LemmaLog Skill：用 Datalog 引擎重新定义 AI Agent 的记忆系统

Skill超级捕获手技术创作者 2026-09-03 13 阅读

主流 AI Agent 的记忆方案几乎都是向量数据库——把文档切成块， embedding 检索，相似度搜索。但业务场景的遗忘往往不是”记不住”，而是”记错了”：供应商 3 月变了、合同已经过期、旧方案被废弃。向量检索能给出一个听起来相关的结果，却无法表达这些时态约束和因果链条。

LemmaLog 干了件反共识的事：用 Datalog 规则引擎替代向量存储，给 Agent 构建一套可推导、可溯源、可计数的记忆系统。截至 2026-09-03，该项目在 GitHub 已获 265 Star、18 Fork，紧急登上 Rust 仓库 Trending，并在 AI 社区引发关于” Agent 记忆是否应该走向符号推理”的持续讨论。

核心能力与设计原则

LemmaLog 的核心设计理念是：Agent 的记忆应该是一个演绎数据库（Deductive Database），而不是一个更好的向量检索系统。

整个系统分为四层：

事实存储层（Fact Store）：以三元组（主体，关系，客体）持久化存储事实，每个事实携带来源元数据（provenance），记录这条信息是谁、在哪次对话中产生的。
分层推导引擎（Stratified Inference Engine）：实现分层 Datalog 语义，避免递归悖论；支持增量推导（incremental derivation），事实增删时只重算受影响规则，不全量重推。
MCP 服务适配层：将 Datalog 引擎暴露为 MCP 服务器，支持 Claude Code / Kimi CLI 等主流 Agent 框架直接连接作为共享记忆。
查询 API：低延迟读写端点，支持 ask() / ask_deep() / context_for_query() 等操作。

设计原则强调：可验证（verifiable）而非概率性（plausible）、增量更新（incremental）而非全量重推导（batch recompute）、溯源可查（provenance-tracked）。

认可度

GitHub Star：265（截至 2026-09-03，上线约 8 天，日均增速极快）
GitHub Fork：18
Issues：0（目前零已知问题，维护质量高）
语言：Rust（性能优先，无 GC 停顿）
第三方报道：被 Enterprise DNA 专题报道，被称为”向量存储的替代方案”；AISignal 标记为”+554% 周增速”的高潜力项目
Benchmark 数据：LongMemEval 上 0.463 F1（比全上下文基线少用 38 倍上下文tokens）；LoCoMo 上 0.533 F1

链接

GitHub 仓库：https://github.com/JordyZomer/lemmalog

原作者

Jordy Zomer（GitHub: @JordyZomer），独立开发者，专注于 LLM 推理基础设施与记忆系统研究。该项目是他对”LLM 记忆应该走向符号推理而非向量相似度”这一论点的完整工程实现，附带了详细的设计文档（datalog-context-engine-design.md）和诚实的状态日志。

项目介绍

当前的 AI Agent 记忆方案本质上都是在做”语义相似度检索”：把历史对话和文档 embedding 后存进向量数据库，查询时取 top-k 最相似的片段。但这种方案有三个根本缺陷：

第一，无法表达时态约束。 “供应商变了”和”供应商没变过”在向量空间里可能距离很近，但业务上这是互斥的。第二，无法追踪来源。 Agent 告诉你一个结论，但你不知道这个结论是来自上周的合同还是上月的邮件。第三，无法推导闭包。 很多事情需要规则才能得到，比如”A是B的供应商，B是C的客户”推导出”A间接影响C”，这需要规则引擎而非向量检索。

LemmaLog 用 Datalog 解决了这三点。它是一个完整的、运行态解析的分层 Datalog 解释器（而非宏展开生成），核心特点包括：否定即缺失（negation-as-absence）配合负环拒绝；半朴素不动点配合每轮增量 delta 维护；双时态事实（valid_from / valid_to / asserted_at）；置信度 × 来源的半环标注；以及 why() 证明树（带环保护）。

特点

零幻觉记忆：所有记忆都是显式assert的事实，不存在”听起来相关但实际不对”的问题
完整溯源：每条事实标注来源（哪个LLM、在哪次对话中产生），Agent 可以说”为什么我相信这个”
增量推导：事实变化时只重算受影响规则，相比全量重推导延迟降低 10 倍以上
MCP 原生：直接作为 MCP 服务器暴露工具，Claude Code / Kimi CLI 无需额外适配代码即可接入
性能优秀：4M 事实规模下点查询约 100µs（WAM 风格索引路径）
可假设推演：what_if 模式允许 Agent 在假设空间里推演，不用真改事实就能验证后果
混合检索：支持 BM25 + 语义 embedding 混合，在需要时提供向量检索能力

使用方法

安装（Rust 二进制）：

cargo install lemmalog

安装（MCP 服务器模式，支持 Claude Code）：

cargo install lemma-mcp --features mcp

Docker 部署：

docker run -p 8080:8080 ghcr.io/jordyzomer/lemmalog

在 Claude Code 中启用：在 ~/.claude/settings.json（或项目级 .mcp.json）添加 MCP 服务器配置：

{
  "mcpServers": {
    "lemmalog": {
      "command": "lemma-mcp",
      "args": ["--repo", "/path/to/workspace"]
    }
  }
}

基础 REPL 用法：

cargo run --bin lemmalog
# > + father(tom, bob).      # 添加事实
# > ? father(X, bob).        # 查询
# > why father(tom,bob).    # 查看推导路径

Agent Skill 用法：skills/lemmalog/SKILL.md 提供了一套记忆使用规范（assert-as-you-verify、rules-as-experiments、query-before-reason 等），适合作为长线调查、代码审计、多 Agent 协作等场景的工作记忆区。

使用场景与人群

适用场景：

代码调查与调试：让 Agent 记住之前的排查路径、尝试过的方案和失败原因，避免重复踩坑
多轮审计：需要记录每一步证据来源的合规审查或安全审计
多 Agent 协作：多个 Agent 共享同一 Datalog 记忆层，实现跨会话的上下文连续性
长线任务：超过单一上下文窗口的复杂项目研究，Agent 需要跨天/月保留关键判断

目标用户：用 Claude Code、Kimi CLI 或其他 MCP 兼容 Agent 进行严肃开发工作的工程师；关注 LLM 推理可审计性、需要可验证记忆系统的技术团队。

输入与输出案例

案例一：供应商历史查询

输入（Agent 查询）：
  "过去一年里我们换过几次供应商？有哪些供应商在2025年内已经不再合作了？"

LemmaLog 底层执行：
  current_supplier(X) :- supplier(X), valid_to(X, D), D < today().
  changed_supplier(X) :- supplier(X, P1), retracted(supplier(X, P1)), asserted(supplier(X, P2)).

  输出：
  [
    {supplier: "AcmeCorp", valid_to: "2025-03-15"},
    {supplier: "BetaInc",  valid_to: "2025-08-22"}
  ]
  附：每条结果均标注来源对话 ID 和时间

案例二：调试时的假设验证

输入（Agent 怀疑是 OAuth scope 配置问题）：
  "如果我把 token 的 scope 从 read 改成 read:write，受影响的 API 调用有哪些？"

LemmaLog what_if 模式：
  临时应用 scope change 规则 → 推导出受影响的 API 路径集合 → 
  输出受影响的 7 个端点，但不修改真实记忆 → Agent 确认后决定是否 assert

LemmaLog 证明了”规则引擎 + 溯源追踪”在 LLM Agent 记忆领域的可行性，填补了从”相似度匹配”到”可验证推理”之间的空白。随着 Agent 系统从单轮对话走向多轮协作，这类结构化记忆基础设施的重要性将持续上升。

GitHub: https://github.com/JordyZomer/lemmalog

评论区

0 条评论

登录后可评论。