Alaya（梵语 alaya-vijnana，意为“藏识”）是一个面向对话式 AI 智能体的记忆引擎，以可嵌入的 Rust 库形式发布。它只用一个 SQLite 文件，不依赖外部服务。智能体用它存储对话、检索重要内容，并让其余内容逐渐淡忘；图谱会在使用中不断重塑，类似生物记忆。项目自述其特色为：唯一具备神经科学基础记忆动力学的记忆引擎，包含 Bjork 双强度遗忘、提取诱发抑制和赫布共激活，且为零依赖的可嵌入 Rust 库。
【用途与定位】 大多数 AI 智能体把记忆当作扁平文件处理，例如写入 MEMORY.md、Obsidian 或 JSON/Markdown。这起初可行，但文件增长后上下文窗口被填满，智能体只能把全部内容塞进提示词，寄希望于 LLM 找到重点。项目引用的数据称，OpenClaw 每条消息注入约 35,600 tokens 的工作区文件，其中 93.5% 不相关；重度用户报告每月 3,600 美元的 token 成本。社区工具 QMD 和 memsearch 通过排序检索替代全上下文注入，减少了 70-96% 的浪费。结构问题则进一步加剧成本：MEMORY.md 把决策、偏好和知识混为一团，用户各自发明 decision.md、working-context.md 乃至 12 层记忆架构来弥补；周一提到“Alice 管理 auth 团队”，周三问“谁负责 auth 权限”，智能体只能按文本相似度分别检索，无法建立联系。Alaya 正是为解决这类问题而设计。
【主要能力】 Alaya 采用三存储架构（情景记忆/语义记忆/隐式记忆）加赫布图叠加，提供 7 种生命周期操作：consolidate（巩固）、transform（转换）、forget（遗忘）、perfume（熏习）、emergent ontology（涌现本体）、RIF（提取诱发遗忘）、purge（清除）。检索管线为模块化 RAG：BM25（基于 FTS5）+ 向量 + 图 + RRF 融合 + 语义/偏好增强。遗忘机制采用 Bjork 双强度遗忘，区分存储强度与提取强度，并含提取诱发抑制；LTD（长时程抑制）在每个转换周期削弱未使用的赫布链接。检索结果会附带语义知识和偏好，而不仅是情景片段。类别通过 parent_id 形成树结构，过宽时自动拆分；MemberOf 链接支持跨域桥接，扩散激活可穿越类别边界。提供 EmbeddingProvider trait（embed() + embed_batch() 接入 store_episode() 和 query()）、ExtractionProvider trait（extract() 支持自动巩固），以及基于 llm feature 的 LlmExtractionProvider，可调用任何 OpenAI 兼容 API。生命周期自动运行：每 25 个情景自动维护，10 个未巩固情景后自动巩固或提示。项目含 442 个测试，覆盖单元、集成、属性测试（proptest）和文档测试。
【使用方式】 推荐通过 MCP 服务器接入任何兼容 MCP 的智能体（Claude Desktop、Claude Code、Cursor、Cline 等），提供 13 个记忆工具：remember、recall、learn、status、preferences、knowledge、maintain、purge、categories、neighbors、node_category、import_claude_mem、import_claude_code。数据存储在 ~/.alaya/memory.db，可用 ALAYA_DB 环境变量覆盖。ALAYA_LLM_* 环境变量可选；不设置时服务器以提示模式工作（10 个情景后提醒智能体调用 learn），设置 API key 并启用 llm 特性后则自动巩固。也可作为 Rust 库直接嵌入应用，或使用 Python 绑定（见 alaya-py/README.md）。项目提供带注释输出的演示，覆盖全部十一项能力且无外部依赖。Alaya 是库而非框架：对话循环、LLM 和嵌入模型由智能体自己掌控，Alaya 只负责记忆。使用 NoOpProvider 可在无 LLM 时让情景累积并仅靠 BM25 检索；配置 ExtractionProvider 后，MCP 服务器在 10 个未巩固情景后自动巩固。
【设计原则】 记忆是过程而非数据库，每次检索都会改变被记住的内容；遗忘是特性而非缺陷；偏好是涌现的而非声明的，行为模式通过 vasana（熏习）从累积印象中结晶，无需 LLM；智能体拥有身份，Alaya 只存储种子；优雅降级，没有嵌入就用 BM25，没有 LLM 就累积情景，每项功能独立工作。
【研究基础】 架构基于神经科学、佛教心理学和信息检索。神经科学方面引用赫布 LTP/LTD（Hebb 1949；Bliss & Lomo 1973）、互补学习系统（McClelland 等 1995）、扩散激活（Collins & Loftus 1975）、编码特异性（Tulving & Thomson 1973）、双强度遗忘（Bjork & Bjork 1992）、提取诱发遗忘（Anderson 等 1994）、工作记忆限制（Cowan 2001）。唯识佛教心理学方面涉及 alaya-vijnana（藏识）、bija（种子）、vasana（熏习）、asraya-paravrtti（转依）、vijnaptimatrata（识所现）。信息检索方面采用 Reciprocal Rank Fusion（Cormack 等 2009）、FTS5 的 BM25、余弦相似度向量搜索。
【对比与评测】 项目称其与所有其他系统的区别在于：Bjork 双强度遗忘（分离存储与提取强度）、提取诱发抑制（检索 A 会抑制竞争的 B 和 C）、赫布共检索强化（LTP/LTD），以及无需 LLM 的隐式偏好涌现，全部集成在单个可嵌入的 Rust + SQLite 库中。最接近的同类为 Vestige（Rust、FSRS-6、扩散激活）和 SYNAPSE（统一情景-语义图、侧抑制）。项目还提供 90+ 系统的完整对比、基于 CoALA 分类法（Sumers 等 2024）的交互式景观图及理论基础文档。评测方面，在 LoCoMo（1,540 问）、LongMemEval（500 问）和 MemoryAgentBench（734 问，覆盖 4 项能力）上对比全上下文注入与朴素向量 RAG 两个基线，生成器为 Gemini-2.0-Flash-001，评判为 GPT-4o-mini。结果显示：全上下文在较短对话（LoCoMo，16–26K tokens）占优，朴素 RAG 在较长历史（LongMemEval，约 115K tokens）获胜，差异均具统计显著性（McNemar 检验，p < 0.001）；测试时学习差距最大（86% vs 44%，+42 个百分点），RAG 破坏了上下文学习所需的序列结构；冲突解决仍未解决，两个基线在矛盾处理上均约 50%，说明全上下文和检索都缺乏解决冲突信息的机制，而这正是生命周期管理要应对的问题。
【限制】 项目资料未提供收费、价格、平台支持范围或商业授权等信息，暂未提供。具体 API 细节、性能数字、部署步骤和系统提示建议需参考其文档（docs/mcp-quickstart.md 等），本介绍不代为补充。
