memvid/memvid

项目概览

该项目提供了基于文件的记忆架构，有测试数据显示其实现了 0.025ms 的 P50 延迟和 0.075ms 的 P99 延迟，并支持无服务器、无数据库的部署模式。

项目类型

RAG 与知识库 · 向量数据库 · 数据处理

应用场景

知识问答 · 搜索调研 · 自动化执行

部署方式

查看项目说明

License

Apache-2.0

适合谁

• 希望摆脱繁重向量数据库依赖、寻找基于文件记忆库方案的 AI 开发者与工程师。
• 需要多模态（文本、图像、音频）数据打包与检索，且具备一定编程与 Rust 工具链配置能力的技术团队。

核心能力

• 将数据、嵌入、搜索结构和元数据全部打包到单个文件中，整个检索过程无需额外依赖边车文件。
• 支持对过去的记忆状态进行回退、重放或分支操作，允许用户对历史记忆状态进行查询。
• 使用 CLIP 视觉嵌入技术，支持针对图像数据的搜索功能。
• 集成 Whisper 模型依赖，支持对音频文件进行转录处理。

限制与风险

• 该项目在从源码构建时存在明确的版本要求，系统需安装 Rust 1.85.0 或更高版本。
• 使用该项目的库形式或进行集成需要具备相应的编程知识，对纯非开发人员存在使用门槛。

如何开始

• 本地部署具有一定门槛，需要配置 Rust 工具链并具备编程知识。基础流程为：将 memvid-core 添加至 Cargo.toml 依赖项中，下载默认的 BGE-small 模型，使用 Memvid::create 创建新的记忆文件，随后添加文档并执行搜索。

替代方案与同类比较

• docarray/docarray 提供针对机器学习的 Python 数据结构，虽不具备 memvid/memvid 的无库单文件特性，但原生支持将多模态文档推入或拉出自定义的多种向量数据库索引中，适合仍倾向于使用数据库架构的 ML 应用。
• run-llama/llama_index 是一个全面的数据框架，侧重于提供数据连接器、数据结构化以及高级检索/查询接口。若需要构建包含复杂数据管道的系统而非追求无数据库的文件层，可作为备选框架。

同类比较

• memvid/memvid vs 多模态数据结构框架
• memvid/memvid vs 数据连接与检索框架

核验依据

• GitHub 项目简介: Memory layer for AI Agents. Replace complex RAG pipelines with a serverless, single-file memory layer.
• README: [dependencies] memvid-core = "2.0"
• README: Instead of running complex RAG pipelines or server-based vector databases, Memvid enables fast retrieval directly from the file.
• README: Memvid is a portable AI memory system that packages your data, embeddings, search structure, and metadata into a single file.
• Release: v2.0.140

来源更新时间：2026-07-16T18:18:08Z

打开原始 GitHub 项目