抛弃向量数据库：用BM25为LangChain智能体构建记忆层

智能体的"失忆"难题

用 LangChain 搭过智能体的开发者，大多都遇到过同一个尴尬：智能体在一次会话中做了有用的事，下一次却完全忘光。行业里的标准解法是外挂一个向量数据库——配置嵌入模型、切分文本，然后指望余弦相似度能返回正确的上下文。

这套方案确实能用，但代价不小。你需要跑一个常驻服务、一个嵌入模型，还要承担实实在在的延迟与成本。一位开源开发者在 Reddit 上分享了他的另辟蹊径：一个名为 CogniCore 的记忆层，用 BM25 检索加多跳图谱为智能体提供持久化记忆，完全不需要向量数据库、嵌入服务器或云依赖。

BM25 替代嵌入：轻量却不失效

CogniCore 最核心的设计取舍，是用经典的 BM25 检索算法替代嵌入向量。作者强调，其检索引擎完全基于 Python 标准库实现——pip install 之后，智能体就能存储记忆、检索记忆，并对过往经验进行反思，没有额外的重型基础设施。

对 LangChain 用户而言，最实用的一点是它作为记忆后端与现有链路协同工作。你不需要替换掉自己的智能体，而是在其"底层"加一层记忆：智能体在每一步之后存下所学，下一次会话时先检索这些记忆再行动。

基准测试：小上下文下反超嵌入

作者在 LongMemEval 基准上做了对比，结果颇具反直觉意味。在小上下文规模下，BM25 的表现实际上优于嵌入方案：

• 5 个 chunk 时，准确率从 78.8% 提升到 85.2%
• 10 个 chunk 时，从 87.2% 提升到 92.8%
• 20 个 chunk 时，两者收敛于约 95%

作者的解释是，到 20 个 chunk 时暴力检索"补上了差距"，嵌入的优势才逐渐追平。这一数据提醒开发者：在上下文规模不大的场景里，简单的词频检索未必逊于昂贵的语义嵌入，反而在延迟和成本上占优。

意料之外的收获：智能体记忆迁移

项目中最令作者意外的部分，是他顺带构建出的"智能体记忆迁移"系统。一个智能体可以导出自己经过验证的记忆——这些记忆有"证据"支撑：运行了什么命令、得到什么结果、退出码是多少——另一个智能体则可以导入它们。

接收方拿到的是一个封装好的记忆包，附带用于篡改检测的内容哈希，以及一条完整的"监管链"（chain of custody），标明每条记忆的来源。作者称他跨 Figma、Groq、ElevenLabs 和 Claude 做了测试，在完全不同的平台与模态之间搬运记忆。

借鉴强化学习的信任模型

这套迁移系统的信任机制松散地借鉴了强化学习的概念：

• 验证过的记忆类似经验回放缓冲区（experience replay buffer），只有被证明可行的动作才会被存储；
• 当记忆在不受信任的智能体之间流转时，其置信度会衰减，类似 RL 中的折扣因子（discount factor）；
• 接收方可以设定策略，直接拒绝低置信度或未经验证的记忆。

这种设计把"记忆可信度"变成了可量化、可传递、可拒绝的资产，为多智能体协作提供了一个新颖的思路。

一点评估

作者坦承自己是该项目的创建者，项目开源于 GitHub（cognicore-dev/cognicore-env），并已发布至 PyPI（cognicore-env）。他表示无意推销，只是分享构建过程中关于智能体记忆的心得。

从工程视角看，CogniCore 的价值在于它挑战了"智能体记忆必须依赖向量数据库"的默认假设。对于上下文规模有限、追求低延迟与零外部依赖的场景，BM25 方案确实值得一试。当然，其基准测试为单一来源的自测数据，20 chunk 之后的收敛也表明嵌入方案在更大规模检索中仍有优势——这套方案更适合作为轻量补充而非全盘替代。记忆迁移的信任模型则是更前沿的实验方向，其在生产环境中的可靠性还有待更多验证。