Ebb — 面向智能体的知识图谱

为 AI 智能体构建的长期记忆，以图的形式实现。相关性是基于近期性的加权连接强度：重复使用的知识保持活跃，未使用的知识会衰减并被归档，除非人类确认，否则不会删除任何内容。可嵌入式运行（零基础设施）或运行在 Neo4j 上（生产环境）。

它围绕的两个机制——连接加权相关性和时间衰减——都是原生图操作，并且两者都有深厚的先例（PageRank/中心性；认知科学中的 ACT-R 基级激活和扩散激活；间隔重复遗忘曲线）。这是对该谱系的一个小而诚实的实现，专门针对智能体记忆。

为什么这样构建

1. 引擎和接口是分离的。 图存储位于一个小接口（GraphStore）之后。智能体和评分逻辑从不接触特定数据库，因此你今天可以在嵌入式引擎上运行完全相同的图，以后只需一个环境变量即可切换到 Neo4j。

2. 相关性是基于近期性的，而不是原始连接数。 “连接越多 = 越相关”会永远奖励旧的、被大量引用的数据——这正是系统要消除的过时数据问题。在这里，每条边对相关性的贡献都乘以一个时间衰减因子，该因子取决于连接上次被强化的时间。昨天被强化的边几乎算作满值；六个月前最后接触的边几乎不算。重用连接（recall/reinforce）会重置其时钟——因此相关性跟踪实际活跃的内容，过时的知识会自行沉没。

证明，来自演示种子图（python -m ebb.demo）：

node                             raw#   activation
decision:outcome-pricing            3        6.116   <- fresh, few links, ranks #1
decision:seat-pricing              11        3.077   <- MOST links, ranks #3
...
note:analysis-* (x10)               1        0.051   <- decayed -> archived (tier 4)

被取代的按席位决策拥有图中最高的原始连接数，但仍然排名第三，落后于一个链接数只有其三分之一的新决策。原始计数输了；近期性赢了。

Related MCP server: Memory Engine MCP

包含什么

• 图模型 — 每个笔记、决策、会议、人员、客户、事实都是一个节点；每个引用都是一条带时间戳、类型化、加权的边。

• 评分引擎（scoring.py）— 基于近期性的激活、指数衰减（可配置半衰期）、一跳扩散激活（PageRank 的可移植替代品）以及层级分配。纯函数，完全单元测试。

• 四个归档层级 — 1 热（默认召回）· 2 温（更深召回）· 3 冷（已归档，仅按需）· 4 冻结（删除前需人工确认）。固定节点永远不会自动归档。

• MCP 服务器（mcp_server.py）— 智能体接口：remember、recall、connect、reinforce、forget、neighbors、pin、maintain、review_queue、stats。

• 两个后端 — KuzuStore（嵌入式，默认）和 Neo4jStore（生产环境），相同的接口，相同的 Cypher 形状。

快速开始（嵌入式 — 零基础设施）

python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt

python -m ebb.demo      # narrated end-to-end walkthrough
pytest -q                 # 11 tests, all green

无需 Docker，无需服务器，无需端口。Kùzu 是一个进程内图数据库，因此 Ebb 只是一个文件夹（./ebb_db）。

将其接入 MCP 客户端（例如 Claude Desktop）

1. 将 claude_desktop_config.example.json 中的 ebb 块复制到客户端的 MCP 配置中，并修正绝对路径。

2. 重启客户端。ebb 工具会出现在工具菜单中。

3. 智能体现在可以跨会话 remember 内容，recall 相关内容，并 reinforce 它持续使用的内容——衰减和归档由系统自动处理。

生产模式（Neo4j）

docker compose up -d      # Neo4j + Graph Data Science + APOC
EBB_BACKEND=neo4j NEO4J_PASSWORD=brainbrain python -m ebb.demo

相同的代码，相同的行为。在 Neo4j 上，你还可以获得 GDS 库，因此当规模需要时，scoring.py 中的扩散激活过程可以升级为真正的 PageRank / 中心性 / 社区检测。（Neo4j 后端的 Cypher 镜像了经过完全测试的 Kùzu 后端；在生产环境中信任它之前，请对实时实例运行 pytest。）

模型简述

节点的激活值 = Σ (edge.weight × decay(age_since_last_reinforced)) + read-recency-bonus，再加上来自其邻居的同一衰减一跳。衰减是半衰期（默认 30 天，可调）。层级根据相对于最活跃的非固定节点归一化的激活值进行划分。recall 将此激活值与查询文本匹配相结合，并返回每个结果出现的原因。所有内容都可以在一个地方调整 — ebb/scoring.py::Config。

编写摄取适配器

Ebb 与来源无关：任何调用 remember/connect 的内容都可以为其提供数据。一个来源（笔记文件夹、wiki、问题跟踪器）通过将文档映射到节点、链接/提及映射到边、编辑时间戳映射到近期性时钟，从而成为图。将适配器及其数据保留在仓库之外。

目录结构

src/ebb/
  model.py        # Node, Edge, tiers
  scoring.py      # decay, activation, spreading, tiering  <- the core
  store.py        # GraphStore interface
  kuzu_store.py   # embedded backend (default)
  neo4j_store.py  # production backend
  engine.py       # Brain: remember/recall/connect/reinforce/maintain/...
  mcp_server.py   # agent-facing MCP tools
  seed.py         # fictional demo graph
  demo.py         # narrated walkthrough
tests/            # 11 tests: scoring + end-to-end
docker-compose.yml

许可证

MIT — 参见 LICENSE。