基于图的明文记忆后端

该模块为记忆增强系统（如RAG、认知代理或个人内存助手）提供基于图结构的记忆存储和查询。
它定义了一个干净的抽象类(BaseGraphDB)，并使用Neo4j实现了一个可用于生产环境的实现。

为什么记忆需要图存储?

与向量存储不同，一个图数据库允许:

  • 将记忆组织成链、层次和因果关系
  • 执行多跳推理和子图遍历
  • 支持记忆重复数据删除、冲突检测和调度
  • 随时间动态地演化图记忆

这构成了长期的、可解释的和组成性记忆推理的主干。

特色

  • 跨不同图数据库的统一接口
  • 内置对Neo4j的支持
  • 支持向量增强检索(search_by_embedding)
  • 模块化、可插拔和可测试
  • v0.2.1 新特性 支持多租户图存储架构（单库多用户）
  • v0.2.1 新特性 兼容**Neo4j 社区版（Community Edition）

目录结构


src/memos/graph_dbs/
├── base.py            # BaseGraphDB的抽象接口
├── factory.py         # 工厂从配置中实例化GraphDB
├── neo4j.py           # Neo4jGraphDB的产品实现

如何使用

from memos.graph_dbs.factory import GraphStoreFactory
from memos.configs.graph_db import GraphDBConfigFactory

# 步骤1：构建工厂配置
config = GraphDBConfigFactory(
    backend="neo4j",
    config={
        "uri": "bolt://localhost:7687",
        "user": "your_neo4j_user_name",
        "password": "your_password",
        "db_name": "memory_user1",
        "auto_create": True,
        "embedding_dimension": 768
    }
)

# 步骤2：实例化图存储
graph = GraphStoreFactory.from_config(config)

# 步骤3：增加记忆
graph.add_node(
    id="node-001",
    content="Today I learned about retrieval-augmented generation.",
    metadata={"type": "WorkingMemory", "tags": ["RAG", "AI"], "timestamp": "2025-06-05"}
)

可插拔的设计

接口: BaseGraphDB

所有的实现必须包括:

  • add_node, update_node, delete_node
  • add_edge, delete_edge, edge_exists
  • get_node, get_path, get_subgraph, get_context_chain
  • search_by_embedding, get_by_metadata
  • deduplicate_nodes, detect_conflicts, merge_nodes
  • clear, export_graph, import_graph

参见src/memos/graph_dbs/base.py获取完整的方法文档。

当前的后端:

后端状态文件
Neo4jStableneo4j.py

单库多租户（Shared DB, Multi-Tenant）

通过配置 user_name 字段，MemOS 支持在单个 Neo4j 数据库中隔离多个用户的记忆图谱，适用于协同系统、多角色场景：

config = GraphDBConfigFactory(
    backend="neo4j",
    config={
        "uri": "bolt://localhost:7687",
        "user": "neo4j",
        "password": "your_password",
        "db_name": "shared-graph",
        "user_name": "alice",
        "use_multi_db": False,
        "embedding_dimension": 768,
    },
)

每个用户的数据通过 user_name 字段在读写、搜索、导出中逻辑隔离，系统自动完成过滤。

示例参考
话不多说，都在代码里了examples/basic_modules /neo4j_example.example_complex_shared_db(db_name="shared-traval-group-complex-new")

Neo4j 社区版（Community Edition）支持

新增后端标识：neo4j-community

使用方式与标准 Neo4j 类似，但自动关闭企业功能：

  • ❌ 不支持 auto_create 数据库
  • ❌ 不支持原生向量索引（使用外挂，如 Qdrant）
  • ✅ 强制启用 user_name 逻辑隔离

示例配置：

config = GraphDBConfigFactory(
    backend="neo4j-community",
    config={
        "uri": "bolt://localhost:7687",
        "user": "neo4j",
        "password": "12345678",
        "db_name": "paper",
        "user_name": "bob",
        "auto_create": False,
        "embedding_dimension": 768,
        "vec_config": {
            "backend": "qdrant",
            "config": {
                "host": "localhost",
                "port": 6333,
                "collection_name": "neo4j_vec_db",
                "vector_dimension": 768
            },
        },
    },
)
示例参考
话不多说，都在代码里了examples/basic_modules /neo4j_example.example_complex_shared_db(db_name="paper", community=True)

扩展

你可以添加任何其他图形引擎的支持（例如，TigerGraph, DGraph, Weaviate hybrid）:

  1. 子类 BaseGraphDB
  2. 创建配置数据类(例如, DgraphConfig)
  3. 将它注册到:
    • GraphDBConfigFactory.backend_to_class
    • GraphStoreFactory.backend_to_class

参见 src/memos/graph_dbs/neo4j.py 作为参考实现。

树形明文记忆

Nebula 图数据库