我花了10天构建了一个AI记忆引擎，然后需要一个项目来证明它有效

Parametric Memory 近日发布了一款创新的AI记忆引擎，旨在为人工智能系统提供持久、可验证的记忆存储。该产品基于密码学数学构建，而非近似或模糊相似性搜索，确保每一个声明都是可证明的，每一个数字都在生产中测量。

记忆引擎的核心是Merkle树，每个原子（记忆单元）都被加密提交到SHA-256 Merkle树中，遵循RFC 6962标准。任何篡改都会导致根哈希变化，AI客户端可以在不信任服务器的情况下验证完整性。相比原始证明，这种机制可节省37%的令牌。

为了提升访问速度，系统采用可变阶马尔可夫链预测用户接下来可能访问的原子，并在查询到达前预取上下文。权重按0.5^(days/7)衰减，使近期记忆更加重要。在生产环境中，预测命中率达到64%。

在检索性能方面，引擎实现了0.045毫秒的p50延迟和1.2毫秒的p99延迟。这得益于LevelDB和基于JumpHash的哈希分片，将数据分布在4个独立的Merkle树上。专用实例意味着零争用，没有共享集群或噪声邻居。

作为MCP原生系统，它提供超过25个工具，使用Streamable HTTP MCP传输，兼容Claude、Cowork等任何MCP兼容客户端。认证采用OAuth2和Bearer令牌。

架构设计清晰：原子到达后立即哈希并提交到Merkle树；JumpHash将键路由到分片；马尔可夫记录转换并更新权重；读取时返回包含审计路径的证明。

值得一提的是，Parametric Memory 自身也使用这一产品。所有计费事件、健康检查、客户注册和架构决策都作为Merkle密封的原子存储在自己的MMPM基座上。目前生产环境中已密封超过821个原子，马尔可夫命中率64%，召回延迟p50为0.045毫秒。

定价从每月5美元开始，提供30天退款保证，支持随时取消。选项包括入门版（5美元）、单人版（9美元）、专业版（29美元）、团队版（79美元）、企业云版（299美元）和自托管版（499美元）。每个实例都有自己的Merkle树，并非数据库中的一行。