機器之心發(fā)布

剛剛，世界模型初創(chuàng)公司 Feeling AI 正式發(fā)布并開源MemBrain1.5和CodeBrain-1。這兩項在全球 Agentic 領(lǐng)域的頂尖工作同時開源，將正式終結(jié) AI “無狀態(tài)” 的工具時代，為世界模型植入具備自主邏輯與層級化記憶的 “原生大腦”，開啟人機深度協(xié)同的交互新范式。

• CodeBrain-1 開源地址：https://github.com/feelingai-team/CodeBrain
• MemBrain1.5 開源地址：https://github.com/feelingai-team/MemBrain

CodeBrain 如何為 Agent 換上 “編譯器之眼”？

CodeBrain 作為具備動態(tài)規(guī)劃與策略調(diào)整能力的 “進(jìn)化大腦”，它通過優(yōu)化任務(wù)的執(zhí)行邏輯和錯誤反饋機制，顯著提升了模型在真實終端環(huán)境下的操作成功率。在技術(shù)實現(xiàn)上專注打磨了兩個直接影響 “能否成功且高效地完成任務(wù)” 的環(huán)節(jié)。一則是 Useful Context Searching：只用 “真正有用” 的上下文，二則是 Validation Feedback：讓失敗真正變成信息。

春節(jié)前 CodeBrain-1 搭載 GPT-5.3-Codex 底座模型更是在衡量 Agent 真實工程能力全球權(quán)威基準(zhǔn) Terminal-Bench 2.0 榜單上一舉沖到 72.9% 并躋身全球排行榜前列，成為榜單前 10 中唯一的中國團隊。

CodeBrain-1.5 持續(xù)領(lǐng)跑全球：性能更優(yōu)、成本腰斬

除了此次開源的 CodeBrain-1，CodeBrain-1.5 以 81.3% 的成績，持續(xù)領(lǐng)跑全球開源和閉源隊列，在 Claude-Opus-4.6、MiniMax-M2.5、GLM-5、Qwen3.5 等 Terminus-2 Baseline 的基礎(chǔ)上均能大幅提升基座模型的成績和性能表現(xiàn)。

天下苦 Token 又費又貴久矣！

值得一提的是，除了技術(shù)指標(biāo)的持續(xù)領(lǐng)先，CodeBrain 還大幅降低了開發(fā)者和付費用戶的使用成本。在 Terminal-Bench 2.0 的 89 全量任務(wù)測試中，使用 Claude-Opus-4.6 的 Token 成本為 $313.0，而在 CodeBrain 的加持下這一成本僅為 $112.9，直降 63.9%。這也證明了結(jié)構(gòu)化感知不僅是精度問題，更是商業(yè)和生意問題。

實踐中的弊端越來越明顯：缺乏編譯器級別的診斷

目前的頂尖 Agent（如 Claude Code、Cursor、OpenCode）缺乏結(jié)構(gòu)化的代碼智能，在處理小型文件時表現(xiàn)驚艷，但一旦進(jìn)入多語言、數(shù)百萬行代碼的 Monorepo（大倉庫），便會陷入 “情報困局”。它們通常依賴原始的文本搜索（grep）和文件讀取（cat）來理解代碼，目前沒有標(biāo)準(zhǔn)方式讓 Agent 在編輯循環(huán)中獲取編譯器級別的診斷、符號導(dǎo)航或影響分析。這種方式在工程實踐中的弊端已經(jīng)越來越明顯：

• 低效： 為了找一個函數(shù)定義，Agent 可能要執(zhí)行幾十次 ls 和 find
• 模糊： 簡單的字符串匹配無法區(qū)分 “函數(shù)調(diào)用” 與 “注釋文本”
• 脆弱： 一旦環(huán)境配置微調(diào)，Agent 就會因為找不到依賴而陷入死循環(huán)

5 層架構(gòu)：任何 Agent 均可調(diào)用的工業(yè)級邏輯大腦

Agent 的大腦在加速迭代中始終缺乏一套能看穿代碼邏輯的 “視覺神經(jīng)”。針對這一瓶頸，CodeBrain 給出了一套極具工程美學(xué)的解決方案。它不是一個簡單的 Prompt 集合，而是一個分為 5 層、約 7,600 行代碼的Python 庫 + MCP 服務(wù)器，將 LSP 語言服務(wù)器和 tree-sitter 語法封裝為 11 個面向意圖的工具，任何 Agent 均可調(diào)用，并賦予 Agent 架構(gòu)師級的邏輯直覺。其 5 層可堪為工業(yè)級架構(gòu)包含：

• 核心層：模型，配置，工作區(qū)，工具鏈
• 引擎層： LSP 引擎 + 降級鏈，Tree-sitter 搜索
• 工具層： 8 個原子操作實現(xiàn)驗證、導(dǎo)航和搜索
• 技能層：上下文診斷，影響分析，符號搜索
• MCP 服務(wù)器：一鍵可用，11 個面向意圖的工具

此外，在此次開源的版本中還支持了多種供開發(fā)者靈活使用的功能：

• 多語言支持： Python、Go、TypeScript/JavaScript、C/C++ 統(tǒng)一接口。
• 優(yōu)雅降級鏈：FallbackChain 在語言服務(wù)器不可用時自動切換到 CLI 工具（pyright、go vet、tsc）。
• Monorepo 感知：自動發(fā)現(xiàn)子項目并解析各自工具鏈（venv、go.mod、tsconfig、CMake）。
• 零框架耦合：純 Python，兼容任意 MCP 客戶端。
• 面向意圖的工具：將 20 個底層 LSP 操作整合為 LLM 實際需要的工具：validate、explore_symbol、search、check_impact、debug_trace、rename_symbol 等。

視頻鏈接：
https://mp.weixin.qq.com/s/-NYZl_zWbtsyFNmDH1FCUQ

開發(fā)者直接在 Claude Code 調(diào)用工具和 MCP 演示

讓 Agent 從 “工程師助手” 變?yōu)?“可信賴的交付專家”

基于嚴(yán)謹(jǐn)?shù)募軜?gòu)設(shè)計和眾多靈巧的功能特性，CodeBrain 為 Agent 實打?qū)崕砹隧敿夤こ處熂墑e的能力升級和成本節(jié)省，讓 Agent 真正從 “聰明的工程師助手” 變?yōu)?“可信賴的交付專家”。

• 快速掌握項目結(jié)構(gòu)：通過 outline + list_subprojects，Agent 一次調(diào)用即可獲取代碼庫的文件層級、符號樹和子項目邊界，替代數(shù)十次 ls、cat、find 操作。
• 降低代碼搜索成本：基于 tree-sitter 的結(jié)構(gòu)化搜索（search）按語法角色查找符號（函數(shù)定義、類聲明、接口實現(xiàn)），而非簡單字符串匹配；結(jié)合 PageRank 符號圖，Agent 優(yōu)先找到關(guān)鍵內(nèi)容，無需在 grep 噪音中篩選。
• 收緊編輯-驗證循環(huán)：validate 在編輯后立即提供編譯器級診斷（錯誤、警告），附帶完整上下文（定義位置、引用、類型信息、修復(fù)建議）；Agent 無需運行完整構(gòu)建即可捕獲類型錯誤、缺失導(dǎo)入和簽名不匹配。
• 使重構(gòu)更安全：check_impact + explore_symbol 在 Agent 提交更改前展示所有調(diào)用者、用途和下游破壞；rename_symbol 原子性地準(zhǔn)備全工作區(qū)的重命名編輯。
• 加速調(diào)試：debug_trace 解析 5 種語言（Python、JS/TS、Go、C/C++、Rust）的堆棧追蹤，用 LSP 上下文豐富每幀（類型信息、定義、引用計數(shù)），自動定位根因 —— 省去 Agent 逐幀讀文件的過程。
• 跨環(huán)境可靠工作：優(yōu)雅降級意味著 Agent 始終獲得診斷能力 ——LSP 可用時使用完整功能，不可用時自動切換到 CLI 回退（pyright、go vet、tsc）。check_health 報告各語言服務(wù)器狀態(tài)和修復(fù)步驟。
• 原生支持 Monorepo：自動檢測子項目邊界（pyproject.toml、go.mod、tsconfig.json、CMakeLists.txt）并解析各自工具鏈 ——Agent 無需預(yù)先了解倉庫布局。
• CodeBrain-1 開源地址：https://github.com/feelingai-team/CodeBrai

MemBrain 如何重構(gòu) Agentic 原生記憶大腦？

在 OpenAI 和 Anthropic 持續(xù)推高上下文窗口的上限時，MemBrain 的破局點在于用 Agentic 原生思路重構(gòu)整個記憶系統(tǒng)。MemBrain 在算法結(jié)構(gòu)的優(yōu)化中，讓記憶系統(tǒng)學(xué)會 "主動思考"，針對長時上下文進(jìn)行了深度的結(jié)構(gòu)化工程優(yōu)化，以及讓 Agentic Memory 主動適配大模型原生能力，深度參與推理。

MemBrain 1.5 再次刷新多項主流測試 SOTA

MemBrain1.0 在 LoCoMo / LongMemEval / PersonaMem-v2 等多項主流記憶基準(zhǔn)評測中拿下全新 SOTA，反超 MemOS、Zep 和 EverMemOS 等記憶系統(tǒng)和全上下文模型；在 KnowMeBench Level III 兩個難度等級最高的評測中更是比現(xiàn)有評測結(jié)果大幅提升超 300%。

對比一個多月前的 1.0 版本，MemBrain 1.5 除了在各項主流基準(zhǔn)評測中的分?jǐn)?shù)均顯著提升外，團隊還通過自適應(yīng)實體樹算法等創(chuàng)新，進(jìn)一步對記憶存儲、組織和檢索等策略進(jìn)行了優(yōu)化迭代。

純文本和圖結(jié)構(gòu)都無法解決 Agent 的記憶難題

“一切皆文件” 的純文本方案（如 OpenClaw）簡單透明，格式上天然貼合 LLM 的閱讀習(xí)慣。LLM 可以自主設(shè)計目錄結(jié)構(gòu)，文件路徑本身便構(gòu)成一種層次化的組織方式，記憶以自然語言形態(tài)存儲，語義保真度高，表達(dá)靈活。但當(dāng)同一條信息與多個上下文相關(guān)時，這些跨上下文的關(guān)聯(lián)并未被顯式建模 —— 它們散落在不同文件的自然語言段落中，系統(tǒng)層面沒有機制將它們結(jié)構(gòu)化地關(guān)聯(lián)起來。但代價是把太多決策交給了 LLM—— 哪些信息值得記、怎么組織、新舊矛盾怎么處理，全靠 LLM 即時判斷。記憶的存儲和索引完全依賴自然語言結(jié)構(gòu)，變更難以溯源審計；檢索主要靠 LLM 調(diào)用基礎(chǔ)工具逐個翻文件；記憶的管理和維護本身也需要大量 LLM 調(diào)用，token 消耗不經(jīng)濟，響應(yīng)延遲隨記憶量增長而惡化。

圖結(jié)構(gòu)方案（如 Graphiti）走向了另一側(cè)。它把知識拆成三元組存入時序知識圖譜，每條邊帶有時間有效窗口。工程基礎(chǔ)恰好補上了純文本方案的短板：結(jié)構(gòu)化程度高，溯源審計天然可做，embedding、BM25、圖遍歷等檢索手段都能方便集成，也支持流式處理和異步更新，查詢實時性好。但仍然存在一個根本性矛盾：當(dāng)下主流基座模型的架構(gòu)更適配線性或樹狀的信息排列，而圖結(jié)構(gòu)的檢索主要依賴圖算法完成，LLM 無法深度參與搜索過程本身，只能在后續(xù)的結(jié)果聚合和 "翻譯" 環(huán)節(jié)介入 —— 將三元組和實體摘要拼成可用的上下文。這個過程不可避免地伴隨語義損耗。

純文本方案保留了語義保真卻缺失顯式關(guān)聯(lián)，圖結(jié)構(gòu)方案建立了顯式關(guān)聯(lián)卻犧牲語義保真 ——MemBrain 1.5 嘗試從記憶組織拓?fù)浞较蛏贤瑫r回應(yīng)這兩個問題的一小步。

MemBrain1.5 持續(xù)進(jìn)化的記憶組織拓?fù)?/strong>

記憶的寫入、組織、檢索與過期，每個環(huán)節(jié)都需匹配精密的工程約束：既不能簡單地將其全盤拋給模型，也不該用僵化的工作流將模型徹底鎖死。MemBrain 1.5 新加入了自適應(yīng)實體樹算法，從記憶組織拓?fù)涑掷m(xù)優(yōu)化 Agent 原生記憶能力。核心思路是在記憶管理的設(shè)計中，一部分由預(yù)定義的結(jié)構(gòu)約束確定，一部分留給 Agent 去探索怎么用好。

以實體為中心，用自適應(yīng)語義樹在兩者之間建立橋梁。樹的葉節(jié)點是從對話中提取的原子事實，中間層是由 Agent 按主題聚類生成的語義分支。樹的骨架 —— 層次路徑、深度限制、分支上限 —— 是先驗的工程約束；樹的內(nèi)容 —— 怎么聚類、怎么摘要、新事實歸入哪個分支 —— 由專用 Agent 動態(tài)決定。輸出天然按 “實體 → 主題 → 事實” 分層組織，LLM 直接閱讀即可。寫入側(cè)，多 Agent 流水線承擔(dān)事實抽取、實體消解、結(jié)構(gòu)更新；檢索側(cè)，Agent 的參與程度隨問題復(fù)雜度漸進(jìn)升級。先驗的工程結(jié)構(gòu)承擔(dān) 80% 的重活，Agent 的智能聚焦在真正需要判斷的 20% 上，這無疑既可以提升效率又能降低成本。

一次性解決 3 個關(guān)鍵難題：通過算法層的設(shè)計和創(chuàng)新解決信息怎么存、怎么組織和怎么找。

• 怎么存：富語境的原子事實

傳統(tǒng)圖方案把知識拆成 (A, 關(guān)系，B) 三元組 —— 一句自然語言就能說明白的事情，要拆成多條邊才能存進(jìn)圖里，既困難又有損，語境關(guān)聯(lián)在拆分中不可避免地斷裂。

MemBrain 的原子事實走另一條路：每條事實本身就是一個 "小子圖"，自帶時序信息，同時通過別名關(guān)聯(lián)到多個實體，天然無需拆分，并以統(tǒng)一的格式規(guī)范保證結(jié)構(gòu)一致。別名指向?qū)嶓w本身，而實體的描述可以隨對話不斷演化 —— 因此每條事實本質(zhì)上是一個可渲染的模板：事實內(nèi)容穩(wěn)定不變，但其中關(guān)聯(lián)的實體信息始終跟隨最新狀態(tài)。當(dāng)事實作為檢索結(jié)果返回時，別名按需被動態(tài)替換為規(guī)范名稱和最新描述，最終給到 LLM 的文本既精確又自然，無需額外的格式轉(zhuǎn)換，同時附帶了更豐富的上下文。

• 怎么組織：自適應(yīng)實體樹

這是 MemBrain 與圖方案最根本的結(jié)構(gòu)差異。當(dāng)一個實體在多條原子事實中反復(fù)出現(xiàn)，它就具備了聚合價值 —— 我們?yōu)檫@樣的實體維護一棵語義樹：根節(jié)點是實體，中間層是 Agent 自動聚類的主題分支，葉節(jié)點是具體事實。樹的每條路徑本身就承載了連貫的語義信息，從實體到主題再到事實，層層遞進(jìn)。

這棵樹支持在線增量維護：事實較少時保持平坦結(jié)構(gòu)，積累到閾值后由聚類 Agent 自動升級為層次結(jié)構(gòu)；新事實由分配 Agent 判斷歸入哪個分支，過載時自動分裂，并定期異步聚合。維護復(fù)雜度隨數(shù)據(jù)量平緩增長，無需全量重建。同時，樹結(jié)構(gòu)也提供了一條天然的檢索路徑 —— 沿主題分支向下導(dǎo)航，輸出按 "實體 → 主題 → 事實" 分層組織，給到 LLM 的是一份結(jié)構(gòu)清晰的簡報，而非一堆需要自行拼湊的線索。

• 怎么找：漸進(jìn)式檢索策略

大多數(shù)查詢走多路并行，一次出結(jié)果：全文檢索、向量檢索等傳統(tǒng)手段負(fù)責(zé)召回，MemBrain 獨有的樹檢索從主題分支提供全局視野，加上別名指針自動帶入實體的上下文信息，無需額外調(diào)用 LLM 即可快速響應(yīng)。當(dāng)問題需要跨主題聚合或推理時，系統(tǒng)啟用多查詢擴展，由 LLM 將問題改寫為多種互補形式分別檢索，拓寬召回面。而遇到涉及多個實體、多條時間線、單輪難以覆蓋的問題，則開啟Agentic 模式：第一輪檢索后由反思 Agent 分析信息缺口，判斷 "已經(jīng)找到了什么、還缺什么"，再定向補檢。

Agent 的判斷力被精確地用在它最擅長的地方 —— 判斷信息夠不夠、缺什么、怎么補 —— 而不是去操心底層的索引和排序。

社區(qū)開發(fā)者和普通用戶也可以輕松上手測評

開源的內(nèi)容除了技術(shù) Report 和源代碼外，社區(qū)用戶和開發(fā)者還可以直接通過一個前端 Demo 進(jìn)行體驗。用戶只需在本地部署后配置自己的 LLM API KEY，即可在帶有系統(tǒng)提示詞的 AI 助手引導(dǎo)下，快速了解 MemBrain 的使用方法。

為方便用戶測試，在 Chat Demo 中用戶可以選擇已有人設(shè)信息的模版角色，也可以自己創(chuàng)建新角色并賦予角色個性化的人設(shè)信息，隨即展開一段記憶能力超絕的聊天體驗。

卓越的記憶能力為模型賦予了 “靈魂”。隨著 Memory 成為 Agentic AI 基礎(chǔ)設(shè)施層的核心標(biāo)配，我們正在見證 AI 從 “無狀態(tài)” 的單次調(diào)用，向 “有意識” 的長程進(jìn)化跨越。MemBrain 這種原生層級化記憶系統(tǒng)的出現(xiàn)，標(biāo)志著 Agentic AI 正從單一的模型能力演進(jìn)為深度的用戶體驗升級 —— 一個與用戶共同生長、深度耦合的共生型 AI 時代已正式開啟。

此外，針對 Memory Database 可視化，團隊還開源了一個 Benchmark Evaluation 的可視化工具，以便開發(fā)者更清晰的了解算法執(zhí)行的情況。

Agentic Memory 實用的工程經(jīng)驗與未來方向

此外，Feeling AI 還分享了一些實用的工程經(jīng)驗與未來方向。

數(shù)據(jù)庫不應(yīng)該僅僅是存儲待檢索對象的容器，它是記憶系統(tǒng)最重要的基建。他們的開發(fā)經(jīng)驗是，把數(shù)據(jù)庫與記憶系統(tǒng)的耦合做得越緊密，收益越明顯?？伤菰?、可審計、可隔離、可同步 —— 這些能力讓實驗和迭代的節(jié)奏快了很多：每一步操作都有跡可循、可以回滾，試錯成本極低。當(dāng)基建足夠扎實，Agent 在記憶管理中的每一次決策和結(jié)果都會自然地沉淀下來，成為系統(tǒng)持續(xù)改進(jìn)的養(yǎng)分。

團隊還提到，另一個值得關(guān)注的方向是檢索過程本身的信號價值。目前對記憶系統(tǒng)的評測普遍關(guān)注最終答案對不對，但檢索路徑本身也在暴露記憶的組織方式與實際問題分布之間的 "摩擦"。一個自然的想法是：在檢索過程中順便對所經(jīng)路徑上的記憶做輕量的動態(tài)調(diào)整，讓記憶組織自發(fā)地向高頻問題的分布靠攏 —— 每次調(diào)用不只是在 "取東西"，也在順手理貨。真正的挑戰(zhàn)在工程側(cè)：怎么保證增量更新的穩(wěn)定性，怎么把重組成本均攤到日常維護中異步消化，而不拖慢響應(yīng)。

• MemBrain1.5 開源地址：https://github.com/feelingai-team/MemBrain

世界模型公司為什么也要做好 Agentic 大腦？

一個真正的 “世界模型”，不應(yīng)只是現(xiàn)實的鏡像，而應(yīng)是現(xiàn)實與 “智能大腦” 的有機合體。Feeling AI 認(rèn)為動態(tài)交互是世界模型通向 AGI 的終極拼圖 —— 如何讓世界模型真正走向動態(tài)世界的智能交互，而世界動態(tài)交互的核心也正在從 “人” 變?yōu)?“人和 AI”，多模態(tài)融合是世界模型的原生框架。

缺乏認(rèn)知與推理能力的世界模型只是一個 “沒有靈魂的空殼”。這就需要在世界模型的底層架構(gòu)中，為世界模型配上 “原生大腦”，并設(shè)計好 Agentic 原生的多模態(tài)交互協(xié)議接口，這直接關(guān)系到用戶交互的體驗。其原創(chuàng)的跨模態(tài)分層架構(gòu)提出了三層核心能力 —— 負(fù)責(zé)理解、記憶與規(guī)劃的 InteractBrain，負(fù)責(zé)能力執(zhí)行的 InteractSkill，以及負(fù)責(zé)渲染呈現(xiàn)的 InteractRender，MemBrain 與 CodeBrain 都屬于 InteractBrain 部分，通過層級化記憶與代碼級理性的深度合成，精準(zhǔn)定位在復(fù)雜動態(tài)交互場景下的深度理解與長程規(guī)劃。

此外，F(xiàn)eeling AI 創(chuàng)始人戴勃在最新接受媒體專訪時還透露，團隊在核心層 InteractSkill 部分也取得了重要進(jìn)展，正在訓(xùn)練一個全新架構(gòu)的動力學(xué)世界模型，在 3D 原生的結(jié)構(gòu)下通過原創(chuàng)的 IKGT 算法（Interactable Kinetics Grounded Transformer），實現(xiàn)對人類運動交互的生成與狀態(tài)預(yù)測，模型首次在 CPU 上跑出 300FPS 的響應(yīng)速率，且模型通過實時推理達(dá)到了 100% 的狀態(tài)重置和糾偏，魯棒性極強。

動態(tài)交互底層模型能力的補齊，將與空間智能（李飛飛教授 World Labs）以及因果邏輯和常識智能（Yann LeCun AMI），共同加速世界模型底層基礎(chǔ)設(shè)施和核心能力的構(gòu)建。

中國團隊持續(xù)在 Agentic 大腦和世界模型的底層能力比拼上，正以定義者的身份參與全球技術(shù)升級到工程和商業(yè)落地的閉環(huán)。從大語言模型到世界模型，從文字對話到多模態(tài)動態(tài)交互，生成式 AI 也許正在經(jīng)歷一個必然的拐點 —— 全新的范式將在 “人與 AI” 的深度協(xié)同中形成，而世界模型正引領(lǐng) AI 從 Next Token Prediction 走向更高維的 Next State Prediction。