Newshot

Show HN:CheeseDB——删除来源即删除其教会内容的智能体记忆

Translation(model translation, not the source's own text)

CheeseDB

一个专为 AI 记忆打造的数据库引擎。原生 Go · 溯源感知 · 可撤销 · 嵌入式

每条记忆都知道它的来源。用自然语言向它提问。召回一个不良来源,从它学到的一切也随之消失。

一个面向 AI agent 的嵌入式、仅追加、哈希链式记忆数据库,使用 Go 编写,仅依赖标准库。你可以在 Go 中使用它,也可以通过 cheesedb 命令,或在 Claude Code、Cursor 及其他 MCP 应用中使用它。

网站:cheesedb.dev

状态:预览版。cheesedb 正在积极开发中。它尚未经过独立的安全审查,API 和磁盘格式在 v1.0 之前可能发生变化,因此暂不建议用于生产数据。请参阅限制与变更日志。

为什么选择 cheesedb

问题

Agent 的记忆由它无法完全信任的来源构建:用户消息、网页、文档、工具结果。迟早会有其中一个被发现是:

  • 错误的:某个工具返回了坏数据;
  • 恶意的:某个网页植入了指令或虚假事实(提示注入、记忆投毒);
  • 私密的:用户要求删除其数据。

仅删除该来源是不够的。Agent 从中学到的一切仍留在记忆中,agent 会继续据此行动。普通的记忆存储无法分辨哪些记忆来自何处,因此无法移除它们。演示用一个真实的 LLM 展示了这一点:在从普通记忆列表中删除不良来源后,模型仍然给出同样的错误答案。

cheesedb 做了什么

  • 每条记忆都记录其来源。记忆与其学习所依据的来源(或其他记忆)一同存储。引擎会拒绝没有来源的记忆。
  • 召回会精确移除依赖某来源的内容。一次调用即可移除该来源以及建立在其上的每条记忆,无论链条多深。仍有另一个独立来源支撑的记忆会保留(Fair);或者移除该来源曾触及的一切(Strict)。
  • 用自然语言提问。配合你选择的嵌入模型,cheesedb 按语义查找记忆(search)、依据记忆回答问题(ask),并在你确认后遗忘你所描述的内容(forget)。被召回的記憶永远不会再被找到。不使用模型时,其他一切功能照常工作。
  • 擦除就是真的擦除。Recall(..., Erase) 在返回前会从磁盘上的文件中移除文本。cheesedb find 会搜索原始字节以证明这一点。
  • 历史无法被悄悄篡改。每条记录都通过哈希与前一条链接。每次打开时都会检测损坏或修改,并且擦除文本后链条仍可验证。
  • Agent 在设计上相互隔离。每个 agent 只能通过自己的 token 访问。任何方法都不接受另一个 agent 的名称,因此一个持有某 agent 句柄的被提示注入的工具无法触及另一个 agent。
  • 嵌入式且无依赖。一个 Go 库和一个磁盘上的文件夹:无需服务器,无外部依赖。

为什么不用 SQLite、PostgreSQL 或图数据库?

你可以在 SQL 中,或在 Neo4j 中以图的形式,对来源和记忆建模。我们两种都做了,以便比较:相同的数据在四个引擎上,具有相同的持久性(每次写入在确认前都刷入物理磁盘)。

基准测试:每个 agent 100 万条记忆,3 次运行的中位数,在 Apple M1 Max(macOS,内置 SSD)上,SQLite 3.53、PostgreSQL 17 和 Neo4j Community 2026.10。完整结果、方法和注意事项:BENCHMARKS.md;本次运行的原始输出:bench/results/v0.3.0。

cheesedbSQLitePostgreSQLNeo4j
移除 10,000 条记忆的召回5.2 ms236 ms1.94 s68 ms
移除 20 条记忆的召回4.9 ms7.2 ms10.1 ms6.5 ms
按 id 读取一条记忆1.8 µs7.4 µs59 µs211 µs
持久写入(一条记忆)4.6 ms5.5 ms6.8 ms6.1 ms
启动,准备好首次查询706 ms0.1 ms3.0 ms1.2 ms¹
每条记忆的磁盘占用314 B249 B546 B496 B
打开时每条记忆的 RAM 占用205 B仅页缓存仅共享缓冲区JVM 堆和页缓存

文章标题:Show HN: CheeseDB——删除来源即删除其所教内容的 agent 记忆

正文: ¹ 这是与已在运行的服务器建立的新连接;在早前的一次运行中,启动 Neo4j 服务器耗时 6.5 到 8.2 秒。PostgreSQL 和 Neo4j 通过 localhost 上的 TCP 运行,这为每条语句增加了一次往返。Neo4j 模型和查询由我们自己编写,专家可能会做得更好。

  • 召回是它的优势所在。cheesedb 将依赖图保存在内存中,并通过一次写入删除 10,000 条记忆:比 Neo4j 快约 13 倍,比 SQLite 快 45 倍,比 PostgreSQL 快 370 倍。SQL 版本会为每条受影响的记忆执行多条语句。图数据库更适合这项任务,Neo4j 是最接近的竞争者,但仍然更慢。
  • 规则存在于引擎中,而非你的代码里。没有来源就没有记忆,不能基于被召回来源构建记忆,召回是永久的,agent 之间彼此不可见。使用 SQL 或图数据库时,这些规则需要你自己编写并测试。
  • 擦除是内置的。在通用数据库中,已删除行的字节可能留在文件中(空闲页、预写日志),直到 vacuum 或 checkpoint。cheesedb 的 Erase 在返回之前会重写文件,将这些字节移除。
  • 写入性能大致相当,因为对每个引擎来说磁盘刷写都占主导。

何时该用别的方案

  • 你需要 SQL 风格的查询、过滤或关键词搜索。cheesedb 按 id 或按含义查找。把其他查询留在你的数据库中,那里只存记忆 id,并将每个结果与 cheesedb 核对。
  • 历史非常长时,启动时间很重要。cheesedb 打开 agent 时会重放其日志:100 万条记忆时约 0.7 秒。SQLite 瞬间打开。快照功能已在计划中。
  • 单个 agent 的记忆无法全部放入 RAM。cheesedb 在内存中每条记忆约占 205 字节,外加每条可搜索记忆约 0.8 KB(768 个值,每个一字节)。
  • 你现在就需要生产级保证。cheesedb 是预览版;见限制。

安装


        go get github.com/govinargo-labs/cheesedb                          # the library
go install github.com/govinargo-labs/cheesedb/cmd/cheesedb@latest  # the command
      

需要 Go 1.26.5 或更新版本。在 macOS 上开发和测试;Linux 在 CI 中运行相同的测试。尚不支持 Windows。

快速开始

花生故事,从命令行开始。一个用户对花生过敏;一家餐厅的网页称其沙爹酱不含花生;该网页后来被证明是错的。


        cheesedb agent create story
cheesedb lot story user_message "I am allergic to peanuts"                           # lot 1
cheesedb lot story doctor_note "Allergy test result: peanut allergy confirmed"       # lot 2
cheesedb lot story web_page "Spice Garden menu: our satay sauce is peanut-free"      # lot 3
cheesedb remember story "The user is allergic to peanuts" 1 2                        # memory 4: from 1 OR 2
cheesedb remember story "Spice Garden's satay sauce has no peanuts" 3                # memory 5
cheesedb remember story "The satay at Spice Garden is safe for the user" 4,5         # memory 6: needs 4 AND 5
      

配合嵌入模型(设置),用你自己的话提问。在模型设置之前保存的记忆,可通过 cheesedb embed 变为可搜索:


        cheesedb embed story
cheesedb search story "can the user eat the satay at Spice Garden?"
# 6: The satay at Spice Garden is safe for the user (match 0.81)
# 5: Spice Garden's satay sauce has no peanuts (match 0.77)
# 4: The user is allergic to peanuts (match 0.57)
      

没有嵌入模型时,列出仍然有效的记忆:cheesedb active story。

然后该网页被证明是错的:


        cheesedb recall story 3 fair erase        # recalled 3; memories removed: [5 6]
cheesedb search story "can the user eat the satay at Spice Garden?"
# 4: The user is allergic to peanuts (match 0.57)
cheesedb find story "peanut-free"         # not found anywhere (searched every file, byte by byte)
cheesedb recall story 1 fair erase        # memories removed: []: the doctor's note still backs the allergy
cheesedb verify story                     # OK. head fingerprint: ...
      

文章标题:Show HN: CheeseDB——删除来源即删除其所教内容的智能体记忆

正文: examples/plain-english 逐步运行这个故事,配合 ask 和一个聊天模型,适合演示或录屏。

示例


        s, err := cheesedb.Open("/data/cheesedb")   // 你选择的文件夹,以 0700 权限创建
tok, err := s.CreateAgent("alice")        // 返回 Alice 的 token,仅一次:妥善保管
alice, err := s.OpenAgent(tok)            // 访问 Alice 数据的唯一方式
defer alice.Close()

a, _ := alice.AddLot("user_message", []byte("I live in Pune"))
b, _ := alice.AddLot("web_page", []byte("profile: lives in Pune"))
c, _ := alice.AddLot("weather_tool", []byte("Pune: rain"))

m1, _ := alice.Remember([]byte("user lives in Pune"), cheesedb.Leg{a}, cheesedb.Leg{b}) // 从 A 或 B 学得
m2, _ := alice.Remember([]byte("Pune is rainy"), cheesedb.Leg{c})
m3, _ := alice.Remember([]byte("carry an umbrella"), cheesedb.Leg{m1, m2})            // 需要 M1 和 M2

removed, _ := alice.Recall(c, cheesedb.Fair, cheesedb.Untrusted) // 天气工具出错了
// removed == [m2, m3];m1 保留,因为它不依赖 C
      

用大白话提问

cheesedb 能按含义查找记忆,所以你和你的 AI 可以用自己的话提问:“can the user eat the satay?” 会找到“the satay sauce has no peanuts”。这需要一个 embedding 模型,它把文本转换成一串数字(向量),使含义相近的文本得到相近的数字。cheesedb 存储这些向量、搜索它们,并在其对应记忆被召回时将其删除。该库从不调用模型:cheesedb 命令及其 MCP server 才会调用,使用你设置的模型。

在 ~/.cheesedb/llm.conf 中添加一个 embedding 模型即可完成设置。任何 OpenAI 兼容的服务器都可以(Ollama、LM Studio、oMLX、vLLM 或托管 API);本地服务器能让你的记忆留在自己的机器上:


        embed_base_url = http://localhost:11434/v1     # 默认:base_url
embed_model    = nomic-embed-text               # 例如执行后:ollama pull nomic-embed-text
# embed_api_key = your-key                      (仅在服务器需要时)
      

如果你的聊天服务器也提供 embedding 模型,只设置 embed_model 就够了:服务器和密钥取自 base_url 和 api_key。


        cheesedb search alice "what should I eat?"    # 最接近的现存记忆,最佳在前
cheesedb ask alice "what should I eat?"       # 先搜索,然后聊天模型仅根据这些记忆作答
cheesedb forget alice "the pizza place"       # 显示最接近的记忆及其连带内容;确认后擦除
cheesedb embed alice                          # 让在模型设置之前保存的记忆可被搜索
cheesedb index alice                          # 该智能体的索引及其模型
      

用 remember 保存的每条记忆(在命令和 MCP server 中)都会立即变为可搜索,MCP 应用会获得第六个工具 search。如果模型不可用,记忆仍会被保存,并提示它尚不可搜索;cheesedb embed 会补上。更换模型后,再次运行 cheesedb embed:两个模型的向量无法比较,因此它会重建索引。

没有 embedding 模型时,一切不变:来源、记忆、召回、擦除、验证、按 id 读取、列出存活记忆以及另外五个 MCP 工具都能正常工作,且不会向任何地方发送数据。如果你已有向量存储,保留它,在那里只存记忆 id,并将每个结果与 cheesedb 核对。

在 Go 中,使用任意模型的向量:


        alice.CreateIndex("default", 768, "nomic-embed-text") // 维度和模型的标签

alice.Embed("default", m3, vec)                       // vec []float32,来自你的模型
alice.EmbedBatch("default", items)                    // 一次多个,每批一次磁盘同步

hits, _ := alice.Search("default", queryVec, 5)       // []Hit{ID, Score},最佳在前
for _, h := range hits {
    it, _ := alice.Get(h.ID)                          // 文本来自账本
    fmt.Println(h.Score, string(it.Data))
}

      

ids, _ := alice.WouldRecall(m3, cheesedb.Fair) // what a recall would remove, without removing it


        
- 被 recall 的记忆永远不会被返回。Recall 会一次性移除它所移除的一切的向量。使用 Erase 时,向量与文本一起从磁盘上擦除,两条哈希链仍然都能通过校验(Verify、VerifyIndex)。向量可以被还原成其文本的近似结果,所以 cheesedb 把它当作文本对待。

- 精确搜索,内存占用小:问题会与每一个向量比较(余弦相似度),因此不会漏掉结果,也无需调参。在内存中,每个向量的每个值占一个字节(768 个值约 0.8 KB);精确的 float32 值留在磁盘上,少数仍可能进入前几名的行会用这些值重新核对,因此结果与完整的 float32 扫描相同。耗时随记忆数量增长;见「扩展性」。

- ask 只把搜索找到的内容(默认 10 条记忆)发送给聊天模型,并告诉它绝不能把缺失的记忆当作答案,因此它会被告知要说「我不知道」,而不是猜测。

- forget 查找的是记忆,不是 source。source 不在搜索索引中;按编号 recall 一个 source。它在擦除任何东西之前,会先显示将要被移除的全部内容(WouldRecall)。

- 每个模型一个索引。来自不同模型的向量无法比较。在 Go 中要切换模型,需新建一个索引,把内容嵌入其中,然后 DropIndex 旧索引。

- 不使用索引时,一切不变:相同的文件、相同的 head 指纹、相同的速度。索引位于自己的文件夹中,有自己的日志(ARCHITECTURE.md 第 9 节)。

一个 Go 程序,可以离线使用匹配共同词的替代 embedder,也可以使用真实模型:

      

go run ./examples/vector-search EMBED_BASE_URL=http://localhost:11434/v1 EMBED_MODEL=nomic-embed-text go run ./examples/vector-search

扩展性

cheesedb 自身在带搜索索引(每条记忆 768 个值)时的开销,测试于 Apple M1 Max。不包含 embedding 模型:使用本地模型时,把一个问题的转换成向量耗时 17 ms。3 次运行的中位数;方法与所有数字:BENCHMARKS.md。

单个 agent 中的记忆数1,00010,000100,0001,000,000
磁盘:记忆 / 搜索索引0.3 MB / 3.1 MB3 MB / 31 MB30 MB / 311 MB300 MB / 3.1 GB
加载索引后的 RAM1.4 MB11 MB99 MB1.1 GB
搜索,保持存储打开(Go)1.1 ms1.9 ms15 ms143 ms
每次 cheesedb 命令或 MCP 调用的搜索9.0 ms79 ms0.74 s7.5 s
每次命令或 MCP 调用带 Erase 的 Recall31 ms112 ms0.81 s7.5 s

命令和 MCP server 在每次调用时都会打开存储,所以每次搜索都会重新加载索引;它们适合记忆数量最多约 100,000 条的 agent。保持存储打开的 Go 程序只加载一次。在 1M 规模下使用真实 embedding,搜索仍然把正确的记忆排在了一百万个相似项的最前面,而且在它们的 source 被 recall 之后,没有一条再被返回。

试用

cheesedb 命令是一个命令行工具,每个功能对应一条命令,另有一个使用真实 LLM 的 demo:

go install ./cmd/cheesedb # puts cheesedb in ~/go/bin (add that folder to your PATH) cheesedb help # every command cheesedb agent create alice cheesedb lot alice weather_tool "Pune: rain" cheesedb demo # needs an OpenAI-compatible LLM (see cmd/cheesedb/llm.go)


        
它把数据保存在 ~/.cheesedb(可用 CHEESEDB_DIR 更改)。LLM 命令从 ~/.cheesedb/llm.conf 读取服务器和模型(search 会在其中额外添加一个 embedding 模型;见 Ask in plain English):

      

base_url = http://localhost:8000/v1 model = your-model-name

api_key = your-key (only if your server needs one)


        
这个 demo 用三种方式讲述同一个故事。一个 agent 从一条用户消息、一个网页和一个天气工具中学习。然后这个天气工具被证明是错的。以下是真实运行结果:

![cheesedb 演示输出:一个 agent 从三个来源学习,天气工具被以三种方式移除,表格对比模型是否仍使用坏数据、坏文本是否仍在文件中](https://github.com/govinargo-labs/cheesedb/raw/main/docs/demo.png)

如何阅读它

- 三个来源到达。每个都作为一个 lot(批次)存储并带有一个标签:user_message、web_page、weather_tool。

- 模型学到记忆,并说明每条记忆来自哪里。右侧的箭头列出各来源:记忆 [6] 来自 [3],即天气工具。记忆 [7] 建立在 [4] 和 [6] 之上。

- 提出一个问题。模型看到全部 4 条记忆,并根据天气预报作答。

- 天气工具有误,因此用三种方式移除来源 [3]:A,一个朴素记忆列表。它只删除来源,其他什么都不做。模型仍然看到由它构建的记忆,并给出相同的回答。B,使用 Untrusted 的 cheesedb。一次调用移除 [3] 以及由它学到的一切,即 [6] 和 [7]。模型只看到 2 条记忆,因此不再知道预报。文本仍在文件中,演示在 3 处找到了单词“rain”。C,使用 Erase 的 cheesedb。模型看到相同的 2 条记忆,且文本已从文件中消失。逐字节搜索找不到任何东西。

- A,一个朴素记忆列表。它只删除来源,其他什么都不做。模型仍然看到由它构建的记忆,并给出相同的回答。

- B,使用 Untrusted 的 cheesedb。一次调用移除 [3] 以及由它学到的一切,即 [6] 和 [7]。模型只看到 2 条记忆,因此不再知道预报。文本仍在文件中,演示在 3 处找到了单词“rain”。

- C,使用 Erase 的 cheesedb。模型看到相同的 2 条记忆,且文本已从文件中消失。逐字节搜索找不到任何东西。

- 表格对此做了总结:模型是否仍在使用坏数据,以及坏文本是否仍在磁盘上?

cheesedb find 执行相同的逐字节搜索,因此你可以检查自己的数据。

## 从 AI 应用中使用(MCP)

cheesedb mcp <agent> 将一个 agent 的记忆提供给任何支持 Model Context Protocol 的应用(Claude Code、Cursor、Claude Desktop 等),无需写代码。应用启动它,并通过标准输入输出与之通信;没有任何东西监听网络端口。

      

cheesedb agent create alice # once; the token is saved in ~/.cheesedb/tokens claude mcp add cheesedb -- cheesedb mcp alice # Claude Code


        
对于带设置文件的应用(Cursor、Claude Desktop),添加相同的命令:

      

{ "mcpServers": { "cheesedb": { "command": "cheesedb", "args": ["mcp", "alice"] } } }

模型获得五个工具,以及第六个工具 search(当设置了嵌入模型时,用自然语言提问):

工具作用
add_lot注册一个新的外部来源(用户消息、网页、工具结果)并返回其 id。
remember存储学到的内容,并带有 legs :它所来源的 lot 或记忆的 id。
recall通过两次调用移除一个 lot 或记忆以及依赖它的一切(见下文)。除非模型传入 erase: false ,否则文本会从磁盘上被擦除。
get按 id 读取一个 lot 或记忆。被召回项的文本永远不会显示。
list_memories分页列出仍然存活的记忆,最新的在前。
search找到与问题在含义上最接近的记忆,最匹配的在前。被召回的的记忆永远不会出现。

文章标题:Show HN: CheeseDB——删除来源就会删除它教会内容的 agent 记忆

正文: 召回(recall)无法撤销,所以召回需要两次调用。第一次不删除任何东西:它列出将被删除的内容并给出一个确认码,模型会被要求把这份清单展示给你,并且只有你同意后才用该确认码再次调用。该确认码只对那份确切的清单有效:如果其间有任何变化,模型会得到一个新的预览。如果你的应用支持 MCP elicitation(服务器可以向你展示的表单),第二次调用还会直接以模型无法填写的表单向你询问,没有你的勾选就不会删除任何内容。在其他应用中,这两次调用只是一道减速带,而不是锁:无视指令的模型可以把两次调用都执行掉。在那种情况下,请在应用的 tool permissions 中把 recall 设为需要你批准。

使用 embedding 模型时,服务器还会告诉模型:在你用文字描述某条记忆并准备遗忘它之前,先进行搜索。搜索找到的是记忆,而不是来源:要删除某个来源,模型需要召回 add_lot 给它的 id。

agent 由命令行固定,并且没有任何工具接受 agent 参数,所以模型无法通过工具切换到另一个 agent。失败的工具(未知 id、已被召回的父项)会把原因返回给模型,模型可以据此修正下一次调用。

在依赖它之前需要了解的事项:

  • 来源和 leg 由模型自己声明。一次召回是否完整,取决于它写下的 leg,而被 prompt 注入的模型可能错误地声明它们,或召回它本不该召回的东西(见 Limits)。
  • 如果模型还能以你的身份运行 shell 命令,它就可以绕过工具,直接读取每个 agent 的文件。只有当工具是模型访问数据的唯一途径时,隔离才成立。要实现真正的隔离,数据必须属于另一个 OS 用户,这正是计划中的 memory server 的用途。
  • 每次工具调用都会打开存储再关闭,因此第二个应用窗口或 cheesedb 命令可以在其间使用它。代价是 Limits 中提到的重放时间:对年轻的 agent 来说很小,在 1M 条记忆时每次调用约 0.7 s。搜索还会重新加载索引:1,000 条记忆时 9 ms,100,000 条时 0.74 s,1M 条时 7.5 s(How it scales)。
  • 数据位于 ~/.cheesedb,如果应用在启动命令时设置了该变量,则位于 CHEESEDB_DIR,与所有 cheesedb 命令一样。

Concepts

  • Lot:agent 学到内容的来源(一条用户消息、一个网页、一个工具结果)。由调用方标注;cheesedb 不评判来源。
  • Memory:agent 知道的东西。
  • Leg:一条记忆被学到的一种途径。当某条 leg 的所有父项都存活时,该 leg 才成立;一条记忆可以有多个 leg。
  • Fair recall:只要一条记忆的任意一个 leg 成立,它就会存活。
  • Strict recall:如果被召回的来源出现在一条记忆历史中的任何位置,该记忆就会消亡。

Guarantees

cheesedb 自己强制执行这些保证;调用方无法通过 API 绕过它们:

  • 一条记忆始终至少有一个 leg,并且绝不会建立在已被召回(死亡)的父项之上;
  • 召回是永久的;
  • 一个 agent 的句柄只能访问该 agent 的数据(按 token 隔离);
  • 每次写入在被确认之前都已落盘(fsync),崩溃不会丢失任何已确认的内容;
  • 损坏或被编辑的记录会被检测到(crc、内容摘要、哈希链);
  • 搜索绝不会返回已被召回的 lot 或 memory,Erase 也会把它们的向量从磁盘上移除。

Design:ARCHITECTURE.md。Security:THREAT_MODEL.md。速度与大小,包括 cheesedb 在哪些方面比 SQLite 和 PostgreSQL 慢:BENCHMARKS.md。

Limits

在依赖 cheesedb 之前请阅读这些内容。

  • 防篡改可检测,而非防篡改(v1)。任何能写入这些文件的人都可以:修改一条记录并重建其后的每一个哈希;修改或删除最新的记录;对一条记录进行删改。仅凭文件本身无法暴露其中任何一种行为。Verify() 返回一个头部指纹:在别处保留一份副本,之后进行比对以检测这些行为。v2 计划采用签名记录和外部见证。

防篡改可检测,而非防篡改(v1)。任何能写入这些文件的人都可以:

  • 修改一条记录并重建其后的每一个哈希;
  • 修改或删除最新的记录;
  • 对一条记录进行删改。

文章标题:Show HN: CheeseDB – 删除源即删除其所授内容的 agent 记忆

正文: 仅凭文件本身无法揭示上述任何一项。Verify() 返回一个头部指纹:在别处保留一份副本,之后进行比较即可检测到它们。v2 计划加入签名记录和外部见证。

  • 隔离阻止的是错误和提示注入,而不是宿主程序。持有 Alice 句柄的工具或 agent 无法触及 Bob。但持有存储的程序,或以该操作系统用户身份访问该文件夹的任何人,都可以直接读取每个 agent 的文件。
  • Token 只显示一次。存储仅保留每个 token 的哈希。丢失的 token 无法恢复;该 agent 只能被删除。
  • 通过 MCP,模型不被信任,但它很强大。它可以添加大量内容、声明 leg,并召回(默认删除)其 agent 中的任何内容。给模型一个 shell 的应用会让它完全绕过这些工具。参见“从 AI 应用使用”。
  • Leg 由调用方声明。Recall 精确移除所声明 leg 指明依赖于某个源的内容。如果某条记忆确实是从某个源学到的,但没有 leg 说明这一点,则召回该源不会移除它。
  • 只有 Erase 会从磁盘上移除文本。Recall(..., Erase) 在返回前会擦除被召回源的文本及其下所有已死亡记忆的文本。Recall(..., Untrusted) 会向 agent 隐藏这些记忆,但其文本会留在文件中,直到 Compact() 被调用——而 Compact() 仅在你调用它时才运行。通过另一个源仍然存活的记忆会保留其文本。
  • Recall(..., Erase) 在返回前会擦除被召回源的文本及其下所有已死亡记忆的文本。
  • Recall(..., Untrusted) 会向 agent 隐藏这些记忆,但其文本会留在文件中,直到 Compact() 被调用——而 Compact() 仅在你调用它时才运行。
  • 通过另一个源仍然存活的记忆会保留其文本。
  • 删除不是安全擦除。更早的备份、快照和副本仍保留其数据。SSD 和文件系统(如 APFS)可能在文件被移除后仍保留旧数据块。
  • Agent 名称按字节逐一比较。两个看起来相同但 Unicode 编码不同的名称是两个不同的 agent。
  • agent 日志末尾附近的损坏会被截断,而不是被拒绝。崩溃可能在活动段末尾留下半写入的批次(最多约 1 MiB),因此 Open 会截掉最后区域中的任何损坏,并在 Report.DroppedBytes 中报告。因此,该处的真实损坏,哪怕只翻转一个字节,也会丢弃其后的每一条记录。对于一个日志不足 1 MiB 的年轻 agent,这可能就是整个日志。打开后检查 Report()。已密封的段没有这个弱点:那里的损坏始终是 ErrCorrupt。批次提交标记以后可以消除它。
  • Windows 不会刷新目录。Windows 拒绝对目录句柄执行 Sync(“Access is denied”),因此 syncDir 在那里是空操作:在崩溃前刚创建的分段或 agent 文件夹、一次重命名,或写入的密封文件,在写入返回时不能保证已落盘。NTFS 会记录元数据日志,因此该条目通常会被恢复,但保证弱于 macOS 和 Linux。Windows 支持仍在路线图上;参见 issue #26。
  • 每个文件夹只能打开一个存储。cheesedb.Open 会锁定该文件夹;第二个进程会得到 cheesedb.ErrLocked,直到第一个进程调用 Close。该锁在 macOS、Linux、BSD 和 Windows 的本地磁盘上有效。它可能在网络驱动器(NFS、SMB)上无效,其他系统(例如 Solaris、AIX)则没有锁。
  • 启动时会重放整个日志。它随历史增长:对于有 1M 条记忆的 agent 约需 0.7 秒(BENCHMARKS.md)。
  • 整个记忆图保存在 RAM 中:每条记忆约 205 字节。一个 agent 的图必须能放进内存。
  • 在测试机器上,每个 agent 每秒约 200 次持久写入,受 fsync 限制。不同 agent 并行写入。
  • 损坏的 agent 密钥文件会导致整个存储无法打开。它会被报告而不是被跳过,因为跳过会隐藏该 agent 的数据。
  • 搜索是精确的,其索引存放在 RAM 中。索引格式仍可能变化。每个问题都会与每个向量比较,因此随着 agent 增长,搜索会变慢;每个向量都以每值一字节保存在 RAM 中(768 个值时约 0.8 KB),打开后的第一次搜索会从磁盘读取整个索引。每条 cheesedb 命令和每次 MCP 工具调用都会再次打开存储,因此在 100 万条记忆时,每次搜索都要付出这次加载的代价(如何扩展)。目前还没有关键词搜索和过滤器。
  • 索引损坏会阻止该 agent 的 Erase 和 Compact,直到索引被丢弃,因为它们无法擦除其向量。一个已被丢弃但文件夹无法删除的索引同样如此。agent 本身仍能打开并工作。如果崩溃中断了擦除,且下次打开时索引损坏,擦除会保持待处理状态,包括文本,直到索引被丢弃并运行 Compact(Report().UnfinishedErase 会说明这一点)。
  • 嵌入服务器会看到被记住和被搜索的内容。cheesedb 命令和 MCP 服务器会把每条新记忆的文本以及每个搜索问题发送到你设置的嵌入服务器。本地服务器将它们留在你的机器上;托管服务器则保留其提供商所保留的内容,而 Erase 无法触及那份副本。
  • 旧版本会忽略索引。如果某个没有索引的版本擦除了一条记忆,它的向量会留在磁盘上,直到当前版本下次加载索引。当擦除很重要时,不要在带索引的存储上使用旧版本。

Roadmap

计划中的工作,大致按顺序排列。计划可能变化,这里没有任何内容是对日期的承诺。

迈向 v1.0(稳定的 API 和磁盘格式)

  • Windows 支持。文件锁已经可用;目录刷新和在 Erase 期间替换打开的文件是缺口。
  • 更多模糊测试和崩溃测试。记录解码器已有模糊测试。仍需完成:向 Open 输入损坏和截断的文件,并在写入中途杀死进程,以检查恢复。
  • 在建议用于真实数据之前进行独立安全审查。
  • 批量提交标记,使恢复能够精确区分写了一半的最后一批与更早的损坏(见 Limits)。
  • agent 之间的共享记忆。一个共享空间,具有命名成员和角色(读、写、管理员),每条记录显示是谁写的,以及一种将共享记忆的召回带入基于它构建的私有记忆的方法。设计进行中。
  • 自动压缩,例如当死文本超过大小阈值时。目前 Compact() 只在你调用它时运行。
  • 每个 agent 的加密。记录格式已为此保留了一个密钥 id。

Memory server (v2)

  • 一个供多个程序使用的服务器,仅通过 Unix socket,具有每 agent 令牌和访问日志。
  • 读取跟踪:agent 在回答时读取的内容会成为其新记忆所依赖内容的一部分。
  • 按来源类型的信任级别,由你配置的规则表设置。
  • 签名记录和签名头部指纹,发送给外部见证者,以便检测有文件访问权限者的编辑(见 Limits)。
  • MCP 服务器迁移到 memory server 上,使多个应用共享一个运行中的进程。

Search (v2.5)

  • 为大型 agent 提供更快的搜索:在 MCP 调用之间保持索引加载、更轻的加载,以及近似索引(IVF)。
  • 关键词搜索,以及结合关键词与含义的搜索。
  • 搜索索引中的来源,使 forget 也能通过描述找到来源。
  • 快照,使打开 agent 时加载已保存状态并仅重放较新的记录,而不是整个日志。
  • 跨 agent 的并发写入者,以及由哈希链检查的日志传送复制。

Under consideration (candidates we are weighing, not commitments; each needs a design first)

文章标题:Show HN: CheeseDB – agent memory where deleting a source deletes what it taught

正文:

  • 长对话的无损压缩。将每条消息和工具结果存为 source,并把对话的摘要做成链接到这些 source 的 memory。被摘要丢弃的细节可以精确拉回,而召回某条消息也会移除由它构建的所有摘要。如今的长 agent 会话在为了适配上下文窗口而被摘要时,会丢失较早的细节。
  • 取代过时的事实。“我搬到了 Mumbai”会退役“住在 Pune”以及建立在它之上的一切,并记录原因,而不是两者并存、互相矛盾。
  • 影响范围和追踪。对 source:它塑造的每个 memory,不论在召回之前还是之后。对 memory:它背后的 source。也提供为 MCP 工具,使模型能够找到并召回它未在同一对话中保存的 source。
  • Source 版本。当文档被更新,或对它的访问被撤销时,由它构建的答案和摘要会变得过时或被移除,而不是滞留在缓存中。
  • 记录上的时间戳和模型版本,用于可追溯性规则,例如 EU AI Act 的日志义务,而 Erase 仍会移除内容。
  • 一个内存映射的向量文件,使命令和 MCP server 在搜索时无需每次调用都重新加载整个索引。
  • 为无法把完整对话交给 cheesedb 的 MCP 应用提供会话摘要。

关于名称

“Lot”和“recall”是食品安全领域的词。奶酪制造商会记录哪些牛奶批次进入了哪些奶酪轮,这样当某一批次被证明受污染时,他们能精确召回由它制成的奶酪。cheesedb 对 agent 记住的内容做同样的事。

许可证

Apache License 2.0。见 LICENSE。

The translation is machine-generated and individual terms may be off. Nothing is rewritten or cut; the original is authoritative.

Published by Hacker News
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗