RecallAI
基于图数据库的AI导师原型系统，通过持久化记忆让AI记住用户学习历史并提供个性化回答
时间轴 (近 90 天)
Aman Kumar、Rishu、Abhishek和Ayan四人组成团队，参加了由WeMakeDevs和FalkorDB联合举办的Graph Hacks黑客松，选择'Agent Memory and Coordination'赛道，用四天构建了RecallAI原型。
RecallAI的架构包含四个主要部分：前端聊天界面、后端请求处理与记忆检索协调、语言模型、以及FalkorDB图数据库。
团队选择FalkorDB是为了探索基于图的记忆结构，而不是把每段对话当作孤立文本块存储。
团队选择Qwen2.5-1.5B-Instruct作为语言模型，原因是黑客松时间紧、硬件有限，从头训练模型不现实，且希望把精力集中在记忆架构上。
第三天测试发现，系统有时能识别关键词或直接引用时回忆起信息，但当问题依赖更宽泛的对话上下文时结果不稳定，有时表现得像没有记忆或给出自信但不反映之前对话的答案。
记忆系统失效的可能原因分布在五个环节：信息是否被正确保存、是否从FalkorDB检索到正确信息、后端是否把检索信息传给模型、模型是否获得足够上下文理解关联、模型是否忽略或误读收到的信息。
团队在第四天决定不加新功能，把精力收拢到六个核心行为：保存有用信息、检索正确记忆、把信息传给模型、正确使用上下文、避免无关记忆、隔离用户记忆。
全部知识事实 (7)
团队选择Qwen2.5-1.5B-Instruct作为语言模型，原因是黑客松时间紧、硬件有限，从头训练模型不现实，且希望把精力集中在记忆架构上。
50%待验证RecallAI的架构包含四个主要部分：前端聊天界面、后端请求处理与记忆检索协调、语言模型、以及FalkorDB图数据库。
50%待验证团队选择FalkorDB是为了探索基于图的记忆结构，而不是把每段对话当作孤立文本块存储。
50%待验证团队在第四天决定不加新功能，把精力收拢到六个核心行为：保存有用信息、检索正确记忆、把信息传给模型、正确使用上下文、避免无关记忆、隔离用户记忆。
50%待验证第三天测试发现，系统有时能识别关键词或直接引用时回忆起信息，但当问题依赖更宽泛的对话上下文时结果不稳定，有时表现得像没有记忆或给出自信但不反映之前对话的答案。
50%待验证记忆系统失效的可能原因分布在五个环节：信息是否被正确保存、是否从FalkorDB检索到正确信息、后端是否把检索信息传给模型、模型是否获得足够上下文理解关联、模型是否忽略或误读收到的信息。
50%待验证Aman Kumar、Rishu、Abhishek和Ayan四人组成团队，参加了由WeMakeDevs和FalkorDB联合举办的Graph Hacks黑客松，选择'Agent Memory and Coordination'赛道，用四天构建了RecallAI原型。
50%