4. 图模型与理论

May 16, 2026 · View on GitHub

4. 图模型与理论

在 RLM 范式中，MAGMA 为 LLM 编排的外部环境提供了具体的 data structure。MAGMA 论文的核心思想是：单一的 edge type（如纯 vector similarity）不足以捕捉记忆间的多维关系。 不同的查询意图需要不同的关系视角——问"为什么"需要因果链，问"什么时候"需要时间线，问"关于 X"需要实体关联。

Mnemon 实现了四种图，每种捕捉一个维度的关系：

MAGMA Four-Graph Model

4.1 Temporal Graph（时序图）

目的：捕捉记忆的时间顺序，构建知识流的时间骨架。

自动创建的边：

Backbone（骨干链）：新 insight → 同 source 的最近一条 insight（双向）
- 确保每个来源（user/agent）的记忆形成连续的时间链
Proximity（近邻）：新 insight ↔ 24 小时窗口内的 insight（双向）
- 权重公式：w = 1 / (1 + hours_diff)
- 最多 10 条近邻边

Insight A (2h ago) ←── backbone ──→ Insight B (1h ago) ←── backbone ──→ Insight C (now)
     ↑                                     ↑
     └──────── proximity (w=0.33) ─────────┘

元数据：{"sub_type": "backbone"|"proximity", "hours_diff": "2.34"}

4.2 Entity Graph（实体图）

目的：将提及相同实体的 insight 关联起来。

实体提取（混合方式）：

正则模式：CamelCase（HttpServer）、全大写（API）、文件路径（./cmd/root.go）、URL、@提及、中文书名号
技术词典：200+ 常见术语（Go, React, SQLite, Kubernetes...）
用户提供：--entities 标志直接指定

--entity-mode 控制这些来源如何组合：merge 保持默认混合行为，provided 只使用 --entities，auto 只使用自动抽取。

自动创建的边：新 insight ↔ 每个共享实体最多 5 条已有 insight（双向），权重 1.0。

                   ┌─── "Qdrant" ───┐
                   │                │
Insight A ←── entity ──→ Insight B ←── entity ──→ Insight C
("选择Qdrant")           ("Qdrant性能测试")        ("Qdrant部署配置")

元数据：{"entity": "Qdrant"}

4.3 Causal Graph（因果图）

目的：捕捉决策背后的原因、前因后果关系。

自动检测：

内容中出现因果关键词（because, therefore, due to, 因为, 所以, 导致...）
与近期 insight 的 token 重叠率 ≥ 15%
方向推断：根据因果关键词出现在新/旧 insight 中判断因果方向

LLM 辅助评估：

remember 输出因果候选列表（通过 2-hop BFS 发现）
宿主 LLM 评估这些候选，决定是否通过 link --type causal 建立连接
支持子类型提示：causes（直接原因）、enables（使能条件）、prevents（阻止因素）

Insight A ──── causal ────→ Insight B
("团队缺乏Redis经验")     ("选择SQLite作为存储")
  sub_type: "causes"
  weight: 0.75

这是 LLM-Supervised 理念的典型体现：Binary 负责低成本的候选发现（正则 + token 重叠），LLM 负责高价值的因果判断。

4.4 Semantic Graph（语义图）

目的：基于语义含义连接相似的 insight。

双层置信度系统：

层级	余弦相似度	行为
自动链接	≥ 0.80	自动创建双向边（高置信度），最多 3 条
候选评审	0.40 ~ 0.79	输出给 LLM 评估，LLM 决定是否链接
忽略	< 0.40	不处理

降级方案（无 embedding 时）：使用 token 重叠率代替余弦相似度。

Insight A ←── semantic (auto, cos=0.92) ──→ Insight B

Insight C ←── semantic (LLM review) ──→ Insight D
                cos=0.65, LLM判断"相关"后手动链接

4.5 四图协同：意图自适应权重

不同查询意图会激活不同的图遍历权重：

意图	Causal	Temporal	Entity	Semantic
WHY（为什么）	0.70	0.20	0.05	0.05
WHEN（何时）	0.15	0.65	0.10	0.10
ENTITY（关于X）	0.10	0.05	0.55	0.30
GENERAL（通用）	0.25	0.25	0.25	0.25

问"为什么选择 SQLite"时，因果边权重最高，系统会沿着因果链追溯决策原因；问"React 相关的记忆"时，实体边权重最高，系统会找出所有提及 React 的 insight。

4.6 Graph-LLM 理论基础

以下章节建立了图数据库作为 LLM 原生存储模型的理论基础，并阐明为什么 remember / link / recall 构成了 agent 记忆系统的通用协议。

结构同构

LLM 注意力、图数据模型和自然语言描述的是同一件事——实体间的带权关联：

LLM 注意力：     token ←weight→ token
图数据模型：      node  ←edge→   node
自然语言：       主语  ←谓语→    宾语

关系型数据库将网络关系强制压入表结构。向量数据库仅保留一种关系类型（相似度）。只有图能保留完整的关系语义。

三步范式：Extract → Candidate → Associate

图构建引擎普遍分解为三个步骤：

步骤	目的	mnemon 实现
Extract	将原始输入解析为结构化单元	`remember` → nodes + entities
Candidate	发现潜在连接	`semantic_candidates` / `causal_candidates`
Associate	建立有类型、有权重的边	`link` → 5 种边类型

跨数据库类型的谱系

三步模型是一个谱系——数据模型的语义越丰富，三个步骤的表达就越完整：

数据库类型	Extract	Candidate	Associate
图	完整	完整	完整（多类型边）
关系型	Schema 映射	PK/唯一索引去重	外键（在 DDL 时固定）
文档型	结构映射	_id 去重	嵌套引用（失去全局可遍历性）
向量	Text → embedding	ANN 去重	仅元数据（单一关系类型）
KV	Key:value	Key 存在检查	（几乎没有）

读写对称性（图独有的性质）

在图数据库上，读路径和写路径使用相同的三步模型互为镜像：

写入：  Extract → Candidate → Associate     (text → graph)
读取：  Extract → Candidate → Associate     (graph → text)
        (解析      (检索)       (遍历)
         查询)

	写入（构建）	读取（查询）
Extract	Text → 实体/事实	问题 → 意图/关键词
Candidate	发现潜在相关节点	发现潜在匹配节点
Associate	创建边（持久化）	遍历边（排序并返回）
Reason	（可选：LLM 判断是否链接）	LLM 将结果综合为答案

这种对称性在其他数据库类型上不成立——关系型数据库的写入是 schema 映射，读取是 join 规划；两者没有共同的认知模型。

含义：LLM 只需掌握一种认知模式，即可同时处理图的读和写操作。

从 LLM 视角看：Query → Reason

无论底层数据库是什么，LLM 在读取侧的交互都归结为两步：

自然语言 → [Query（工具调用）] → 结构化结果 → [Reason] → 自然语言答案

这是 RAG 范式在任何数据存储上的应用。差异在于翻译层的复杂度：

Text-to-SQL：必须理解 schema
Text-to-Cypher：必须理解图结构
Text-to-Vector：仅需编码，几乎零翻译

其他存储类型是图的退化形式

存储类型	相比图丢失了什么
KV	孤立节点，零边
关系型	边被压缩为外键，类型固定在 schema
文档型	边被内联为嵌套结构，全局可遍历性丢失
向量	所有边都是同一种类型（相似度），无语义区分

向量数据库能回答"什么跟什么像"，但不能回答"什么导致什么"或"什么属于什么"。图可以。

remember / link / recall 作为通用代数

三步范式（Extract → Candidate → Associate）直接映射到三个原语操作：remember、link、recall。这不是 mnemon 的实现细节——它是任何 agent 记忆系统的最小完备接口。

任何记忆系统 = remember(写入) + link(关联) + recall(检索)

跨系统验证

系统	remember	link	recall
mnemon	显式三步	显式 5 种边类型	图遍历
OpenViking	文件写入到 viking://	目录归置（隐式，仅包含关系）	路径导航 + 语义搜索
mem0	add()	自动去重/合并	search()
Letta/MemGPT	insert()	分层存储（core/recall/archival）	query()
原生 RAG	embed + upsert	（无）	ANN 搜索

每个系统都实现了全部三个操作。差异在于：

link 的显式程度：从 mnemon 的显式多类型边到 RAG 的完全缺失
link 的时机：写入时预计算（mnemon）vs 查询时由 LLM 推断（OpenViking）
recall 的信号维度：多信号加权（mnemon）vs 单信号（向量/路径）

OpenViking：link 折叠进 remember

OpenViking 采用文件系统范式——记忆、资源和技能作为目录组织在 viking:// 协议下，使用 L0/L1/L2 分层上下文加载。它的 link 步骤并未消失，而是折叠进了 remember：选择将文件放在哪个目录中就是链接决策，退化为单一分类问题（仅包含关系边）。

这代表了一个明确的架构权衡：将关联复杂性从存储时推迟到推理时，依赖 LLM 在上下文窗口内的推理能力。当记忆量在上下文限制内时这可行，但当记忆规模超出 LLM 单次处理能力时就失去优势。

退化谱系

三个原语形成一个退化谱系：

mnemon          完全显式的 remember + link + recall
OpenViking      link 折叠进 remember（隐式包含关系）
mem0            link 自动化（去重/合并启发式）
Letta/MemGPT    link 退化为层级放置
原生 RAG         link 完全缺失

link 操作越退化，LLM 在 recall 时推断未存储关联的负担就越重。

协议空白：LLM ↔ Database

缺失的层

现有协议栈在 LLM 和数据库之间存在空白：

  LLM
   ↕  MCP (LLM ↔ Tools)         ← 已标准化
  Tools
   ↕  ??? (LLM ↔ Database)      ← 无协议
  Database
   ↕  ODBC/JDBC (App ↔ Database) ← 已标准化
  Storage

MCP 标准化了 LLM 发现和调用工具的方式。ODBC/JDBC 标准化了应用访问数据库的方式。但LLM 如何以记忆语义与数据库交互——这一层没有协议。

每个项目都独立地重造这一层：Mem0 构建自己的，OpenViking 构建自己的，Claude Code 的 CLAUDE.md 构建自己的（通过文件注入彻底绕开这个问题）。每个项目都混淆了两个根本不同的问题：

LLM-DB 交互协议（如何读写）—— 一个 LLM 问题
DB 引擎优化（如何高效存储和查询）—— 一个数据库问题

行业反模式

当前的 agent 记忆系统是将协议和存储耦合的单体：

Mem0             = 协议 + 自定义存储引擎
Claude Code Mem  = 无协议（文件注入 context window）
OpenViking       = 协议 + 虚拟文件系统引擎
MemGPT           = 协议 + 分层记忆管理器

这等同于每个 Web 应用发明自己的 HTTP。结果：无互操作性，无后端可移植性，无法利用现有数据库生态。

remember / link / recall 作为协议原语

我们分析得出的三个原语不仅是一个分类法——它们是 LLM 到数据库交互协议的规范，类似于 MCP：

MCP:  LLM ↔ Tool
      3 个原语：resources / tools / prompts

MLP:  LLM ↔ Database
      3 个原语：remember / link / recall
      写路径 = remember + link
      读路径 = recall

维度	MCP	Memory Layer Protocol
解决什么	LLM 如何发现和调用工具	LLM 如何以记忆语义读写数据库
原语	3（resources / tools / prompts）	3（remember / link / recall）
后端无关	任何工具实现 MCP server	任何 DB 实现协议 adapter
协议性质	发现 + 调用	写入 + 关联 + 检索

协议定义

写协议：
  remember(content, metadata) → node_id, candidates[]
  link(source, target, type, weight) → edge_id

读协议：
  recall(query, options) → ranked_results[]

三个动词覆盖了所有 LLM-DB 记忆交互。任何实现了这三个接口的 adapter 的数据库都可以作为 LLM 记忆后端。

后端 Adapter 谱系

协议天然适配不同的存储后端，表达力各异：

              remember        link                recall
              ─────────       ────────────────     ──────────────────
Neo4j         CREATE node     CREATE edge          MATCH + traverse
TigerGraph    add vertex      add edge             GSQL query
Milvus        upsert vec      metadata ref         ANN search
PostgreSQL    INSERT row      INSERT FK/join        SELECT + JOIN
Redis         SET key         _(退化)_              GET key
SQLite        INSERT row      INSERT edge table     multi-signal query

图数据库实现协议最自然——三个原语直接映射。关系型数据库需要翻译层。KV 存储只能实现 remember + recall（link 退化）。

战略含义

这重新定义了 mnemon 在生态中的定位：

         单体系统                       协议层
         （产品思路）                    （平台思路）

Mem0  ──┐                         ┌── Neo4j adapter
CC Mem──┤ 每个项目各自             │── TigerGraph adapter
Viking──┤ 重造存储层               │── Milvus adapter
MemGPT──┘                         │── SQLite adapter（当前）
                                   └── PostgreSQL adapter

                                   ↑
                              mnemon 的位置：
                              不是又一个数据库，
                              而是 LLM ↔ DB 协议网关

不跟 Neo4j 比存储引擎（DB 问题归 DB）
不跟 Mem0 比产品功能（它是绑定自身存储实现的产品）
与 MCP 类比——MCP 将 LLM 接入了工具生态，这个协议将 LLM 接入数据库生态

学术版图与定位

先行工作评估

主张	最接近的先行工作	新颖性
结构同构（图 = LLM 原生存储）	Transformers-as-GNNs（arXiv 2506.22084, 2012.09699）—— 计算等价性已证明，但未延伸到外部存储	高
remember/link/recall 作为通用代数	CoALA（Princeton, TMLR 2024）—— retrieval/reasoning/learning，但 link 未分离为一等原语	高
Extract → Candidate → Associate	NER → Entity Linking → Relation Extraction — 经典知识图谱管线	低（跨记忆系统的泛化是新的）
图上的读写对称性	MAGMA（arXiv 2601.03236）主张刻意不对称（快写/慢读）	高（存在反证）
其他存储是图的退化形式	arXiv 2602.05665（HK PolyU, 2026.02）："传统记忆形式可以被视为图记忆范式中的退化或简化案例"	中（趋同发现）
LLM ↔ DB 交互协议	未找到先行工作——所有现有系统都将协议与存储耦合	高

在领域中的定位

教科书级别（已确立）
  │  NER → Entity Linking → Relation Extraction
  │
广泛认可（高引用论文）
  │  CoALA retrieval/reasoning/learning（Princeton, TMLR）
  │  Transformers = GNNs（计算等价性）
  │
新兴共识（2026 年综述）
  │  存储类型是图的退化形式（arXiv 2602.05665）
  │  GraphRAG > Vector RAG（Neo4j Manifesto）
  │
── 我们的位置 ──────────────────────────────
  │
原创贡献（未找到先行表述）
  │  ① remember/link/recall 通用代数，link 作为一等原语
  │  ② 结构同构 → 外部存储处方
  │  ③ 图上的读写对称性（注：MAGMA 的不对称是工程反论据）
  │  ④ LLM ↔ DB 协议层 — 将协议与存储引擎分离

关键参考文献

基础框架：

CoALA: Cognitive Architectures for Language Agents（Sumers et al., Princeton, TMLR 2024）
Memory in the Age of AI Agents（Yuyang Hu et al., arXiv 2512.13564, Dec 2025）
Graph-based Agent Memory survey（Chang Yang et al., arXiv 2602.05665, Feb 2026）

图记忆系统：

MAGMA（Jiang et al., arXiv 2601.03236, Jan 2026）
Graphiti/Zep（Rasmussen et al., arXiv 2501.13956, Jan 2025）
Mem0（arXiv 2504.19413, Apr 2025）

Transformers-as-graphs：

Transformers are Graph Neural Networks（arXiv 2506.22084, Jun 2025）
A Generalization of Transformer Networks to Graphs（arXiv 2012.09699, 2020）

验证：mnemon 架构

mnemon 的设计直接反映了这些洞察：

remember → Extract + Candidate（semantic_candidates / causal_candidates）
link     → Associate（semantic / causal / entity / temporal / narrative）
recall   → Extract + Candidate + Associate（意图检测 → 多信号检索 → 图遍历）

五种边类型保留了五种不同的关系语义。退化为纯向量检索将仅保留 semantic —— 丢失约 80% 的关系信息。MAGMA 消融研究确认：移除因果边使准确率下降 3-5%，移除时序边使其进一步下降。

总结

Extract → Candidate → Associate 是图构建引擎的通用范式
这一三步模型在图上达到最完整的表达，并向 KV 方向退化
在图上，读写路径是对称的——两者遵循同一个三步模型的相反方向
从 LLM 视角看，读取普遍归结为 Query → Reason
图是 LLM 的原生存储模型，因为它们是结构同构的：两者都表示实体间的带权关联
remember / link / recall 是 agent 记忆系统的通用代数——每个系统都是这三个原语的实例化，link 的退化程度各异
三个原语定义了一个 LLM ↔ Database 交互协议——类似于工具的 MCP，填补了 LLM 与数据库生态之间缺失的层
mnemon 的战略定位是协议网关，而非数据库引擎——将 LLM 交互问题与存储优化问题分离