我构建了一个 cognitive layer，供 AI agents 使用，能够在不调用 LLM 的情况下学习

Source: Dev.to

问题

每次你的代理开始对话时，都是从零开始。
当然，你可以把摘要塞进系统提示，使用 RAG，或调用 Mem0 或 Zep。

但这些方法都有同一个问题：它们需要 LLM 调用来学习。要提取事实、构建用户画像或理解重要信息时，你要为每个 token 付费，增加延迟，并依赖云服务。

如果学习可以在本地自动进行，且不需要任何 LLM 参与呢？

AuraSDK 与众不同之处

AuraSDK 是一个认知层，能够与任何 LLM 并行运行。它观察交互——在不调用 LLM的情况下，构建出结构化的模式、因果和行为规则的理解。

from aura import Aura, Level

brain = Aura("./agent_memory")
brain.enable_full_cognitive_stack()

# store what happens
brain.store(
    "User always deploys to staging first",
    level=Level.Domain,
    tags=["workflow"]
)
brain.store(
    "Staging deploy prevented 3 production incidents",
    level=Level.Domain,
    tags=["workflow"]
)

# sub-millisecond recall — inject into any LLM prompt
context = brain.recall("deployment decision")

# after enough interactions, the system derives this on its own:
hints = brain.get_surfaced_policy_hints()
# [{"action": "Prefer", "domain": "workflow", "description": "deploy to staging first"}]

没有人写过那条策略规则；系统是从存储的观察模式中自行推导出来的。

认知流水线

AuraSDK 通过五个确定性层处理每条存储记录：

Record → Belief → Concept → Causal → Policy

• Belief – 将相关观察分组，解决冲突
• Concept – 在 Belief 中发现稳定的话题簇
• Causal – 从时间和显式关联中找出因果模式
• Policy – 根据因果模式推导行为提示（Prefer / Avoid / Warn）

整个流水线在毫秒级完成——无需 LLM、无需云、也不需要嵌入向量。

60 秒快速上手

pip install aura-memory
python examples/demo.py

示例输出

Phase 4 - Recall in action

  Query: "deployment decision"  [0.29ms]
    1. Staging deploy prevented database migration failure
    2. Direct prod deploy skipped staging -- caused data loss

  Query: "code review"  [0.18ms]
    1. Code review caught SQL injection before merge
    2. Code review found performance regression early

5 次学习循环在 16 ms 内完成。召回耗时 0.29 ms。

对比

• 安装方式：pip install aura-memory
• 网站：(原文未提供链接)

如果你在构建 AI 代理，并且希望拥有确定性、可解释、离线可用的记忆功能——不妨试一试，并告诉我你的使用感受。