Show HN: Emem – 面向AI代理的物理世界外部記憶

在人工智慧領域，多代理系統面臨一個核心挑戰：隨著會話進行，上下文被壓縮，導致精確事實丟失。傳統的檢索方法無法解決這一問題，因為它從需要信任的儲存中返回最接近的文件，且侷限於單一產品和供應商。Emem專案旨在解決這一問題，透過建立一個共享記憶層，使代理能夠儲存和引用經過簽名的、錨定於物理位置的事實。這些事實以永久地址的形式存在，任何代理都可以無需賬戶即可讀取，而持有金鑰的代理則可以寫入。Emem使用地球觀測資料作為初始基底，但設計上可擴充套件至任何物理觀察器，如無人機、固定感測器或機器人。

關鍵特性：每個事實都是一個小的簽名記錄，其地址由事實內容的雜湊派生。當代理需要引用一個事即時，它只需保留一個類似於“emem:fact:...”的令牌，該令牌可以在後續會話中解析為確切的位元組，並重新驗證簽名。這消除了傳統上下文中“近似值”的問題，確保了長期任務的精度。例如，一個代理在早期驗證了一個海拔值為918米，上下文壓縮後，沒有Emem時只剩下“大約900米”，而有Emem時令牌精確解析為918.0米，簽名仍然有效。

Emem的信任模型基於blake3雜湊和ed25519簽名。任何讀取操作都會返回一個包含接收證明的簽名記錄，接收者可以離線驗證該證明，而無需信任傳送者或伺服器。系統還定義了不同的來源類別：direct_sensor（直接感測器測量）、deterministic_index（確定性索引計算）、model_output（模型輸出，僅歸因不驗證）和human_curated（人工整理），以明確每個事實的可靠性。對於需要審計的場景，這些區分至關重要。

此外，Emem提供了一套令牌語法，包括emem:fact（單點事實）、emem:bundle（事實集）、emem:entity（實體身份）、emem:raster（柵格資料）、emem:cube（時空立方體）和emem:rasterset（柵格集），支援從單點事實到複雜時空場資料的表示。專案還提供了MCP、REST API、Python和TypeScript SDK，方便整合到現有代理工作流中。

Emem適用於事實必須跨上下文生存或跨信任邊界傳遞的場景，例如長期任務、代理間協作、機器人艦隊地圖、審計報告等。但作者也誠實地指出了其侷限性：它不適用於對話式記憶、高頻資料流或需要亞米級精度的場景。Emem與檢索增強生成（RAG）互補，而非替代；它儲存物理世界的測量狀態，而非文件。

總結：Emem為多代理系統提供了一種獨特的方式，透過共享的、可驗證的事實層，增強了代理間的協作和長期任務的可靠性。隨著AI代理在現實世界中的應用增加，這樣的基礎設施將變得日益重要。專案已在GitHub開源，提供快速入門指南和多種整合方式。