Ariadne — LLM DBA管理与目的驱动的联想记忆检索系统

需要在github上获取完整源码

LLM 驱动的记忆图谱构建、检索、可视化全链路管线。

"A thread through the labyrinth of memory."
记忆迷宫中的阿里阿德涅之线。

架构

对话日志 ──→ DBA维护 ──→ MemoryGraph + VectorStore ──→ P检索 ──→ Rerank ──→ 回复
   │            │                    │
   │     MaintenanceScheduler       ├──→ API Server (HTTP REST + 3D 面板)
   │     (批量异步调度)              ├──→ MCP Server (6 tools, stdio/SSE)
   │                                └──→ 离线 HTML
   └──→ 人工干预 (CRUD面板 + MCP dba_intervene)

项目提出的检索方法 P（Proposed） 是完整链路，由三层机制组成：

1. 跳转轴：边按 8 种关系类型化、节点按 6 种角色分类，用 6×8 权重矩阵做有向扩展，权重为 0 的方向直接阻断。
2. 目的回归：LLM 推断查询隐含目的并编码为向量，每步扩展过滤偏离目的的候选。
3. 寻峰终止：记录每轮目的关联度，斜率转负时回到峰值容忍带输出，替代固定 top-K。

与基线的对比：

核心优势在召回深度：216 节点上 P R@all=0.538 vs A=0.159（约 3.4 倍），且随规模放大。

详见 目的驱动的联想记忆检索模型

安装

pip install -e .
# 需要本地 embedding 模型时（可选）
pip install -e ".[local]"

快速开始

仓库自带样例 data/sample_graph.yaml（4 节点 3 边）。

一键启动（推荐）

在 dba_pipeline 目录内运行 start_all.py，一条命令同时启动 3D 面板与 MCP SSE：

# 1) 复制配置模板并填入模型信息（MCP 会自动读取 .env，无需在命令行重复传参）
cp .env.example .env

# 2) 一键启动（面板 8765 + MCP SSE 8766，端口自动错开）
python start_all.py --yaml data/sample_graph.yaml

# 可视化面板  http://127.0.0.1:8765
# MCP SSE     http://127.0.0.1:8766/sse

可用 --api-port / --mcp-port / --host 覆盖默认端口与地址；Ctrl+C 同时停止两个服务。

1. 3D 可视化面板（浏览器查看 + 手动 CRUD）

ariadne-api --yaml data/sample_graph.yaml --port 8765
# 浏览器打开 http://127.0.0.1:8765

功能：3D 力导向图、图层过滤、聚焦模式、模糊搜索、CRUD 面板、操作自动写回 YAML。

2. MCP Server（供 LLM Agent 调用）

# 存根模式：Agent 可查图/手动 CRUD，无需 LLM 配置
ariadne-mcp --yaml data/sample_graph.yaml

# 完整 DBA 模式：Agent 说话后自动抽取维护图谱（需 LLM + Embedding）
ariadne-mcp --yaml data/sample_graph.yaml \
    --llm-model gpt-4o-mini --llm-api-key sk-xxx --llm-base-url https://api.openai.com/v1 \
    --embedding-model text-embedding-3-small

3. 离线 HTML（无需服务器）

ariadne-render --yaml data/sample_graph.yaml -o output.html

MCP 服务详解

两种传输模式

⚠️ SSE 默认端口 8765 与 ariadne-api 相同，同时运行需改端口，如 --port 8766。一键启动（start_all.py）会自动错开为 8766。

环境变量配置（可选）

LLM / Embedding 配置除命令行传参外，也可放到项目根 .env（或系统环境变量）中，启动时自动读取；命令行参数优先级更高，可覆盖环境变量。

# 项目根 .env 示例
OPENAI_API_KEY=sk-xxx
OPENAI_API_BASE=https://api.deepseek.com/v1
OPENAI_MODEL=deepseek-v4-flash
EMBEDDING_MODEL=BAAI/bge-large-zh-v1.5
EMBEDDING_LOCAL=true

设了 EMBEDDING_LOCAL=true 需安装本地依赖 pip install -e ".[local]"；否则启动时会提示并回退到存根模式。

两种运行模式

Agent 客户端的 LLM 与 Ariadne 内部的维护 LLM 是两个独立模型。Agent 的 LLM 负责理解意图、调用工具；Ariadne 的 LLM 负责把对话变成图谱事实。两者通过图谱（而非上下文窗口）共享记忆。

Embedding 三种配置

--embedding-base-url / --embedding-api-key 未指定时自动复用 --llm-base-url / --llm-api-key。

# API embedding（OpenAI）
ariadne-mcp --yaml data.yaml --llm-model gpt-4o-mini --llm-api-key sk-xxx \
    --llm-base-url https://api.openai.com/v1 --embedding-model text-embedding-3-small

# 本地 embedding
ariadne-mcp --yaml data.yaml --llm-model gpt-4o-mini --llm-api-key sk-xxx \
    --embedding-model BAAI/bge-large-zh-v1.5 --embedding-local

6 个 Tool

检索说明（dba_query_memory）

• 支持逗号分隔多关键词（如 工作，公司，职业，上班），任一关键词命中即返回。
• 匹配分两级：精确子串得满分，否则按字符 bigram 相似度做模糊匹配。
• rerank_k 控制返回上限（默认 20）；返回结果里 total_matched 是真实命中总数，returned 是本次实际返回数，若 total_matched > returned 可调大 rerank_k 取回剩余记忆。

Agent 接入 JSON

Claude Desktop（stdio）：

{
  "mcpServers": {
    "ariadne": {
      "command": "python",
      "args": ["-m", "dba_pipeline.mcp_server", "--yaml", "/path/to/memory_graph.yaml"],
      "cwd": "/path/to/dba_pipeline"
    }
  }
}

Cursor / SSE 客户端（先启动 Server，再填 url）：

# 推荐：一键启动（面板 8765 + MCP 8766），模型配置从 .env 读取
python start_all.py --yaml /path/to/memory_graph.yaml

# 或单独启动 SSE（模型配置同样从 .env 读取，也可用命令行覆盖）
ariadne-mcp --yaml /path/to/memory_graph.yaml --sse --port 8766

{
  "mcpServers": {
    "ariadne": { "url": "http://127.0.0.1:8766/sse" }
  }
}

YAML 数据格式

nodes:
  - id: n1
    content: "用户在互联网公司做后端开发"
    type: status
  - id: n2
    content: "用户经常加班到晚上十点"
    type: reason

edges:
  - from: n2
    to: n1
    type: causal
    bidirectional: false

类型体系

节点（6 种）：STATUS REASON ACTION THING PERSON EMOTION

边（8 种）：CAUSAL SCENARIO SEQUENCE PREFERENCE SOCIAL ATTRIBUTE TEMPORAL TAXONOMIC

论文

• LLM DBA 自动化记忆图谱构建
• 目的驱动的联想记忆检索模型

许可证

MIT