OntoGr：为Agent记忆加上引用溯源与双时间轴

每个事实都必须带着它的原话、来源和时间——这是 OntoGr Agent Memory 试图给 AI Agent 记忆系统建立的新底线。

为什么 Agent 的记忆需要「可追溯」

做过 RAG 和 Agent 记忆系统的人，大概都碰到过同一个信任问题：Agent 存下了一条学到的东西，但过一段时间，没人能说清它从哪来、是否仍然为真、以及系统在更早的某个日期究竟「相信」什么。据 Reddit 上该项目的发布帖描述，这正是 OntoGr 想解决的核心痛点。

作者把它做成了一个开源 Python 库，思路并不是简单地「把更多东西塞进向量库」，而是为每一条事实建立完整的证据链。下面这张图是项目在 Reddit 上的原始发布信息。

核心设计：每条事实都保留原话、来源与时间

OntoGr 的差异化集中在事实的「来源保真」上。在摄入阶段，消息、文档、工具输出、事件和记录行都会先被转成 episode（情节单元）；随后实体抽取和事实抽取分两趟独立进行，而每一条事实都必须携带来自其所属 episode 的逐字引用。这意味着后续任何一次读取，都能顺着事实回溯到原文，而不是只看到一个模型生成的摘要。

这个设计对审计场景尤其友好。当 Agent 的结论被质疑时，你可以直接拿出它当初依据的那句话，而不是重新跑一遍推理去「猜」。

时间模型：双时间轴与可逆合并

作者在帖子里特别希望获得反馈的两块，是时间模型和实体消解。

双时间轴区分了有效时间（valid time）和系统时间（system time）。一次读取既可以问「某个日期事实上什么是真的」，也可以问「系统在那个日期相信什么」。当出现新值时，旧版本会被关闭而非覆盖——历史版本得以保留，这与很多向量库「直接 upsert 覆盖」的做法形成明显区别。

可逆的实体消解则遵循「最便宜的证据优先」原则，只在模糊配对时才调用模型判断，并且每一次合并都可以撤销。配合每租户本体（per-tenant ontology）——每个租户自行定义允许的实体与关系类型，模型可以提议新增类型，但必须由人批准——整套系统在自动化与可控性之间做了明确取舍。

双时间轴（bi-temporal） 是数据库与时态知识图谱领域的成熟概念，通常把时间拆成两条独立维度：valid time 描述事实在现实世界中成立的时间区间，system time 描述该事实被系统记录、修改或失效的时间点。二者不一定重合——例如系统今天才录入「客户去年已变更地址」，其 valid time 在去年、system time 在今天。支持双时间轴的存储可以回答「回溯查询（as-of query）」：按 valid time 查询得到某历史时点的事实真相，按 system time 查询则重建系统当时所持有的信念。这与仅保留单一时戳的普通表不同，后者一旦覆盖写入就无法区分「事实变了」和「我们刚知道」。OntoGr 的「关闭旧版本而非覆盖」正是双时间轴落地的典型做法，也是审计与合规场景的常见要求。

实体消解（entity resolution / 实体对齐） 指判断不同来源的记录是否指向同一现实实体，并合并为统一节点。常见手段包括精确匹配、字符串相似度、阻塞（blocking）缩小候选对，以及在模糊情况下调用模型或人工判定。消解是 Agent 记忆的高风险环节：错误合并会把两个实体的属性、关系与历史混在一起，且往往难以察觉。因此「合并可逆」意味着系统需保留合并前的节点、边与别名映射，支持拆分（unmerge）并重放受影响的事实。这与「最便宜的证据优先」的级联策略相辅相成——先用低成本规则过滤大部分候选，只把真正模糊的配对交给昂贵判断，从而在准确率与成本之间取得平衡。

冲突裁决与可审计账本

当新旧事实矛盾时，OntoGr 用三层机制裁决：规则、可选的模型裁判，以及人的最终决定，且人的决定优先级最高。一个细节值得注意：帖子明确指出，模型裁判调用失败绝不会被存成「无冲突」——这类失败态被单独对待，避免把系统错误伪装成结论。

可审计性方面，每条事实都能追溯到引用和 episode，每一次时间写入都会进入一个哈希链式账本（hash-chained ledger）。此外还内置了按租户的授权、审计日志、可预览且可断点续传的 forget/erase 操作，以及确定性导出。

检索与部署：四路召回与现有栈集成

检索侧采用四路召回：向量、关键词、实体和图四条通道，通过倒数排名融合（reciprocal rank fusion）合并，最终输出一个受 token 预算约束的上下文块，并会报告哪些通道失败——这对排查检索质量问题很实用。

部署上，它运行在 FalkorDB 或 Neo4j 之上，也可选用 pgvector 或 Postgres；后台有一个整合任务负责去重、摘要、打分与归档；LLM 和 embedder 由使用者自带。

倒数排名融合（Reciprocal Rank Fusion, RRF） 是一种无需训练的多路检索结果合并方法，公式为对每个文档累加 1/(k + rank_i)，其中 rank_i 是它在第 i 路结果中的排名，k 通常取 60 左右。RRF 只依赖排名而不依赖各通道的原始分数，因此能把量纲完全不同的向量相似度、关键词 BM25 分数、实体匹配度和图遍历得分放在一起比较，且对单路召回质量波动较鲁棒。其代价是丢弃了分数幅度信息，也无法显式建模通道可靠性。对 Agent 记忆而言，RRF 让「语义相近」「字面命中」「实体关联」「图结构可达」四类证据同时进入候选池，再由 token 预算裁剪，是兼顾召回率与实现简单性的常见工程选择。

开放问题：时间模型与基准测试

作者在帖末公开征集两类反馈：一是时间模型的设计是否合理，二是社区最希望先看到哪些基准测试。对于关心 Agent 记忆可信度的开发者来说，这是一个值得参与讨论的早期开源项目。仓库地址为 https://github.com/ontogr/ontogr-agent-memory 。