Cortex Memory 是一个面向 AI 智能体与自主系统的生产级认知记忆框架，使用 Rust 构建，旨在为 AI 应用提供高性能、持久化、智能化的长期记忆能力，使其能够跨会话记住、学习并个性化交互。
用途
Cortex Memory 用于为 LLM 驱动的聊天机器人和智能体提供长期记忆，解决无状态 AI 每次会话后遗忘用户细节、缺乏个性化、重复提问、仅限短期对话历史等问题。它适用于构建 LLM 聊天机器人与智能体的开发者、创建个性化 AI 助手的团队、需要记忆骨干的开源项目，以及希望构建真正智能 AI 应用的开发者。
主要能力
- 基于文件系统的存储：记忆内容以 markdown 文件形式存储，使用 cortex:// 虚拟 URI 方案，兼容版本控制并便于移植。
- 智能记忆提取：通过 LLM 分析自动从对话中提取结构化记忆（事实、决策、实体），并带有置信度评分。
- 向量语义搜索：通过 Qdrant 实现高性能相似度搜索，支持按维度（用户/智能体/会话）进行元数据过滤，并使用加权评分。
- 多模态访问：可通过 REST API、CLI、MCP 协议或直接集成 Rust 库进行交互。
- 三层记忆层级：渐进式披露系统（L0 摘要 → L1 概览 → L2 详情），通过惰性生成优化 LLM 上下文窗口使用。
- 会话管理：跟踪对话时间线、参与者和消息历史，支持自动索引和事件驱动处理。
- 多租户支持：通过租户感知的集合命名，在单一部署中为不同用户和智能体提供隔离的记忆空间。
- 事件驱动自动化：文件监视器和自动索引器用于后台处理、同步和画像丰富。
- LLM 结果缓存：带 LRU 淘汰和 TTL 过期的智能缓存，可减少 50-75% 的冗余 LLM API 调用，级联层去抖可减少 70-90% 的层更新。
- 增量记忆更新：事件驱动的增量更新系统（MemoryEventCoordinator、CascadeLayerUpdater）在记忆变化时自动保持 L0/L1 层同步。
- 记忆遗忘机制：基于艾宾浩斯遗忘曲线的 MemoryCleanupService，自动归档或删除低强度记忆，以控制长期运行智能体的存储增长。
- 智能体框架集成：内置对 Rig 框架和 Model Context Protocol（MCP）的支持。
- Web 仪表盘：Svelte 5 SPA（Insights）用于监控、租户管理和语义搜索可视化。
记忆架构
记忆通过维度（user、agent、session 或 resources）、范围（租户或标识符）、类别（memories、profiles、entities、sessions 等）和 ID（唯一记忆标识符）进行组织。三层记忆层级采用渐进式披露，搜索引擎使用结合 L0/L1/L2 三层的加权评分。
生态系统模块
- cortex-mem-core：系统核心，包含文件系统抽象（cortex:// URI）、LLM 客户端封装、嵌入生成、Qdrant 集成、会话管理、层生成（L0/L1/L2）、提取引擎、搜索引擎、自动化编排器、增量更新系统以及遗忘机制。
- cortex-mem-service：基于 Axum 的高性能 REST API 服务器，通过 /api/v2/* 端点暴露所有记忆操作，默认运行在 8085 端口。
- cortex-mem-cli：命令行工具（cortex-mem 二进制），供开发者和管理员直接与记忆存储交互。
- cortex-mem-insights：纯前端 Svelte 5 SPA，用于通过 Web 界面进行监控、分析和记忆管理。
- cortex-mem-mcp：Model Context Protocol 服务器，用于与 AI 助手（Claude Desktop、Cursor 等）集成。
- cortex-mem-rig：与 rig-core 智能体框架的集成层，用于工具注册。
- cortex-mem-tools：用于智能体集成的 MCP 工具模式和操作封装。
- cortex-mem-config：配置管理模块，处理 TOML 加载、环境变量解析和租户特定覆盖。
使用方式
入门需要 Rust 1.86 或更高版本、Qdrant 向量数据库（1.7+）、一个 OpenAI 兼容的 LLM API 端点（用于记忆提取和分析）以及一个 OpenAI 兼容的 Embedding API 端点（用于向量搜索）。最简单的方式是通过 cargo 安装 CLI 和服务二进制文件。应用通过 config.toml 文件配置，CLI 默认在当前目录查找该文件，也可通过 -c 或 --config 标志指定路径。CLI 提供直接交互接口，所有命令需要 config.toml，--tenant 标志支持多租户隔离；例如可向会话线程添加新消息（--thread 指定线程 ID，--role 指定角色，默认 user），或执行带 L0/L1/L2 加权评分的语义向量搜索（query 为自然语言查询，--thread 过滤线程，--limit/-n 限制结果数量）。仪表盘运行后可在 http://localhost:5173 访问，并将 API 请求代理到后端服务。
适用场景与社区案例
- MemClaw：面向 OpenClaw 生态的深度定制记忆增强插件，由本地运行的 Cortex Memory 引擎驱动，宣称相比 OpenClaw 内置记忆系统节省超过 80% token，同时保持记忆准确性、安全性和性能；支持从 OpenClaw 原生记忆一键迁移，所有记忆本地存储，零云依赖。
- TweetClaw X/Twitter 信号：Cortex Memory 可将 TweetClaw 中经过审核的公开 X/Twitter 研究作为持久源记忆保存，不存储凭据、原始导出或私有账户数据，适用于收集市场、支持、竞争对手或社区信号的 OpenClaw 智能体。
- Cortex TARS：一个生产级 AI 原生 TUI 应用，作为“第二大脑”伴侣，展示 Cortex Memory 的能力，包括多智能体管理、持久角色记忆、记忆隔离以及实时音频转记忆（可捕获对话、会议或讲座并自动转换为结构化可搜索记忆）。
评测表现
Cortex Memory 在 LoCoMo10 数据集（conv-26，152 个问题，19 个对话会话，跨 2023 年 5 月至 10 月）上使用 LLM-as-a-Judge 方法进行了评估。结果显示 Cortex Memory v5 总体得分 68.42%，优于所有 OpenViking 和 OpenClaw 配置；在 token 效率方面，宣称比 OpenClaw+LanceDB 少用 11 倍 token，score-per-token 比率好 18 倍。关键技术优势包括意图驱动检索（将多跳查询路由到实体和关系记忆范围，使 Cat 4 准确率提升 18.75 个百分点）、分层 L0/L1/L2 架构（从约 100 token 的摘要开始精确检索）以及基于 Rust 的实现（高性能、内存安全，由 Qdrant 向量数据库支持）。评测脚本位于 examples/locomo-evaluation，实现两阶段流水线：Ingest（按样本租户将会话摄入 Cortex Memory）、QA（通过语义检索 + LLM 生成回答 152 个问题）、Judge（LLM-as-a-Judge 将每个答案评分为 CORRECT/WRONG）。
限制
官方资料未提供关于收费、价格、平台支持范围、具体性能上限或已知限制的明确说明，这些信息暂未提供。
