m_flow

M-flow — это библиотека на Python с открытым исходным кодом, которая переосмысливает генерацию с расширенным поиском (RAG), рассматривая граф знаний как основной механизм оценки. В отличие от традиционных систем RAG, которые ранжируют результаты по векторному сходству, M-flow организует знания в четырехуровневый конусный граф — Episode, Facet, FacetPoint и Entity — и использует распространение по графу вдоль типизированных, семантически взвешенных ребер для оценки каждой единицы знания по ее самой сильной цепочке рассуждений, связывающей ее с запросом. Этот подход, называемый граф-маршрутизируемым пакетным поиском, обеспечивает поиск с несколькими уровнями детализации: точный запрос может привязываться к FacetPoint и возвращать Episode, к которому он принадлежит, в то время как широкий запрос может входить через сводку Episode. Система также включает разрешение кореференций при загрузке для устранения местоимений перед индексацией, необязательное разделение памяти с учетом лиц для изоляции нескольких людей и извлечение процедурной памяти для повторно используемых абстрактных шаблонов. M-flow поддерживает несколько векторных и графовых баз данных (LanceDB, Neo4j, PostgreSQL/pgvector, ChromaDB, KùzuDB, Pinecone), не зависит от конкретной LLM (OpenAI, Anthropic, Mistral, Groq, Ollama и др.) и предоставляет CLI, веб-интерфейс и MCP-сервер. Бенчмарки на LoCoMo-10 и LongMemEval показывают высокую производительность, хотя эти результаты заявлены самостоятельно. Проект включает варианты развертывания через Docker, игровую площадку с распознаванием лиц и обширную документацию.