Show HN: Emem – 面向AI代理的物理世界外部记忆

在人工智能领域，多代理系统面临一个核心挑战：随着会话进行，上下文被压缩，导致精确事实丢失。传统的检索方法无法解决这一问题，因为它从需要信任的存储中返回最接近的文档，且局限于单一产品和供应商。Emem项目旨在解决这一问题，通过创建一个共享记忆层，使代理能够存储和引用经过签名的、锚定于物理位置的事实。这些事实以永久地址的形式存在，任何代理都可以无需账户即可读取，而持有密钥的代理则可以写入。Emem使用地球观测数据作为初始基底，但设计上可扩展至任何物理观察器，如无人机、固定传感器或机器人。

关键特性：每个事实都是一个小的签名记录，其地址由事实内容的哈希派生。当代理需要引用一个事实时，它只需保留一个类似于“emem:fact:...”的令牌，该令牌可以在后续会话中解析为确切的字节，并重新验证签名。这消除了传统上下文中“近似值”的问题，确保了长期任务的精度。例如，一个代理在早期验证了一个海拔值为918米，上下文压缩后，没有Emem时只剩下“大约900米”，而有Emem时令牌精确解析为918.0米，签名仍然有效。

Emem的信任模型基于blake3哈希和ed25519签名。任何读取操作都会返回一个包含接收证明的签名记录，接收者可以离线验证该证明，而无需信任发送者或服务器。系统还定义了不同的来源类别：direct_sensor（直接传感器测量）、deterministic_index（确定性索引计算）、model_output（模型输出，仅归因不验证）和human_curated（人工整理），以明确每个事实的可靠性。对于需要审计的场景，这些区分至关重要。

此外，Emem提供了一套令牌语法，包括emem:fact（单点事实）、emem:bundle（事实集）、emem:entity（实体身份）、emem:raster（栅格数据）、emem:cube（时空立方体）和emem:rasterset（栅格集），支持从单点事实到复杂时空场数据的表示。项目还提供了MCP、REST API、Python和TypeScript SDK，方便集成到现有代理工作流中。

Emem适用于事实必须跨上下文生存或跨信任边界传递的场景，例如长期任务、代理间协作、机器人舰队地图、审计报告等。但作者也诚实地指出了其局限性：它不适用于对话式记忆、高频数据流或需要亚米级精度的场景。Emem与检索增强生成（RAG）互补，而非替代；它存储物理世界的测量状态，而非文档。

总结：Emem为多代理系统提供了一种独特的方式，通过共享的、可验证的事实层，增强了代理间的协作和长期任务的可靠性。随着AI代理在现实世界中的应用增加，这样的基础设施将变得日益重要。项目已在GitHub开源，提供快速入门指南和多种集成方式。