MemoHood 和 MemoBase：AI 智能体的本地记忆与知识库

MemoBase 是一款为 hermes-agent 设计的插件，旨在将用户的本地文件、网页、YouTube 视频、音频记录以及 Obsidian 笔记等多元信息源转化为一个可检索的本地知识库。与传统的语言模型直接调用不同，MemoBase 严格基于其索引的知识库进行回答，确保每一条回复都有据可查，有效避免了模型幻觉问题。

该插件的核心工作流程分为两个阶段：一是数据摄入（ingest），二是查询回答（ask/query）。在摄入阶段，系统能处理 PDF（通过 pdfplumber，回退至 pypdf）、DOCX（mammoth）、HTML 与 URL（trafilatura，带 SSRF 检查）、Markdown、TXT、CSV 等常见格式。对于 YouTube，它能自动获取字幕（通过 ScrapeCreators 或 Apify），无字幕时则下载音频并使用 Groq Whisper 进行语音转文字，并保留时间戳。音频和视频文件同样支持转写，长文件会自动切分。Obsidian 笔记以只读方式加载，自动识别 vault、frontmatter 和 [[链接]]。

在查询阶段，MemoBase 采用混合搜索策略：结合 FTS5（BM25 算法 + 俄语词干提取）和向量搜索（Cloudflare BGE-M3，1024 维），通过 RRF（k=60）融合结果，再经 Cohere rerank-v3.5 重新排序。回答生成前先通过“充足性门控”，仅当找到足够相关的片段时才允许模型回答；回答时模型只能基于提供的片段（tool-less 模式），并且每个引用都必须与原文逐字匹配（或模糊匹配），否则模型将诚实拒绝。

为保障安全，MemoBase 内置了六项不可关闭的保护机制：SSRF 防护、原始分块隔离、降级模式下的阈值调整、向量迁移的影子表、子声明验证以及旧分片的清除。它还支持访客集合，允许宿主为访客创建独立的个人知识库，并设置配额与权限。

安装过程极为简便：只需一条命令即可完成插件复制、依赖安装和配置启用。用户无需手动编辑配置，安装脚本会自动完成所有步骤。整个知识库存储在一个本地 SQLite 文件中（/memobase/memobase.db），向量索引也完全本地化，外部仅发送必要的查询和片段用于嵌入和重排序。

总之，MemoBase 提供了一个轻量级、可本地部署的 RAG 解决方案，特别适合需要高准确性、强隐私保护且避免模型幻觉的场景。它不仅降低了使用成本和门槛，还通过严密的引用验证机制确保了回答的可信度。