最强大脑组合！全球SOTA的逻辑和记忆CodeBrain-1&MemBrain1.5同时开源

刚刚，世界模型初创公司 Feeling AI 正式发布并开源 MemBrain1.5 和 CodeBrain-1。这两项在全球 Agentic 领域的顶尖工作同时开源，将正式终结 AI “无状态” 的工具时代，为世界模型植入具备自主逻辑与层级化记忆的 “原生大脑”，开启人机深度协同的交互新范式。

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

CodeBrain 如何为 Agent 换上 “编译器之眼”？

CodeBrain 作为具备动态规划与策略调整能力的 “进化大脑”，它通过优化任务的执行逻辑和错误反馈机制，显著提升了模型在真实终端环境下的操作成功率。在技术实现上专注打磨了两个直接影响 “能否成功且高效地完成任务” 的环节。一则是 Useful Context Searching：只用 “真正有用” 的上下文，二则是 Validation Feedback：让失败真正变成信息。

春节前 CodeBrain-1 搭载 GPT-5.3-Codex 底座模型更是在衡量 Agent 真实工程能力全球权威基准 Terminal-Bench 2.0 榜单上一举冲到 72.9% 并跻身全球排行榜前列，成为榜单前 10 中唯一的中国团队。

CodeBrain-1.5 持续领跑全球：性能更优、成本腰斩

除了此次开源的 CodeBrain-1，CodeBrain-1.5 以 81.3% 的成绩，持续领跑全球开源和闭源队列，在 Claude-Opus-4.6、MiniMax-M2.5、GLM-5、Qwen3.5 等 Terminus-2 Baseline 的基础上均能大幅提升基座模型的成绩和性能表现。

天下苦 Token 又费又贵久矣！

值得一提的是，除了技术指标的持续领先，CodeBrain 还大幅降低了开发者和付费用户的使用成本。在 Terminal-Bench 2.0 的 89 全量任务测试中，使用 Claude-Opus-4.6 的 Token 成本为 $313.0，而在 CodeBrain 的加持下这一成本仅为 $112.9，直降 63.9%。这也证明了结构化感知不仅是精度问题，更是商业和生意问题。

实践中的弊端越来越明显：缺乏编译器级别的诊断

目前的顶尖 Agent（如 Claude Code、Cursor、OpenCode）缺乏结构化的代码智能，在处理小型文件时表现惊艳，但一旦进入多语言、数百万行代码的 Monorepo（大仓库），便会陷入 “情报困局”。它们通常依赖原始的文本搜索（grep）和文件读取（cat）来理解代码，目前没有标准方式让 Agent 在编辑循环中获取编译器级别的诊断、符号导航或影响分析。这种方式在工程实践中的弊端已经越来越明显：

• 低效： 为了找一个函数定义，Agent 可能要执行几十次 ls 和 find
• 模糊： 简单的字符串匹配无法区分 “函数调用” 与 “注释文本”
• 脆弱： 一旦环境配置微调，Agent 就会因为找不到依赖而陷入死循环

5 层架构：任何 Agent 均可调用的工业级逻辑大脑

Agent 的大脑在加速迭代中始终缺乏一套能看穿代码逻辑的 “视觉神经”。针对这一瓶颈，CodeBrain 给出了一套极具工程美学的解决方案。它不是一个简单的 Prompt 集合，而是一个分为 5 层、约 7,600 行代码的 Python 库 + MCP 服务器，将 LSP 语言服务器和 tree-sitter 语法封装为 11 个面向意图的工具，任何 Agent 均可调用，并赋予 Agent 架构师级的逻辑直觉。其 5 层可堪为工业级架构包含：

• 核心层：模型，配置，工作区，工具链 
• 引擎层： LSP 引擎 + 降级链，Tree-sitter 搜索 
• 工具层： 8 个原子操作实现验证、导航和搜索
• 技能层：上下文诊断，影响分析，符号搜索
• MCP 服务器 ：一键可用，11 个面向意图的工具

此外，在此次开源的版本中还支持了多种供开发者灵活使用的功能：

• 多语言支持： Python、Go、TypeScript/JavaScript、C/C++ 统一接口。
• 优雅降级链 ：FallbackChain 在语言服务器不可用时自动切换到 CLI 工具（pyright、go vet、tsc）。
• Monorepo 感知：自动发现子项目并解析各自工具链（venv、go.mod、tsconfig、CMake）。
• 零框架耦合：纯 Python，兼容任意 MCP 客户端。
• 面向意图的工具：将 20 个底层 LSP 操作整合为 LLM 实际需要的工具：validate、explore_symbol、search、check_impact、debug_trace、rename_symbol 等。

开发者直接在 Claude Code 调用工具和 MCP 演示

让 Agent 从 “工程师助手” 变为 “可信赖的交付专家”

基于严谨的架构设计和众多灵巧的功能特性，CodeBrain 为 Agent 实打实带来了顶尖工程师级别的能力升级和成本节省，让 Agent 真正从 “聪明的工程师助手” 变为 “可信赖的交付专家”。

• 快速掌握项目结构：通过 outline + list_subprojects，Agent 一次调用即可获取代码库的文件层级、符号树和子项目边界，替代数十次 ls、cat、find 操作。
• 降低代码搜索成本：基于 tree-sitter 的结构化搜索（search）按语法角色查找符号（函数定义、类声明、接口实现），而非简单字符串匹配；结合 PageRank 符号图，Agent 优先找到关键内容，无需在 grep 噪音中筛选。
• 收紧编辑-验证循环：validate 在编辑后立即提供编译器级诊断（错误、警告），附带完整上下文（定义位置、引用、类型信息、修复建议）；Agent 无需运行完整构建即可捕获类型错误、缺失导入和签名不匹配。
• 使重构更安全：check_impact + explore_symbol 在 Agent 提交更改前展示所有调用者、用途和下游破坏；rename_symbol 原子性地准备全工作区的重命名编辑。
• 加速调试：debug_trace 解析 5 种语言（Python、JS/TS、Go、C/C++、Rust）的堆栈追踪，用 LSP 上下文丰富每帧（类型信息、定义、引用计数），自动定位根因 —— 省去 Agent 逐帧读文件的过程。
• 跨环境可靠工作：优雅降级意味着 Agent 始终获得诊断能力 ——LSP 可用时使用完整功能，不可用时自动切换到 CLI 回退（pyright、go vet、tsc）。check_health 报告各语言服务器状态和修复步骤。
• 原生支持 Monorepo：自动检测子项目边界（pyproject.toml、go.mod、tsconfig.json、CMakeLists.txt）并解析各自工具链 ——Agent 无需预先了解仓库布局。

• CodeBrain-1 开源地址：https://github.com/feelingai-team/CodeBrain

MemBrain 如何重构 Agentic 原生记忆大脑？

在 OpenAI 和 Anthropic 持续推高上下文窗口的上限时，MemBrain 的破局点在于用 Agentic 原生思路重构整个记忆系统。MemBrain 在算法结构的优化中，让记忆系统学会 "主动思考"，针对长时上下文进行了深度的结构化工程优化，以及让 Agentic Memory 主动适配大模型原生能力，深度参与推理。

MemBrain 1.5 再次刷新多项主流测试 SOTA

MemBrain1.0 在 LoCoMo / LongMemEval / PersonaMem-v2 等多项主流记忆基准评测中拿下全新 SOTA，反超 MemOS、Zep 和 EverMemOS 等记忆系统和全上下文模型；在 KnowMeBench Level III 两个难度等级最高的评测中更是比现有评测结果大幅提升超 300%。

对比一个多月前的 1.0 版本，MemBrain 1.5 除了在各项主流基准评测中的分数均显著提升外，团队还通过自适应实体树算法等创新，进一步对记忆存储、组织和检索等策略进行了优化迭代。

纯文本和图结构都无法解决 Agent 的记忆难题

“一切皆文件” 的纯文本方案（如 OpenClaw）简单透明，格式上天然贴合 LLM 的阅读习惯。LLM 可以自主设计目录结构，文件路径本身便构成一种层次化的组织方式，记忆以自然语言形态存储，语义保真度高，表达灵活。但当同一条信息与多个上下文相关时，这些跨上下文的关联并未被显式建模 —— 它们散落在不同文件的自然语言段落中，系统层面没有机制将它们结构化地关联起来。但代价是把太多决策交给了 LLM—— 哪些信息值得记、怎么组织、新旧矛盾怎么处理，全靠 LLM 即时判断。记忆的存储和索引完全依赖自然语言结构，变更难以溯源审计；检索主要靠 LLM 调用基础工具逐个翻文件；记忆的管理和维护本身也需要大量 LLM 调用，token 消耗不经济，响应延迟随记忆量增长而恶化。

图结构方案（如 Graphiti）走向了另一侧。它把知识拆成三元组存入时序知识图谱，每条边带有时间有效窗口。工程基础恰好补上了纯文本方案的短板：结构化程度高，溯源审计天然可做，embedding、BM25、图遍历等检索手段都能方便集成，也支持流式处理和异步更新，查询实时性好。但仍然存在一个根本性矛盾：当下主流基座模型的架构更适配线性或树状的信息排列，而图结构的检索主要依赖图算法完成，LLM 无法深度参与搜索过程本身，只能在后续的结果聚合和 "翻译" 环节介入 —— 将三元组和实体摘要拼成可用的上下文。这个过程不可避免地伴随语义损耗。

纯文本方案保留了语义保真却缺失显式关联，图结构方案建立了显式关联却牺牲语义保真 ——MemBrain 1.5 尝试从记忆组织拓扑方向上同时回应这两个问题的一小步。

MemBrain1.5 持续进化的记忆组织拓扑

记忆的写入、组织、检索与过期，每个环节都需匹配精密的工程约束：既不能简单地将其全盘抛给模型，也不该用僵化的工作流将模型彻底锁死。MemBrain 1.5 新加入了自适应实体树算法，从记忆组织拓扑持续优化 Agent 原生记忆能力。核心思路是在记忆管理的设计中，一部分由预定义的结构约束确定，一部分留给 Agent 去探索怎么用好。

以实体为中心，用自适应语义树在两者之间建立桥梁。树的叶节点是从对话中提取的原子事实，中间层是由 Agent 按主题聚类生成的语义分支。树的骨架 —— 层次路径、深度限制、分支上限 —— 是先验的工程约束；树的内容 —— 怎么聚类、怎么摘要、新事实归入哪个分支 —— 由专用 Agent 动态决定。输出天然按 “实体 → 主题 → 事实” 分层组织，LLM 直接阅读即可。写入侧，多 Agent 流水线承担事实抽取、实体消解、结构更新；检索侧，Agent 的参与程度随问题复杂度渐进升级。先验的工程结构承担 80% 的重活，Agent 的智能聚焦在真正需要判断的 20% 上，这无疑既可以提升效率又能降低成本。

一次性解决 3 个关键难题：通过算法层的设计和创新解决信息怎么存、怎么组织和怎么找。

• 怎么存：富语境的原子事实

传统图方案把知识拆成 (A, 关系，B) 三元组 —— 一句自然语言就能说明白的事情，要拆成多条边才能存进图里，既困难又有损，语境关联在拆分中不可避免地断裂。

MemBrain 的原子事实走另一条路：每条事实本身就是一个 "小子图"，自带时序信息，同时通过别名关联到多个实体，天然无需拆分，并以统一的格式规范保证结构一致。别名指向实体本身，而实体的描述可以随对话不断演化 —— 因此每条事实本质上是一个可渲染的模板：事实内容稳定不变，但其中关联的实体信息始终跟随最新状态。当事实作为检索结果返回时，别名按需被动态替换为规范名称和最新描述，最终给到 LLM 的文本既精确又自然，无需额外的格式转换，同时附带了更丰富的上下文。

• 怎么组织：自适应实体树

这是 MemBrain 与图方案最根本的结构差异。当一个实体在多条原子事实中反复出现，它就具备了聚合价值 —— 我们为这样的实体维护一棵语义树：根节点是实体，中间层是 Agent 自动聚类的主题分支，叶节点是具体事实。树的每条路径本身就承载了连贯的语义信息，从实体到主题再到事实，层层递进。

这棵树支持在线增量维护：事实较少时保持平坦结构，积累到阈值后由聚类 Agent 自动升级为层次结构；新事实由分配 Agent 判断归入哪个分支，过载时自动分裂，并定期异步聚合。维护复杂度随数据量平缓增长，无需全量重建。同时，树结构也提供了一条天然的检索路径 —— 沿主题分支向下导航，输出按 "实体 → 主题 → 事实" 分层组织，给到 LLM 的是一份结构清晰的简报，而非一堆需要自行拼凑的线索。

• 怎么找：渐进式检索策略

大多数查询走多路并行，一次出结果：全文检索、向量检索等传统手段负责召回，MemBrain 独有的树检索从主题分支提供全局视野，加上别名指针自动带入实体的上下文信息，无需额外调用 LLM 即可快速响应。当问题需要跨主题聚合或推理时，系统启用多查询扩展，由 LLM 将问题改写为多种互补形式分别检索，拓宽召回面。而遇到涉及多个实体、多条时间线、单轮难以覆盖的问题，则开启 Agentic 模式：第一轮检索后由反思 Agent 分析信息缺口，判断 "已经找到了什么、还缺什么"，再定向补检。

Agent 的判断力被精确地用在它最擅长的地方 —— 判断信息够不够、缺什么、怎么补 —— 而不是去操心底层的索引和排序。

社区开发者和普通用户也可以轻松上手测评

开源的内容除了技术 Report 和源代码外，社区用户和开发者还可以直接通过一个前端 Demo 进行体验。用户只需在本地部署后配置自己的 LLM API KEY，即可在带有系统提示词的 AI 助手引导下，快速了解 MemBrain 的使用方法。

为方便用户测试，在 Chat Demo 中用户可以选择已有人设信息的模版角色，也可以自己创建新角色并赋予角色个性化的人设信息，随即展开一段记忆能力超绝的聊天体验。

卓越的记忆能力为模型赋予了 “灵魂”。随着 Memory 成为 Agentic AI 基础设施层的核心标配，我们正在见证 AI 从 “无状态” 的单次调用，向 “有意识” 的长程进化跨越。MemBrain 这种原生层级化记忆系统的出现，标志着 Agentic AI 正从单一的模型能力演进为深度的用户体验升级 —— 一个与用户共同生长、深度耦合的共生型 AI 时代已正式开启。

此外，针对 Memory Database 可视化，团队还开源了一个 Benchmark Evaluation 的可视化工具，以便开发者更清晰的了解算法执行的情况。

Agentic Memory 实用的工程经验与未来方向

此外，Feeling AI 还分享了一些实用的工程经验与未来方向。

数据库不应该仅仅是存储待检索对象的容器，它是记忆系统最重要的基建。他们的开发经验是，把数据库与记忆系统的耦合做得越紧密，收益越明显。可溯源、可审计、可隔离、可同步 —— 这些能力让实验和迭代的节奏快了很多：每一步操作都有迹可循、可以回滚，试错成本极低。当基建足够扎实，Agent 在记忆管理中的每一次决策和结果都会自然地沉淀下来，成为系统持续改进的养分。

团队还提到，另一个值得关注的方向是检索过程本身的信号价值。 目前对记忆系统的评测普遍关注最终答案对不对，但检索路径本身也在暴露记忆的组织方式与实际问题分布之间的 "摩擦"。一个自然的想法是：在检索过程中顺便对所经路径上的记忆做轻量的动态调整，让记忆组织自发地向高频问题的分布靠拢 —— 每次调用不只是在 "取东西"，也在顺手理货。真正的挑战在工程侧：怎么保证增量更新的稳定性，怎么把重组成本均摊到日常维护中异步消化，而不拖慢响应。

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

世界模型公司为什么也要做好 Agentic 大脑？

一个真正的 “世界模型”，不应只是现实的镜像，而应是现实与 “智能大脑” 的有机合体。Feeling AI 认为动态交互是世界模型通向 AGI 的终极拼图 —— 如何让世界模型真正走向动态世界的智能交互，而世界动态交互的核心也正在从 “人” 变为 “人和 AI”，多模态融合是世界模型的原生框架。

缺乏认知与推理能力的世界模型只是一个 “没有灵魂的空壳”。这就需要在世界模型的底层架构中，为世界模型配上 “原生大脑”，并设计好 Agentic 原生的多模态交互协议接口，这直接关系到用户交互的体验。其原创的跨模态分层架构提出了三层核心能力 —— 负责理解、记忆与规划的 InteractBrain，负责能力执行的 InteractSkill，以及负责渲染呈现的 InteractRender，MemBrain 与 CodeBrain 都属于 InteractBrain 部分，通过层级化记忆与代码级理性的深度合成，精准定位在复杂动态交互场景下的深度理解与长程规划。

此外，Feeling AI 创始人戴勃在最新接受媒体专访时还透露，团队在核心层 InteractSkill 部分也取得了重要进展，正在训练一个全新架构的动力学世界模型，在 3D 原生的结构下通过原创的 IKGT 算法（Interactable Kinetics Grounded Transformer），实现对人类运动交互的生成与状态预测，模型首次在 CPU 上跑出 300FPS 的响应速率，且模型通过实时推理达到了 100% 的状态重置和纠偏，鲁棒性极强。

动态交互底层模型能力的补齐，将与空间智能（李飞飞教授 World Labs）以及因果逻辑和常识智能（Yann LeCun AMI），共同加速世界模型底层基础设施和核心能力的构建。

中国团队持续在 Agentic 大脑和世界模型的底层能力比拼上，正以定义者的身份参与全球技术升级到工程和商业落地的闭环。从大语言模型到世界模型，从文字对话到多模态动态交互，生成式 AI 也许正在经历一个必然的拐点 —— 全新的范式将在 “人与 AI” 的深度协同中形成，而世界模型正引领 AI 从 Next Token Prediction 走向更高维的 Next State Prediction。

文章来自于"机器之心"，作者 "机器之心"。