Living Brain
Living Brain 是一个具备互操作性的记忆层，能够通过 API、SDK 和 MCP 将对话、文件以及状态更新编译为针对 AI 智能体与模型的外部结构化知识。
组织与自动化在语言模型上下文窗口之外存储和检索持久记忆将对话历史记录和文档编译为带有源链接的知识使用自定义 MCP 集成、API 和 SDK 将智能体和工具连接到外部记忆从运维交互中生成结构化数据集样本以用于微调工作流
- 收录于 AIToolly
Living Brain 是什么？产品概览
产品用途与官方定位
Living Brain 是由 ChatAndBuild 打造的外部持久记忆层，用于连接人工智能智能体与模型。它将零散的对话、文件和任务更新整理为持久的知识记录，使系统能够检索相关上下文，而无需反复处理完整的历史日志记录。
该系统采用编译器与记忆策略，并结合独特的评分指标来决定在任务执行过程中保留并重新唤起哪些信息。除了推理阶段的检索之外，Living Brain 还允许开发者将存储的交互、决策与反馈编译为训练数据集，用于下游模型适配。
Living Brain 可以用来做什么？
有官方来源支持的使用场景
智能体上下文检索
AI 智能体可按需检索与任务相关的上下文，而无需将完整的跨会话对话历史加载到提示词窗口中。
微调数据集准备
工程团队可将累积的任务结果、用户修正及反馈整理为结构化数据集，用于模型后训练工作。
通过 MCP 集成自定义工具
开发者利用模型上下文协议（MCP）连接，将自定义工具、数据源和智能体运行框架连接至共享记忆。
记忆层架构与适配路径
Living Brain 作为外部化记忆基础设施运行，旨在将长期信息的保留与模型的上下文限制分离开来。通过将输入的文件、消息和状态变化编译为结构化记录，该平台仅在任务需要时通过智能体框架筛选并呈现相关的上下文内容。
该平台支持两种 AI 适配途径。在推理阶段，它保留知识、决策与修正信息以调整模型响应，而无需修改模型权重。对于后训练适配，累积的交互日志与评估结果可导出为精选训练样本，适用于开源权重模型或支持训练访问的闭源权重模型。
- 使用质量、价值、放置契合度、共鸣以及再进入优先级等评分评估候选记忆。
- 通过 API、SDK 和模型上下文协议（MCP）接口对外提供集成端点。
- 通过检索针对性上下文而非完整交互历史，减少提示词有效载荷大小。
选择 Living Brain 前需要测试什么
用自己的素材和工作流完成验证
- 验证您的智能体框架和开发者工具是否支持通过 Living Brain 的 API、SDK 或 MCP 接口进行集成。
- 确认您的特定数据工作流与全上下文提示基线相比，是否能够实现足够的上下文 Token 缩减。
- 如果您计划将整理好的记忆日志用于后训练，请确认您指定使用的模型提供商是否提供训练端点。
Living Brain 来源与核对时间
核对了哪些信息以及核对时间
- 最后核对
- 分类
- 组织与自动化
Living Brain 常见问题
基于已核对产品资料的回答
Living Brain 如何管理 AI 智能体的上下文？
Living Brain 将知识存储在语言模型外部，并在每个具体任务中按需检索相关上下文，从而减少了反复发送完整对话历史记录或文档集合的必要性。
Living Brain 采用哪些机制评估和组织所存储的记忆？
该系统采用编译器与记忆策略，并结合 Markdown 质量评分、记忆价值评分、放置契合度评分、连接共鸣评分和再进入优先级评分等指标来组织和排定数据优先级。
Living Brain 如何与现有的 AI 工具和智能体连接？
Living Brain 通过应用程序编程接口（API）、软件开发工具包（SDK）以及自定义模型上下文协议（MCP）集成，与兼容的工具和智能体框架建立连接。
Living Brain 能否辅助进行模型微调和后训练？
可以。系统累积的知识、用户反馈和任务结果可以被整理为训练样本与评估数据集，用于对开源权重模型或具备提供商训练权限的闭源权重模型进行微调。
在内部基准评估中记录了哪些性能指标？
在针对 LoCoMo 的内部测试中，Living Brain 在 1,540 个问题中实现了 464 毫秒的中位数记忆检索延迟和 92.2% 的评估准确率；在 LongMemEval-S 测试中，内部测试显示其单问题消耗的 Token 数相比 116K Token 的全上下文基线减少了 22.6 倍。
