ZenBrain 是一个为 AI 智能体设计的动态记忆系统，其核心目标是为 LLM 智能体提供跨会话的持久记忆。它从人类记忆研究中汲取灵感，构建了七层记忆架构，并附带一个包含 20 个神经科学启发算法模块的库。
用途
ZenBrain 旨在解决 AI 智能体在每次对话后遗忘一切的问题。它通过分层记忆和多种记忆机制，让智能体能够跨会话记住信息，并模拟人类记忆的巩固、遗忘和检索过程。
主要能力
- 七层记忆架构：每层存储不同类型的记忆，并以各自的方式存储和搜索。具体层级包括工作记忆、情景记忆、语义记忆、程序记忆等（资料中提及七层，但未逐一列出全部名称）。
- 记忆协调器（MemoryCoordinator）：将各层统一在一个 API 之下，负责存储、回忆、巩固和遗忘。
- FSRS 间隔重复：每个事实都获得 FSRS 调度，应用通过 recordReview() 报告复习，FSRS 设定下一次复习时间。
- 情绪标记：使用 400+ 关键词词典（英语和德语）为记忆分配唤醒度、效价和重要性分数，情绪权重可将衰减半衰期延长至多 3 倍。
- 赫布学习：知识图谱中频繁共激活的边会增强，未使用的边会衰减并最终修剪，并带有稳态归一化。
- 艾宾浩斯遗忘曲线：实现个性化衰减曲线，并兼容 SM-2。
- 上下文依赖检索：捕获时间上下文和任务类型，上下文匹配可带来最高 30% 的检索提升。
- 贝叶斯置信度传播：在知识图谱中传播置信度，支持证据增加置信度，矛盾降低置信度。
- 睡眠巩固：模拟睡眠回放，selectForReplay() 优先选择情绪化和最近访问的记忆，simulateReplay() 将其稳定性提升 50%，pruneWeakConnections() 移除弱赫布边。
- 高级算法模块：自 v0.3.0 起，@zensation/algorithms 提供 10 个高级算法，包括 fsrs-vmPFC、hebbian-two-factor、sleep-simulation-selection、spectral-health、ib-budget、dopamine-routing、hopfield-stm、personalized-pagerank、surprise-gradient-memory、temporal-multi-route。
- 零依赖：纯 TypeScript，双 ESM + CJS，支持 tree-shakeable 子路径导出。
- 自托管：库本身不进行网络调用，记忆存储在用户操作的 SQLite 或 PostgreSQL 中，嵌入模型或 LLM 可选。
- MCP 服务器与 Vercel AI SDK 中间件：提供集成方式。
使用方式
- 安装：需要 Node.js 22 或更新版本。在 Node 20 或更旧版本上，npm 会静默安装最后一个兼容版本（@zensation/algorithms@0.3.4，@zensation/core@0.2.2）。
- 核心包 @zensation/core 提供 MemoryCoordinator，负责存储、回忆、巩固和遗忘。
- 算法库 @zensation/algorithms 提供 20 个模块的测试函数，每个高级算法有独立子路径（如 @zensation/algorithms/spectral-health）。
- 协调器仅调用部分算法；许多机制需要用户自行接入自己的系统。
- 提供七个自包含示例在 examples/ 目录中，集成示例需要安装相应 SDK。
- 提供浏览器实时游乐场，无需安装即可运行已发布代码。
- 机制比较脚本：bash scripts/compare-mechanisms.sh，无需 API 密钥，一分钟内运行，并打印阳性和阴性对照。
适用场景
- 需要长期记忆的 AI 聊天机器人。
- 具有自组织边的知识图谱。
- 带置信度评分的 RAG。
- 任何需要跨会话记忆、记忆巩固和检索增强的 LLM 智能体应用。
限制
- 当前版本为 pre-1.0，公共 API 在 1.0 之前仍可能变化。
- 论文中的六个 Predictive Memory Architecture (PMA) 组件为专有，不在开源包中。
- 协调器不运行睡眠回放；consolidate() 仅将情绪加权的情景转化为事实，每个一次。
- 协调器不保留知识图谱，赫布学习等函数需用户自行应用于自己的图谱。
- 协调器不存储编码上下文；includeContext 选项从未生效，已在 0.5.0 中撤回。
- 在 LoCoMo 上，基于子串的聚合 F1 指标设计上偏向词汇检索（BM25），项目不对此提出异议。
- 论文中其他消融表需要本包不携带的数据（表 11 需要 LoCoMo 语料，表 13 需要不同管道）。
- 需要 Node.js 22 或更新版本。
- 嵌入模型或 LLM 为可选，但某些配置（如使用 nomic-embed-text 作为嵌入提供者）是测量基准数据时的配置。
基准与验证
- 在 LongMemEval-500 上，与 Letta、Mem0 和 A-Mem 的九项头对头比较中，三项保持优势（全部针对 A-Mem），其余六项为平局，无败绩。达到全上下文 oracle 二元判断准确率的 91.3%，每查询 token 成本为后者的 1/109.6（47.7% vs. 52.2%）。
- 822 个测试全部通过，覆盖 Node 22、24、26 以及 PostgreSQL with pgvector。
- 论文：arXiv 2604.23878；开放获取存档：doi.org/10.5281/zenodo.19353663。
- 复现包：机制消融（10.5281/zenodo.22162063）和测量包（10.5281/zenodo.22161977）。
- 许可证：论文 CC BY 4.0，代码 Apache-2.0。
