什么是Deep Memory
Deep Memory 是一款专为 AI 智能体设计的生产级语义记忆系统，旨在通过分层存储、向量检索与图谱关系相结合的方式，实现高效、可扩展的记忆管理。该系统采用三层架构：文件层（HOT/WARM/COLD Markdown 文件）作为持久化基础，向量层（基于 Qdrant 的语义相似度搜索）支持快速内容匹配，图数据库层（Neo4j）则用于维护实体间的复杂关系网络。所有组件均通过 Docker 容器化部署，确保环境一致性与可复现性。
核心嵌入模型选用本地运行的 qwen3-embedding:8b，提供 4096 维向量表示，无需依赖外部 API 服务，保障数据隐私与成本控制。整个系统以 Python 工具包形式集成，支持一键初始化、内存写入、语义搜索及联合查询等操作，适用于需要长期记忆积累和上下文关联推理的智能代理场景。
Deep Memory 不仅解决了传统知识库无法动态更新、难以捕捉隐式偏好的问题，还通过冷热分层机制优化资源使用效率——高频访问内容存于 HOT 区，低频信息归档至 COLD 区，兼顾性能与成本。其设计充分考虑了实际工程落地需求，如自动检测依赖服务状态、预建必要索引结构、执行端到端验证测试等，极大降低了部署门槛。
核心功能特点
- 采用 HOT/WARM/COLD 三级文件存储体系，实现热数据快速读写与冷数据低成本归档
- 集成 Qdrant 向量数据库，支持基于 qwen3-embedding 模型的语义相似度检索
- 内置 Neo4j 图数据库，构建实体间关系网络并支持联合查询
- 全本地化运行，依赖 Ollama 调用 qwen3-embedding:8b 模型，无需 API 费用或网络请求
- 提供 Python 工具链，支持一键初始化、内存存储、语义搜索与图谱联合查询
- 自动化部署流程，自动检查 Docker 与 Ollama 环境并配置所需容器与服务
适用场景
Deep Memory 特别适用于需要长期记忆能力的多轮对话型 AI 代理，例如投资顾问、个人助理或研发助手类应用。在这些场景中，系统需持续记录用户偏好（如沟通风格、决策习惯）、历史交互内容以及项目进展细节，并在后续对话中主动调取相关记忆以提供个性化响应。借助向量检索功能，即使提问方式与原始记忆表述不同，也能精准定位关键信息；而图关系建模则能揭示跨会话间的隐含逻辑，比如识别某次投资建议与过往风险偏好的关联。
对于企业级智能体开发团队而言，Deep Memory 提供了标准化的记忆基础设施，可无缝集成至 SOUL.md 或 AGENTS.md 定义的智能体工作流中。在回答涉及‘之前讨论过什么’、‘客户曾提过的需求’等问题前，智能体可先调用内存检索接口获取上下文，再结合工具调用结果综合判断，显著提升回答准确率与连贯性。此外，其分层存储策略也适合处理大规模非结构化日志或会议纪要，将高频参考内容置于高速通道，降低整体响应延迟。
相较于传统 RAG 方案仅关注文本片段召回，Deep Memory 更进一步实现了‘记忆即服务’的理念——不仅记住说了什么，更理解谁在何时为何目的说出这句话，从而构建出动态演进的认知图谱。这使得它在需要深度个性化与上下文感知的应用中展现出独特优势，尤其适合对一致性、可追溯性和长期学习有严苛要求的垂直领域智能体部署。