用 Datalog 替代向量存储做 Agent 记忆
推荐指数 71.0 NO. 001 · 2026.08.30
Stars130创建2 天前Forks10Issues1
为什么值得看
Lemmalog 是一个 Rust 写的 Datalog 引擎，把 LLM Agent 的记忆建模为可机械推理的演绎数据库，而非依赖向量相似度检索。它支持增量推导、溯源追踪和时态推理，为 Agent 记忆提供了可验证性这一向量库无法提供的属性。
A Datalog engine for LLM agent memory: stratified rules, provenance-tracked facts, incremental derivation, and an MCP server that lets your harness use it as a shared brain.
编辑判断
当前 Agent 记忆的主流方案是向量库加提示工程，核心痛点是黑盒检索无法解释'为什么记得这个'，也难以处理时间线和矛盾。Lemmalog 的激进之处在于把记忆从检索问题转化为推理问题，用 Datalog 的增量视图维护避免每轮全量重算。
跟 MemGPT 的显式记忆管理或 LangChain 的向量存储相比，它的差异化是形式化语义：规则推导的闭包可验证，溯源链条清晰。但风险也明显——Datalog 的表达力边界、LLM 抽取事实的噪声如何与严格逻辑引擎共处，这些在工程上还没被验证。
如果你在构建需要审计轨迹或长周期一致性（如金融合规、医疗记录）的 Agent，这个方向值得跟踪；纯聊天型 Agent 可能过度设计。
Star History
生态分析
Experimental
LLM Agent记忆层中稀缺的符号推理引擎，填补向量检索与逻辑可验证性之间的空白
独特价值：以Datalog规则引擎为核心，提供向量库无法实现的确定性推导与溯源验证
竞品：