amem (Amanasmuei)

amem

The memory layer for AI coding tools.

Tell your AI once — it remembers everywhere.

Quick Start · How It Works · Benchmarks · Tools · Dashboard · Architecture

______________________________________________________________________

💡 问题

每个AI工具都是从零开始的。每次会议。每一个工具。

- You: "Don't use 'any' in TypeScript"     → told Claude 3 times. Copilot still doesn't know.
- You: "We chose PostgreSQL over MongoDB"   → explained in Cursor. Claude has no idea.
+ With amem: tell it once, every AI tool remembers — forever.

See it in action

You (in Claude Code):  "Don't use any type in TypeScript"
  └─ amem stores this as a correction (priority 1.0, confidence 100%)

You (switch to Copilot): starts coding
  └─ Copilot already knows — amem feeds it the same correction

You (open Cursor): "What do you remember about TypeScript?"
  └─ Instantly recalls: "Don't use any type" + all related preferences

没有云。没有API密钥。一个SQLite文件。一切都在你的机器上。

______________________________________________________________________

🚀 快速开始

克劳德代码 （推荐）

/plugin marketplace add amanasmuei/amem
/plugin install amem

GitHub Copilot 命令行工具

copilot plugin marketplace add amanasmuei/amem
copilot plugin install amem

📦 Cursor / Windsurf / Any MCP Client

npm install -g @aman_asmuei/amem
amem-cli init      # Detects & configures all installed AI tools
amem-cli rules     # Generates extraction rules for proactive memory use

或者手动添加到MCP配置中：

{
  "mcpServers": {
    "amem": {
      "command": "npx",
      "args": ["-y", "@aman_asmuei/amem"]
    }
  }
}

验证它是否有效：

amem-cli stats     # Should show "0 memories" initially

💬 告诉你的AI： *“记住：始终使用严格的TypeScript，永远不要使用任何类型”* 🔄 开始a 新 会话： *“你还记得TypeScript吗？”* --它立刻回忆起来。

______________________________________________________________________

🧬 由...驱动 amem-core

amem 是MCP服务器。检索引擎存在于 @aman_asmuei/amem-core.

     Claude Code / Copilot / Cursor / any MCP client
                        │
                        │ MCP (stdio)
                        ▼
        ┌──────────────────────────────────┐
        │  @aman_asmuei/amem  (this pkg)   │
        │  33 Tools · 7 Resources · 2 Prompts
        │  CLI · Hooks · Dashboard         │
        └───────────────┬──────────────────┘
                        │ imports
                        ▼
        ┌──────────────────────────────────┐
        │  @aman_asmuei/amem-core          │
        │  Embeddings · HNSW · Recall      │
        │  Knowledge Graph · Reflection    │
        │  97.8% R@5 on LongMemEval-S      │
        └───────────────┬──────────────────┘
                        ▼
              ┌────────────────────┐
              │  SQLite + WAL      │
              │  ~/.amem/memory.db │
              └────────────────────┘

Why two packages?

相同的发动机功率 amem （MCP服务器）， aman-agent （CLI）， aman-tg （Telegram机器人），以及任何你给内存的Node应用程序。检索改进通过 amem-core.MCP工具通过以下方式更换船只 amem。它们独立版本。

这 5时为97.8% 标题是发动机质量 amem-core （LongMemEval-S，会话级，500个问题，零API调用）-无论您是通过MCP调用它还是直接导入库，都会得到确切的结果。

______________________________________________________________________

⚙️ 运作原理

amem捕获知识 三层 --从全自动到全手动：

内存类型

修正总是先出现的——它们是人工智能的硬约束。

🔄 Memory Tiers & Temporal Validity

内存层

时间有效性

记忆不是永恒的。当事实发生变化时：

• 旧的记忆得到 过期的 （未删除）--保留 *“三月的事是真的吗？”*
• 矛盾是 自动检测 ��� 存储新决策会自动使旧决策过期
• 使用查询任意时间点 memory_since

🧠 Self-Evolving Memory Loop

你的记忆不仅仅是储存 从自身结构中学习.致电 memory_reflect 以触发反射引擎：

memory_reflect → Analyzes your entire memory graph
  │
  ├─ Clusters related memories (HNSW neighbor graph)
  ├─ Detects contradictions (negation pairs, numerical, low-overlap)
  ├─ Identifies synthesis candidates
  ├─ Surfaces knowledge gaps (topics with sparse recall)
  └─ Returns a structured report with suggested actions

进化循环：

1. 反映 — memory_reflect 整理你的记忆，找出模式
2. 合成 --人工智能通过以下方式将相关集群合并为高阶原则 memory_store
3. 链接 — memory_relate 将合成与源记忆联系起来（通过合成谱系跟踪）
4. 重复 --每个周期，图形都变得更加连贯和抽象

当反思到期时（自上次运行以来>7天或>50个新记忆），系统会自动推送。

📊 What the reflection report looks like

# Memory Reflection Report
Analyzed 127 memories in 12ms
Health Score: 68/100

## Stats
- Clusters: 8 (avg size: 4.2)
- Clustered: 34 | Orphans: 93
- Contradictions: 2
- Synthesis candidates: 3
- Knowledge gaps: 4

## Contradictions Found
⚠ Opposing language detected (23d apart, 87% similar)
  A: a1b2c3d4 "Always use semicolons in JavaScript..."
  B: e5f6g7h8 "Never use semicolons in JavaScript..."
  → Expire older memory a1b2c3d4 — newer supersedes it

## Synthesis Candidates
### cluster-0 (4 patterns)
  "These 4 related memories form a cluster about 'typescript, types':
  [patterns]:
    - 'Always use strict TypeScript types'
    - 'Prefer strict null checks'
    - 'Use unknown instead of any'
    - 'Enable strictNullChecks in tsconfig'

  Synthesize into a higher-order principle..."

## Knowledge Gaps
- "kubernetes deployment" — asked 3x, avg 25% confidence
- "database migration strategy" — asked 2x, avg 0% confidence

______________________________________________________________________

📈 基准测试

召回准确性（LongMemEval）

所有号码来自 amem-core v0.5.1 --检索引擎为该MCP服务器供电。零API调用，全部本地，完全可复制。

LongMemEval-S（会话级别）——标题指标

500个问题·仅限CPU·零个API调用

LongMemEval Oracle（回合级别）

479个可评分问题·301秒运行时间·节点22

管道：当地 bge-small-en-v1.5 双编码器+ ms-marco-MiniLM-L-6-v2 交叉编码器（int8，批处理，默认打开）。看 amem核心基准 查看完整的每种类型的细分、管道演变和诚实的笔记。

为什么这对“用Rust重写”问题很重要。 上面10.3ms的重新排序数字反映了它所取代的每对实现的约30%的加速——通过约20行批处理加int8量化实现，无需本机重写。热门路径已经很有效了；剩下的胜利来自于更谨慎地使用它们。我们继续使用TypeScript。

搜索延迟

全面召回流程（v0.5.1+）

仅HNSW索引（矢量搜索）

测量：平均100次搜索，384次暗嵌入，前10名结果。

在任何尺度下均低于-0.1ms --实际上为O（log n）。HNSW是一个可选的依赖项；当不可用时，使用暴力作为后备。

______________________________________________________________________

🛠️ 工具参考

核心内存（7个工具）

Precision, History, Advanced, Admin, Reminders, and Maintenance tools (26 more)

精度和历史（5个工具）

高级（6个工具）

管理和同步（4个工具）

提醒（4个工具）

日志和维护（7个工具）

______________________________________________________________________

📖 使用指南

存储记忆

自然语言 （最简单）

"Remember: we use PostgreSQL, not MongoDB"
"Store a correction: never use console.log in production"
"Note that the auth module is in src/auth/"

显式工具调用

memory_store({
  content: "Never use 'any' — define proper interfaces",
  type: "correction",
  tags: ["typescript"],
  confidence: 1.0
})

回忆往事

// Step 1: Compact index — ~50-100 tokens (default)
memory_recall({ query: "auth decisions", limit: 5 })
// -> a1b2c3d4 [decision] Auth service uses JWT tokens... (92%)
// -> e5f6g7h8 [correction] Never store tokens in localStorage... (100%)

// Step 2: Full details only for what you need
memory_detail({ ids: ["a1b2c3d4", "e5f6g7h8"] })

More search options

// Multi-strategy: semantic + FTS5 + graph + temporal
memory_multi_recall({
  query: "authentication architecture",
  limit: 10,
  weights: { semantic: 0.4, fts: 0.3, graph: 0.15, temporal: 0.15 }
})

// Exact keyword search (FTS5 syntax)
memory_search({ query: "OAuth PKCE" })
memory_search({ query: '"event sourcing"' })     // phrase match
memory_search({ query: "auth* NOT legacy" })      // boolean

管理记忆

Edit, expire, promote, link

// Surgical edit with auto-snapshot for rollback
memory_patch({ id: "a1b2c3d4", field: "content", value: "Updated text", reason: "clarified" })

// View edit history / restore
memory_versions({ memory_id: "a1b2c3d4" })

// Expire (preserve for history, exclude from recall)
memory_expire({ id: "a1b2c3d4", reason: "Migrated to GraphQL" })

// Promote to core tier (always loaded at session start)
memory_tier({ id: "a1b2c3d4", tier: "core" })

// Link related memories (graph builds itself, but you can add manual links)
memory_relate({ action: "relate", from_id: "abc", to_id: "xyz", relation_type: "supports" })

关系类型： supports, contradicts, depends_on, supersedes, related_to, caused_by, implements --或者定义你自己的。

提醒事项

Cross-session deadline tracking

reminder_set({ content: "Review PR #42", due_at: 1743033600000, scope: "global" })

reminder_check({})
// -> [OVERDUE] Review PR #42
// -> [TODAY] Deploy auth service
// -> [upcoming] Write quarterly report

reminder_complete({ id: "a1b2c3d4" })

隐私

Automatic redaction

// Private blocks stripped before storage
memory_store({
  content: "DB password is 
hunter2
, connect to prod at db.example.com",
  type: "topology", tags: ["database"]
})
// Stored: "DB password is [REDACTED], connect to prod at db.example.com"

// API keys, tokens, passwords auto-redacted by pattern matching
// Configure patterns in ~/.amem/config.json

______________________________________________________________________

⚔️ 诚实的比较：amem与graphify

Click to expand — how amem compares to graphify

图形化 当人们找到amem时，最常见的是“X怎么样？”。他们解决 根本不同的问题 并且是真正互补的。

每个工具的作用

技术比较

每个人都赢了

阿梅姆在以下位置获胜：

• 记住您的偏好、更正和决定 跨项目和工具
• 语义回忆——从模糊查询中找到正确的记忆（97.8%R@5）
• 时间智能——追踪真实情况 *当*，自动到期矛盾
• 自我进化——反射引擎集群，检测矛盾，识别差距
• 零LLM依赖-一切都在本地运行，无需API调用

图形化获胜地点：

• 理解 代码结构 --调用图、导入、类层次结构、跨文件关系
• 多模式摄取——插入代码、论文、屏幕截图、视频，并将它们全部绘制出来
• 令牌效率——71.5倍压缩意味着您的AI读取结构，而不是原始文件
• 语言支持的广度——通过树型AST实现25种编程语言
• 广泛的AI工具支持——15个以上平台，带有专用安装命令

诚实的收获

1. 他们不竞争。 阿梅姆记得 *你的* 知识（决策、修正、偏好）。绘制地图 *代码库的* 结构（调用图、依赖关系、架构）。不同的数据，不同的访问模式。

1. 如果你愿意，可以两者都用。 跑 graphify . 获取项目的结构图。使用amem记住“我们选择这个架构是因为X。”图形告诉你的人工智能 *对存在*记忆告诉它 *为什么事情是这样的*.

1. graphify的平台覆盖范围更广 （15+AI工具）。amem在工作的地方有更深入的集成（MCP协议，有33个工具、结构化资源、提示）。

1. graphify需要非代码文件的LLM。 amem完全是本地的-没有API调用，没有超出本地嵌入模型的模型推理。

1. 真正的选择取决于你的痛点。 如果你的人工智能总是忘记你的偏好和决定→ amem.如果你的AI不能有效地浏览你的代码库→ 图形化。如果两者都有→ 两者都用。

______________________________________________________________________

🌐 平台兼容性

克劳德代码 具有最深入的集成（插件+钩子+自动内存同步）。 Copilot命令行界面 是第二位。 其他MCP客户端 通过手动配置获取完整的33工具服务器。

人工智能技能

Available skills by platform

______________________________________________________________________

🔄 使用Claude Code自动内存

amem是对Claude内置自动存储器的补充，它不会取代它。

推荐： 保持两者都启用。跑 amem-cli sync 将克劳德的记忆导入amem，以实现统一、结构化的访问。

Claude → amem sync

amem-cli sync              # Import all projects
amem-cli sync --dry-run    # Preview what would be imported
amem-cli sync --project myapp  # Import specific project

amem → Copilot sync

将amem记忆导出到 .github/copilot-instructions.md 所以Copilot将它们视为持久上下文：

amem-cli sync --to copilot              # Export to current project
amem-cli sync --to copilot --dry-run    # Preview without writing
amem-cli sync --to copilot --project /path/to/repo

这将生成按优先级分组的结构化标记：

1. 更正 （必须遵守）——硬约束
2. 决策 --建筑选择
3. 偏好 --用户偏好
4. 模式 --编码惯例
5. 上下文 --拓扑+事实

amem部分被包裹在 `` marks--保留文件中现有的非amem内容。

跨工具同步： Claude会话中做出的决定会自动通知Copilot：

Claude Code → amem sync → amem DB → amem sync --to copilot → copilot-instructions.md

______________________________________________________________________

📊 仪表板和知识图谱

amem-cli dashboard              # Opens at localhost:3333
amem-cli dashboard --port=8080  # Custom port

功能齐全的网络仪表板，包括：

• 🔍 内存浏览器 --搜索、按类型/层/源过滤、内联操作（升级、降级、过期）
• 🕸️ 交互式知识图谱 --缩放、平移、单击以通过邻域突出显示、细节面板、搜索、定向边进行聚焦
• 📈 分析 --置信度分布、类型细分、会话时间线
• ⏰ 提醒事项 --查看和管理跨会话任务
• 📋 副驾驶预览 --看看会出口到什么 copilot-instructions.md

______________________________________________________________________

💻 CLI参考

# Setup
amem-cli init                          # Auto-configure AI tools
amem-cli rules                         # Generate extraction rules
amem-cli hooks                         # Install hooks for Claude Code
amem-cli hooks --target copilot        # Install hooks for GitHub Copilot CLI
amem-cli hooks --uninstall             # Remove hooks
amem-cli sync                          # Import Claude auto-memory → amem
amem-cli sync --to copilot             # Export amem → copilot-instructions.md
amem-cli doctor                        # Health diagnostics
amem-cli repair                        # Repair corrupted database from backups

# Dashboard
amem-cli dashboard                     # Web dashboard (localhost:3333)

# Memory operations
amem-cli recall "authentication"       # Semantic search
amem-cli stats                         # Statistics
amem-cli list --type correction        # List by type
amem-cli export --file memories.md     # Export to file
amem-cli forget abc12345               # Delete by short ID
amem-cli reset --confirm               # Wipe all data

______________________________________________________________________

🏗 建筑

                        Your AI Tool
           Claude Code / Copilot CLI / any MCP client
                    │                │
                    │ MCP (stdio)    │ Lifecycle Hooks
                    ▼                ▼
          ┌─────────────────────────────────┐
          │   @aman_asmuei/amem             │  ← this package
          │                                 │
          │  33 Tools · 7 Resources · 2 Prompts
          │  Slash commands · CLI · Hooks   │
          │  Config: ~/.amem/config.json    │
          └────────────────┬────────────────┘
                           │ imports
                           ▼
          ┌─────────────────────────────────┐
          │   @aman_asmuei/amem-core        │  ← the engine
          │                                 │
          │  Multi-Strategy Retrieval       │
          │  [HNSW] + [FTS5] + [Graph] + [Temporal]
          │       + query expansion         │
          │       + cross-encoder reranker   │
          │                                 │
          │  Self-Evolving Reflection       │
          │  [Clustering] + [Contradictions]│
          │  + [Synthesis] + [Gap Detection]│
          │                                 │
          │  Embeddings: bge-small-en-v1.5  │
          │  Reranker: ms-marco-MiniLM int8 │
          │  97.8% R@5 on LongMemEval-S     │
          └────────────────┬────────────────┘
                           │
                           ▼
          ┌─────────────────────────────────┐
          │   SQLite + WAL + FTS5           │
          │   ~/.amem/memory.db             │
          │                                 │
          │   memories       (tiered)       │
          │   conversation_log (raw)        │
          │   memory_versions (history)     │
          │   memory_relations (graph)      │
          │   synthesis_lineage             │
          │   knowledge_gaps                │
          │   session_summaries             │
          │   reminders                     │
          └─────────────────────────────────┘

这 amem MCP服务器是一个精简的包装器 周围 amem-core.检索引擎、嵌入、知识图、反射——都存在于 amem-core 版本独立。MCP接线有问题吗？重新发布 amem.召回改进？重新发布 amem-core.无联轴器。

排名公式

score = relevance x 0.45 + recency x 0.2 + confidence x 0.2 + importance x 0.15

加性评分确保没有单一的低因素会影响排名。

______________________________________________________________________

⚙️ 配置

Environment variables

Config file (~/.amem/config.json)

使用默认值自动创建：

{
  "retrieval": {
    "semanticWeight": 0.4,
    "ftsWeight": 0.3,
    "graphWeight": 0.15,
    "temporalWeight": 0.15,
    "rerankerEnabled": true
  },
  "privacy": {
    "enablePrivateTags": true,
    "redactPatterns": ["..."]
  },
  "tiers": {
    "coreMaxTokens": 500,
    "workingMaxTokens": 2000
  },
  "hooks": {
    "enabled": true,
    "captureToolUse": true,
    "captureSessionEnd": true
  }
}

📋 Version history

v0.23.0——交互式知识图谱仪表板

具有缩放/平移功能的全宽图形浏览器，单击以聚焦邻域突出显示，具有关系导航的详细信息面板，搜索和过滤，定向边，强制定向布局。管理工具（医生、维修、配置、同步）。18个套件中的255个测试。

v0.19.0——自进化记忆回路

基于HNSW聚类的反射引擎、三层矛盾检测（否定+数值+低重叠）、具有谱系跟踪的合成候选、知识差距检测、效用评分、自动触发微调 memory_inject.新建数据库表： synthesis_lineage, knowledge_gaps, reflection_meta迁移v5。

v0.18.0——渐进式披露和规模

HNSW矢量索引（10k时速度快67倍）、调用/搜索的紧凑模式默认值、DB修复CLI、并发访问安全、启发式对话提取器、会话结束自动提取。

v0.13.0——世界级召回

bge-small-en-v1.5嵌入、加性评分、查询扩展、自相关知识图、图感知注入、amem-doctor、CI基准测试。

v0.9.x——时间智能

时间有效性、自动过期矛盾、多策略检索、跨编码器重新排序、内存层、隐私标签、生命周期挂钩、会话摘要、仪表板、配置系统。

v0.7.0至v0.8.0

导入/导出、置信度衰减、嵌入缓存、多进程安全、自动配置CLI、仪表板。

v0.1.0--v0.5.x

核心存储/召回、本地嵌入、SQLite+WAL、整合、项目范围界定、提醒、对话日志、知识图、FTS5、渐进式披露。

______________________________________________________________________

🧰 技术栈

______________________________________________________________________

🤝 贡献

git clone https://github.com/amanasmuei/amem.git
cd amem && npm install
npm run build   # zero TS errors
npm test        # 281 tests pass

PR在合并之前必须通过CI。请参阅 问题 对于开放任务。

______________________________________________________________________

Built with ❤️ in 🇲🇾 Malaysia by Aman Asmuei

MIT License · Star ⭐ if amem saves your AI from amnesia