark.py

30 道题 × 3 轮 × LLM 评分,对比"只靠 MEMORY.md"vs"加图记忆"的回答质量。

题集需针对你自己的知识库定制(见 benchmark.py 顶部注释)。检索行为本身的回归用 regression.py(确定性快照对比,不依赖 LLM):

python regression.py snapshot baseline      # 改代码前
python regression.py snapshot after-change  # 改代码后
python regression.py compare baseline after-change

测试

pip install -e ".[test]"
pytest tests/ -q

引擎层测试用确定性假 embedder,不下载真实模型,离线可跑。

知识管理（防膨胀）

日常使用久了图会膨胀。定期运行管理工具:

python manage.py status        # 查看图健康状态
python manage.py dedup         # 扫描重复节点报告
python manage.py merge          # 合并相似节点(embedding >0.85)
python manage.py prune --dry-run   # 预览孤立+过时节点
python manage.py prune              # 执行清理

清理规则:

• 度 <2 且 90 天未更新的节点被删除(有关联的保留)

• 合并相似节点时保留更长/更详细的内容

• 所有操作支持 --dry-run 预览

配置项

License

MIT