M-flow 认知记忆引擎
图驱动的检索增强生成（Graph RAG）新范式，通过证据路径评分实现类人的关联记忆。
证据显示：仓库未提供权限模型、用户确认机制、数据流透明性、敏感数据处理、依赖安全审计、外部影响控制、回滚机制或来源归属的明确说明。所有信任相关标准均未得到支持，因此得分为0。
证据显示：README和pyproject.toml在功能描述和依赖声明上基本一致，但存在一些不一致，如README声称支持多种数据库，但pyproject.toml中未列出所有数据库的依赖。依赖可用性方面，部分依赖如chinese-coref需要从源码安装，可能影响可用性。失败消息方面，未提供明确的错误处理或用户提示。
证据显示：README明确了目标受众（开发者、研究人员）和多种使用场景（RAG、GraphRAG、记忆系统）。能力边界在功能列表中有所描述，但触发精度（如查询类型）仅简要提及。环境适配方面，提供了Docker、pip、源码安装等多种方式，但未详细说明所有平台的支持情况。
证据显示：信息架构清晰，有README、docs、examples等。安装说明详细，包括Docker、pip、源码。命名稳定性方面，项目名称和包名一致，但版本号在README和pyproject.toml中未明确对应。示例和FAQ有提供，但已知限制未明确列出。许可证为Apache-2.0，但版本变更日志未提供。维护责任在SECURITY.md中有说明，但未明确更新路径。
证据显示：输出可用性方面，提供了CLI和API，但未提供输出格式的详细说明。边际价值方面，README声称在基准测试中优于其他系统，但未提供可验证的复现细节。成本效益方面，未提供性能或成本数据。
证据显示：README中的基准测试声称有复现脚本和原始数据，但未提供具体链接或方法细节。跨来源验证方面，未提供其他独立来源的支持。事实与推断的分离方面，README将设计理念与基准测试结果混合，未明确区分。
- 仓库未提供任何权限模型或用户确认机制，可能默认以高权限运行。
- 依赖安全审计缺失，部分依赖需要从源码安装，可能引入供应链风险。
- 基准测试声称有复现脚本，但未提供具体链接，无法验证。
- 已知限制未明确列出，可能隐藏潜在问题。
这个 Agent 能做什么，适合哪些场景？
M-flow 是一个生物启发的认知记忆引擎，采用四层锥形图（Episode → Facet → FacetPoint → Entity）组织知识，并通过图路由的 Bundle Search 进行检索。与传统 RAG 依赖向量相似度不同，M-flow 让图本身成为评分引擎：向量搜索仅负责定位入口点，最终相关性由沿类型化、语义加权边的证据传播决定，每个知识单元按连接查询的最强推理链评分。该仓库包含核心 Python 库（m_flow）、FastAPI 后端、CLI（mflow）、Web 控制台（Next.js）、MCP 服务器，以及支持多种数据库（LanceDB、Neo4j、PostgreSQL/pgvector、ChromaDB、KùzuDB、Pinecone）和 LLM 提供方（OpenAI、Anthropic、Mistral、Groq、Ollama 等）的适配器。代码以 Apache 2.0 许可发布，并附带 963 个通过的测试。
M-flow 从多种输入格式（50+ 种，包括 PDF、DOCX、HTML、Markdown、图像、音频）摄取数据，进行分块、解析、共指消解（在索引前将代词解析为具体先行词），并构建知识图谱与嵌入。查询通过 query() 方法或 mflow search 命令执行，使用图路由的 Bundle Search：向量搜索在多个粒度上寻找入口点（Episode、Facet、FacetPoint、Entity），然后图传播沿着带语义描述的边（edge_text）进行代价感知的传播，最终按每个 Episode 的最强证据路径进行评分。它还提供了额外能力，如通过集成 face-recognition 实现基于人脸的记忆分区、程序性记忆抽取，以及通过 MCP 服务器将记忆暴露为工具。
- AI 助手需要记住跨会话的用户偏好和工作流程，供后续引用。
- 团队知识库需要回答具体事件的问题，如“Maria 为什么在周一的站会上不高兴？”。
- 开发者希望用图结构增强现有 RAG 系统，而不是仅用向量相似度。
- 多用户环境（如家庭或办公室）需要按用户分割记忆，并根据说话者自动路由。
- 研究人员评估 GraphRAG 方法在 LoCoMo 和 LongMemEval 等基准上的表现。
这个 Agent 有哪些优点和局限？
- 图路由的 Bundle Search 在基准测试中优于传统 RAG（LoCoMo-10 81.8% vs Supermemory 64.4%）。
- 多粒度检索统一在一个图中，避免用户选择记忆层的负担。
- 语义边（edge_text）携带自然语言含义，增强可解释性。
- 支持多数据库与多 LLM 提供商，灵活适配。
- 共指消解改进对话记忆的检索准确性。
- 端到端检索流程复杂度高，可能比简单向量检索更沉重。
- 基准依赖特定模型（gpt-5-mini/gpt-4o-mini），实际效果可能因模型而异。
- 人脸识别集成需要额外服务（fanjing-face-recognition）且需要摄像头。
- 部分功能（如 Playground）在生产部署时需要额外配置（Docker、网络）。
如何安装或部署这个 Agent？
可通过 Docker 一键安装：git clone https://github.com/FlowElement-xinliuyuansu/m_flow.git && cd m_flow && ./quickstart.sh（Windows 使用 quickstart.ps1）。或通过 pip 安装：pip install mflow-ai，然后设置 export LLM_API_KEY="sk-..."。从源码安装：git clone ... && cd m_flow && pip install -e .。
如何使用这个 Agent？
在 Python 中：
import asyncio, m_flow
async def main():
await m_flow.add("M-flow builds persistent memory for AI agents.")
await m_flow.memorize()
results = await m_flow.query("How does M-flow work?")
for item in results.context:
print(item)
asyncio.run(main())或使用 CLI：mflow add "..."、mflow memorize、mflow search "query" --query-type EPISODIC、mflow -ui 启动 Web 控制台。
这个 Agent 与同类方案有什么区别？
在 LoCoMo-10 与 LongMemEval 基准中，M-flow 与 Cognee、Zep、Supermemory、Mem0 等记忆/GraphRAG 系统进行了对比，并显示了较高的 LLM-Judge 得分。
常见问题
M-flow 是否与我的数据库兼容？
是否需要 GPU？
如何将 M-flow 集成到现有 IDE 中？
cd m_flow-mcp && uv run python src/server.py --transport sse），即可作为 MCP 工具暴露记忆。