lemmalog

这是什么？适合谁？

Lemmalog（JordyZomer/lemmalog）是一个LLM Agent 记忆的 Datalog 引擎：LLM Agent 记忆的 Datalog 引擎：分层规则、可溯源事实、增量推导，附 MCP server 让 harness 当共享大脑用。

核心价值：以 Datalog 分层规则、可溯源事实与增量推导为 Agent 提供持久记忆，附 MCP server 让 harness 当共享大脑，Rust + MIT，09-01 仍在 push。

适合人群：

• 做长程 Agent 记忆系统的开发者
• 需要可溯源事实库的团队
• 研究 Datalog 与 LLM 结合的工程师

使用前提：Rust 工具链与 MCP 客户端

准备工作

1. 安装：cargo 构建并按 README 启动 MCP server
2. 环境：Rust + 支持 MCP 的 harness
3. 准备：设计记忆的事实与规则结构
4. 成本：MIT 开源免费
5. 时间：构建 + 接入 MCP 约 1 小时

快速上手（3 步）

第一步：构建

git clone https://github.com/JordyZomer/lemmalog && cd lemmalog && cargo build --release

构建 Lemmalog Datalog 引擎。

第二步：启动 MCP server

# 按 README 把 Lemmalog 作为 MCP server 启动

将记忆引擎作为 MCP 服务暴露给 harness。

第三步：接入共享大脑

# 在 harness 中配置 Lemmalog MCP

让 Agent 通过 MCP 读写可溯源事实。

成功判定：Agent 通过 MCP 写入并增量推导出可溯源事实。

初级用法

分层规则记忆

用分层规则组织 Agent 记忆。

可溯源事实

每条事实可追溯来源。

增量推导

新增事实触发增量推导。

高级玩法

共享大脑

多 Agent 共享同一记忆引擎。

规则优化

按负载调优 Datalog 规则。

与知识库融合

把记忆与外部知识库打通。

小技巧

1. 先用小规模事实验证规则
2. 为每条事实记录来源
3. 关注增量推导的性能
4. 区分短期与长期记忆
5. 项目活跃，关注 API 变更

常见踩坑

踩坑 1：规则写错导致推导爆炸

• 现象：内存暴涨
• 原因：递归规则无界
• 解决：加规则审查与边界

踩坑 2：事实来源丢失

• 现象：无法追溯结论
• 原因：写入时未记录来源
• 解决：强制来源字段

踩坑 3：MCP 连接不稳定

• 现象：Agent 读不到记忆
• 原因：server 配置问题
• 解决：按 README 校验连接

踩坑 4：性能退化

• 现象：查询变慢
• 原因：规则/数据膨胀
• 解决：索引与规则优化

踩坑 5：版本变动

• 现象：接口不兼容
• 原因：09-01 仍活跃迭代
• 解决：锁定版本

常见问题 FAQ

Q1: 它是数据库吗？

A: 是基于 Datalog 的 Agent 记忆/事实引擎。

Q2: 免费吗？

A: MIT 开源免费。

Q3: 支持哪些 harness？

A: 通过 MCP 接入任意 MCP 兼容 harness。

Q4: 能多 Agent 共享吗？

A: 可以，作为共享大脑使用。

Q5: 适合生产吗？

A: 尚新，建议先在内部验证。

进阶学习建议

掌握基础后，建议深入：

1. 深入学习 Datalog 规则与增量推导
2. 研究 Agent 记忆的可溯源设计
3. 对比向量库与符号记忆的差异

参考链接

• 官方仓库

最后更新：2026-09-02 · 作者：MagicNetWorld · 基于公开资料整理，关键数据经 GitHub API 独立实测核验，AI 辅助生成