Living Memory Model (LMM) — 活性记忆层 Skill 技能

活性记忆层是什么

Living Memory Model（简称 LMM）是一款可验证的内存层，专为大语言模型设计。与传统 RAG 不同，LMM 将知识以图的形式存储，每一条事实都带有来源诀换，而且通过“门控”（Gate）机制确保毫无核实换的回答无法离开系统。

核心能力（“门控”机制）

LMM 的设计本质是两层门控：

入口门（Ingestion Gate）：决定哪些内容可以成为记录，过滤掉无关注的噪音。

**出口门（Answer Gate）：重新阅读引擎生成的内容，删除记忆中不支持的事实主张。所有其他都将被标记为“不确定”，而非犹如传统 RAG 那样的模糊应答或“沙壺问答”。

安装配置（三步应开）

第一步：安装

pip install living-memory-model

第二步：创建记忆对象

from lmm import Memory

# 持久化存储（插件弹性）
m = Memory("mind.lmm")

第三步：学习和查询

# 支持 pdf · docx · xlsx · csv · md · txt 等多种格式
m.learn("manual.pdf")

# 提问，记忆将自动检索图谱并源来诀换
print(m.ask("what is the screen diagonal?"))
m.save()

使用步骤（四步完成一次完整流程）

步骤 1：导入库

from lmm import Memory

步骤 2：创建或加载记忆

# 新建永久记忆
m = Memory("project.lmm")
# 或加载已有记忆
m = Memory.load("project.lmm")

步骤 3：导入文档学习

# 支持多种格式，文件名字尺对应解析器
m.learn("report.pdf")
m.learn("data.csv")
m.learn("notes.md")

步骤 4：提问并获取可信资料

answer = m.ask("what are the key findings?")
# 回答自动源来诀换，不确定的部分会被标记
print(answer)
m.save()  # 保存记忆状态

适用场景（四种场景）

场景 1：设备手册查询 就像本案例所展示的，就像厂商手册或设备说明书，LMM 能够在秒级内完成字典导入，并准确回答关于设备规格、参数、操作步骤等问题。

场景 2：企业内部知识管理 小组内部的策略文档、会议记录、项目资料等，通过 LMM 转化为可查询的图谱知识。

场景 3：检测报告分析 LMM 对表格数据采用零模型调用的方式，直接将行尖写入图谱，进行槽检查询。

场景 4：长违書内容理解 备忘录、合同、报告等长文档，LMM 能够尽可能地置信地回答用户问题，而不会出现模糊的“我不确定”回答。

适用人群

• 基础模型开发者：需要对长违書内容进行查询，但参数量大，随机导入有零费
• 内部知识管理团队：希望将音像、视频、文档等协议转化为可查询知识库
• 设备支持工程师：需要快速查询手册、规格、故障解答等
• 合规人员：需要对外部提供的文档进行内部化管理，并保证回答准确性

工作原理

LMM 的核心设计是“图谱 加 门控”：

1. 知识存储：将文档内容解析为事实，以图的形式存储在本地图谱中，每个结点带来源诀换
2. 入口检查：过滤无关注内容，确保只有价值的信息被存储
3. 查询解析：用户提问时，系统通过图谱进行定释查询，而非算法匹配
4. 出口检查：重新检查生成的回答，删除图谱中不支持的事实，并标记为不确定
5. 源来跟踪：每条回答都带有原始文档链接，可对输出结果进行审计

与传统 RAG 对比

桌面检测基准测试

在同样的测试集上（同一引擎）：

• 虚构语料集：LMM 17/17，RAG 14/17
• 策略文档：LMM 14/16，RAG 13/16
• 350页设备手册：LMM 27/30，导入速度2.3s vs 9.2s
• 检测表格：LMM 14/15，导入速度86ms vs 4.7s
• 错误事实声明次数：LMM 0，RAG 1

官方链接

• PyPI：https://pypi.org/project/living-memory-model/
• GitHub：https://github.com/ruzgarkanar/Lmm
• 官方文档：https://endevsols.github.io/Lmm/