开源推荐

其他

省 99.9% Token！这个数据库不存东西反而更聪明，向量数据库的时代要结束了？

发表于 2026年04月16日阅读 16 评论 0

大家好，我是何三，独立开发者

5000 条记忆，文件方案要吃掉 101,739 个 tokens，直接撑爆任何上下文窗口。而这个叫 YantrikDB 的数据库，同样的 5000 条记忆只花 ~70 tokens。省了 99.9%，精度反而从 66% 涨到 88%。

数据越多越准——跟我们认知里"塞的越多越乱"完全反着来。

yantrikdb_cover

AI 记忆的"死穴"

现在做 AI Agent 的兄弟应该都有这个体感：Agent 用久了就变笨。不是模型退化，是它的"记忆"烂了。

主流方案是啥？向量数据库。工作流基本就是：存一切 → Embed → 检索 Top-K → 塞进上下文 → 祈祷它有用。

这不叫记忆，这叫搜索引擎加了个上下文注入。

刚开始 100 条记忆还好，到了 500 条，光往上下文里塞就得 9807 个 tokens。1000 条直接逼近两万。5000 条？101,739 tokens——这已经不是哪个模型能装得下的了，连 200K 上下文的都塞不进去。

更要命的是，向量检索只看"语义相似度"。你跟 Agent 说"我上周决定用 PostgreSQL"，又过了三天说"算了还是用 MySQL 吧"——它两段记忆都存着，下次问"我们用啥数据库"的时候，随机抽一个给你。

它分不清哪个新哪个旧，哪个是最终决定哪个是中间过程。就像你问一个人"午饭吃啥"，他说"我昨天想过吃面，也想过吃火锅"然后沉默了——你等了半天发现他没给结论。

这就是向量数据库做记忆的根本缺陷：只存不管，只检不判。

yantrikdb_01

YantrikDB 怎么干的

YantrikDB 的作者 Pranab Sarkar 琢磨了一个问题：人脑的记忆不是"存得多就聪明"，恰恰相反——遗忘、合并、矛盾检测，才是记忆的核心能力。

所以他造了一个"认知记忆引擎"，核心就三件事：

1. 它会遗忘

每条记忆有重要性权重（0-1）和半衰期（half_life）。你记一条"周五前看 SLA 文档"，重要性 0.4，半衰期一天。24 小时后这条记忆的相关性评分开始衰减，7 天后除非你主动提，不然 Agent 根本不会想起它。

就像你自己，一个月前老板随口说的一件事，你不翻聊天记录也记不起来——这不叫失忆，这叫大脑在正确地分配注意力。

2. 它会合并

开了一个站会，你往里头灌了 20 条碎片化的笔记。调一次 think()，20 条被合并成 5 条。

不是简单去重，是语义层面的合并——把碎片拼成完整的"记忆块"。原文说的是 20 fragments → 5 canonical memories。

（我跑了一下，合并效果确实不错，类似会议纪要的精简版，不会丢关键信息。）

3. 它会挑刺

你先告诉它"CEO 是 Alice"，后来某次对话里又说"CEO 是 Bob"。

YantrikDB 不会傻乎乎地两份都存。think() 跑完之后会报一个冲突：

{"conflicts_found": 1,
 "conflicts": [{"memory_a": "CEO is Alice",
                "memory_b": "CEO is Bob",
                "type": "factual_contradiction"}]}

然后怎么办？不是它自己猜，是让 AI 去跟用户确认："你之前说 CEO 是 Alice，现在说 Bob，哪个对？"

这个设计太对了。很多 Agent 框架的痛点就在这——记了一堆自相矛盾的东西，越用越混乱。YantrikDB 至少把矛盾暴露出来了。

yantrikdb_02

架构拆解

底层是 Rust，单文件嵌入式（跟 SQLite 一个路子），Python 和 TS 双语言绑定。它内部跑了五个索引：

Vector (HNSW)：语义相似检索
Graph：实体关系图谱——"Alice" 和 "engineering" 之间有条边
Temporal：时间索引，支持"上周二发生了什么"这种问法
Decay Heap：衰减堆，按半衰期自动降低不活跃记忆的权重
Key-Value：快速事实存取

每次 recall 的时候不是只算向量余弦相似度，而是五个信号加权：语义相似 × 时间衰减 × 重要性 × 图谱距离 × 历史检索质量。

这个多信号评分才是它精度随数据增长反而提升的原因。数据越多，图谱越密，关系越清晰，检索越准。

支持 CRDT 多设备同步——这点挺实用的，你在手机和电脑上各跑一个 Agent，记忆能合并。不会出现"手机上的 Agent 不知道电脑上的 Agent 做了什么决策"的情况。

上手体验

三种用法，看你需要哪种：

Docker 一键启动：

docker run -p 7438:7438 ghcr.io/yantrikos/yantrikdb:latest
curl -X POST http://localhost:7438/v1/remember -d '{"text":"hello"}'

装完了。没报错。神奇。（这年头 Docker 能一次性跑起来的开源项目不多。）

Python 嵌入：

pip install yantrikdb

import yantrikdb
db = yantrikdb.YantrikDB("memory.db", embedding_dim=384)
db.set_embedder(SentenceTransformer("all-MiniLM-L6-v2"))
db.record("Alice leads engineering", importance=0.8)
db.recall("who leads the team?", top_k=3)
db.think()  # 合并、冲突检测、模式挖掘

MCP 接入 Claude Code / Cursor：

pip install yantrikdb-mcp

然后在 MCP 配置里加一下就行。Agent 自动回忆上下文，自动记录决策，自动检测矛盾。不用写提示词。

（这个 MCP 的 license 是 MIT，不会传染 AGPL，商用无压力。）

性能方面，官方数据是 2 核 LXC 集群，1689 条记忆，recall p50 延迟 112ms（其中 ~100ms 是 query embedding 的时间）。如果用预计算 embedding，recall 能压到 ~5ms。

对于嵌入式场景来说，够用了。

跟同类比一比

方案	干什么的	缺什么
Pinecone / Weaviate	向量最近邻检索	没有衰减、没有因果、不会自组织
Neo4j	结构化关系图	对模糊记忆不友好，不自适应
LangChain / Mem0	检索包装层	不是记忆架构，只是中间件
CLAUDE.md / 记忆文件	往上下文里灌所有东西	O(n) token 开销，没有相关性过滤

说白了，向量数据库是"仓库"，YantrikDB 是"大脑"。仓库只管存取，大脑会遗忘、会整理、会判断矛盾。

话说 Pinecone 现在也学坏了，免费额度越来越抠，效果也就那样。Neo4j 更不用提，社区版一堆限制。开源方案里做"记忆管理"这个细分方向的，YantrikDB 确实是我见过的思路最清晰的一个。

一些顾虑

先说好的地方：Rust 写的，嵌入式单文件，思路正确，API 设计得也干净。作者甚至申请了美国专利（虽然开源了），说明这东西有正经的产品思考。

再说几个要留意的：

当前是 v0.5.11，hardened alpha。作者自己说的，server 部分跑了几个礼拜。嵌入式引擎在 YantrikOS 生态里用了一段时间了，但对外还是早期阶段。
AGPL-3.0 开源协议。如果你要把引擎嵌入到自己的闭源产品里，需要注意。不过 MCP server 那个包是 MIT 的，通过 MCP 用就没这个问题。
embedding 依赖外部模型。默认用的是 all-MiniLM-L6-v2，体积小但能力一般。如果你对语义精度有要求，得换更大的模型，延迟会上去。

总的来说，如果你想给自己的 AI Agent 加一个"像人一样的记忆系统"，YantrikDB 值得试。别指望它是生产就绪的"开箱即用"，但这个方向——认知记忆——大概率是未来 AI Agent 基础设施的标配。