Claude Total Memory

总代理内存

唯一能学习的记忆层 _怎么_ 你不仅工作 _什么_ 你说的。 用于AI编码代理的持久本地内存：Claude Code、Codex CLI、Cursor、任何MCP客户端。 时态知识图·过程记忆·AST代码库摄取·跨项目类比·3D WebGL可视化。

](<>)          ](https://www.npmjs.com/package/@vbch/total-agent-memory-client) 

为什么不是mem0/Letta/Zep/Supermemory/Cognie？ → docs/v-competitors.md

______________________________________________________________________

v11.1——图形去重+主动保存提示

修复了两个客户端报告的错误（2026-05-14）：

Bug#1——孤儿+重复 graph_nodes. 图表累积 案例变量重复(Vue / vue / VUE)类型碰撞 重复(vue/concept vs vue/technology 由不同 提取器），以及在两者之后边缘插入失败时的孤立节点 节点已提交。通过迁移修复 026_graph_nodes_dedup (name_norm 列、触发器、索引），不区分大小写的UPSERT 重写 add_node 利用类型碰撞检测，一种新的原子 GraphStore.link_pair() 助手和一次性清理工具 src/tools/merge_duplicate_nodes.py （默认情况下为干运行）。

# After upgrade migration 026 applies automatically. Then optionally:
.venv/bin/python src/tools/merge_duplicate_nodes.py --dry-run
.venv/bin/python src/tools/merge_duplicate_nodes.py --apply --add-unique

在真实的生产数据库（8304个节点）上验证：合并了102个重复项， 清洁1472个陈旧边缘，安装UNIQUE约束。

Bug#2——模型从不调用 memory_save 靠自己。 十四行诗/俳句 当SessionStart上下文消失时，跳过优先级-10保存规则。v11.1 添加会话 轻推：柜台 ~/.claude-memory/state/ 跟踪每个会话的写入与保存，以及 hooks/post-tool-use.{sh,ps1} 发出一条stdout行，Claude将其作为下一个系统上下文读取 转身。软轻推3次编辑，保存0次，硬轻推7次 MEMORY_FINAL_WARNING 在会话停止时。新的优先级10规则 指示模型进行处理 MEMORY_NUDGE 作为即时命令。

可调： MEMORY_NUDGE_DISABLE=1 沉默； MEMORY_NUDGE_SOFT / _HARD / _STEP 重新调谐（默认值 3 / 7 / 3).

测试覆盖率：+24个图形测试，+12个微调测试。详细信息请参见 CHANGELOG.md.

______________________________________________________________________

v11.0——生产内存引擎

v11.0=生产内存引擎：快速确定性内存核心+异步AI富集层。默认模式为 fast：保存/搜索/调用热路径中的LLM为零，Ollama为零，网络为零。

代码库现在分为两层：

• **src/memory_core/*** --确定性外观模块（存储、嵌入、向量存储、分类器、分块器、去重、缓存、图形链接、遥测、健康、嵌入空间）。不允许LLM进口。被强迫 tests/test_no_llm_hot_path.py.
• **src/ai_layer/*** --每个LLM接触路径（丰富工作器、总结器、关键字提取器、问题生成器、关系提取器、矛盾检测器、反射、自我改进，以及用于质量/核心解析器/重新排序器/查询编写器的薄垫片）。禁止使用memory_core。

架构细节和完整的热路径审计： docs/v11/audit.md.

模式

MEMORY_MODE 选择运行时配置文件。默认值为 fast.

|模式|热路径LLM |异步富集|重新排序|嵌入回退|使用时| |---|:-:|:-:|:-:|:-:|---| | ultrafast |off|off|off|仅限FastEmbed（矢量索引关闭，仅限FTS）|吞吐量压力/CI| | fast （默认）| 关 | 关 | 关 | 仅限快速嵌入，Ollama后备门控 | 生产编码剂回路 | | balanced |关闭（同步）| 上 |off |仅限FastEmbed |您需要LLM派生的刻面，但从不在关键路径上| | deep |on（同步）| on | on（当 rerank=true)|快速嵌入→ Ollama梯形图| v10.5行为：质量门/矛盾/核心/HyDE内联|

deep 模式精确地再现了v10.5.0的默认值。集 MEMORY_MODE=deep 如果你依赖于同步质量门、矛盾检测器或coref。 balanced 保持了相同的人体工程学，但将丰富性从线上移开。

从v10.5迁移： docs/v11/MIGRATION-FROM-V10.md.

v11.0热路径基准测试

温暖的内存SQLite，MacBook M系列， MEMORY_MODE=fast, MEMORY_ALLOW_OLLAMA_IN_HOT_PATH=false:

llm_calls = 0, network_calls = 0 在整个热路径上。复制： bin/memory-bench.CI门： bin/memory-perf-gate.原始工件： docs/v11/benchmark.md.

v10.5→ v11.0——相同的工作负载，相同的脚本

v10.5原生长凳(benchmarks/v10_5_latency.py)在v11上相对于记录的v10.5基线快速重新运行(benchmarks/results/v10_5_latency.json):

与v10.5相比 _没有_ LLM23.3 ms p95)v11快速 2.7× 更快——在快速模式下，仅确定性阶段（质量状态探测、矛盾候选获取、偶发事件创建、project_wiki刷新）现在完全绕过，仅在以下情况下排队 MEMORY_ENRICHMENT_ENABLED=true.

召回质量得以保留：在30个问题的样本中，LongMemEval R@5=100%；混合检索（FTS5+密集+RRF+基础图）与v10.5相同，除了HyDE/analyze_query LLM扩展是通过选择加入的 MEMORY_MODE=deep。参见 docs/v11/benchmark.md 包括LoCoMo和每空间嵌入负载特性的完整表格。

v11.0中的新MCP工具

memory_save_fast · memory_search_fast · memory_explain_search · memory_warmup · memory_perf_report · memory_rebuild_fts · memory_rebuild_embeddings · memory_eval_locomo · memory_eval_recall · memory_eval_temporal · memory_eval_entity_consistency · memory_eval_contradictions · memory_eval_long_context

所有以前的工具名称(memory_save, memory_recall, ...）继续工作不变。

多嵌入空间契约

现在，每个矢量行都会记录 embedding_provider / embedding_model / embedding_dimension / embedding_space / content_type / language空格： text / code / log / config单色后端；每空间模型交换是一次环境翻转：

MEMORY_TEXT_EMBED_MODEL=sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
MEMORY_CODE_EMBED_MODEL=jinaai/jina-embeddings-v2-base-code   # optional
MEMORY_LOG_EMBED_MODEL=                                       # falls back to TEXT
MEMORY_CONFIG_EMBED_MODEL=                                    # falls back to TEXT

旧块在其空间中保持可搜索状态；新的块会拾取交换的模型。通过以下方式一次回填一个空间 memory_rebuild_embeddings.

以下v10.x部分保留为 遗留v10.5行为 --仍然可以通过 MEMORY_MODE=deep日期为2026-04-19/2026-04-25/2026-04-27（v10）的数字、屏幕截图和基准块描述了深度模式管道。v11替换 *默认值*，而不是能力。

______________________________________________________________________

目录

• v11.1——图形去重+主动保存提示
• v11.0——生产内存引擎
• 它解决的问题
• 60秒演示
• 基准——如何比较
• 竞争对手比较
• 你得到了什么
• 建筑
• 安装
• 快速开始
• CLI： lookup-memory 对于子代理
• MCP工具参考
• TypeScript SDK
• 仪表板
• 更新
• 从v8.x升级到v9.0
• 从v7.x升级到v8.0
• Ollama设置
• 配置
• 性能调优
• 路线图
• 支持项目
• 哲学与许可

______________________________________________________________________

它解决的问题

AI编码剂有健忘症。 每个新的克劳德代码/代码/光标会话都从零开始。昨天的架构决策、错误修复、堆栈选择和来之不易的经验教训在您关闭终端的那一刻就消失了。你重新解释同样的事情，重新发现同样的解决方案，将同样的上下文粘贴到每个新的聊天中。

total-agent-memory 给代理一个持久的大脑——在你的机器上，而不是在别人的云中。

每个决策、解决方案、错误、事实、文件更改和会话摘要都是：

• 捕获 --明确通过 memory_save 或者通过文件编辑/bash错误/会话结束上的钩子隐式执行
• 链接 --自动提取到知识图中（实体、关系、时间事实）
• 可搜索 --6级混合检索（BM25+密集+图+交叉编码器+MMR+RRF融合）， 公共LongMemEval上的R@5为96.2%
• 私人 --100%本地。SQLite+快速嵌入+可选Ollama。没有数据离开你的机器。

______________________________________________________________________

60秒演示

You:     "remember we picked pgvector over ChromaDB because of multi-tenant RLS"
Claude:  ✓ memory_save(type=decision, content="Chose pgvector over ChromaDB",
                       context="WHY: single Postgres, per-tenant RLS")

[3 days later, different session, possibly different project directory:]

You:     "why did we pick pgvector again?"
Claude:  ✓ memory_recall(query="vector database choice")
         → "Chose pgvector over ChromaDB for multi-tenant RLS. Single DB
            instance, row-level security per tenant."

这不仅仅是检索。这也是程序性的：

You:     "migrate auth middleware to JWT-only session tokens"
Claude:  ✓ workflow_predict(task_description="migrate auth middleware...")
         → confidence 0.82, predicted steps:
             1. read src/auth/middleware.go + tests
             2. update session fixtures in tests/
             3. run migration 0042
             4. regenerate OpenAPI spec
           similar past: wf#118 (success), wf#93 (success)

______________________________________________________________________

基准——如何比较

公共LongMemEval基准 (xiaowu0162/longmemeval清洁，470个问题，每个人都发布的数据集）：

                   R@5 (recall_any) on public LongMemEval
                   ─────────────────────────────────────────
  100% ─┤
        │
  96.2% ┤  ████  ← total-agent-memory v7.0  (LOCAL, 38.8 ms, MIT)
  95.0% ┤  ████  ← Mastra "Observational"    (cloud)
        │  ████
        │  ████
  85.4% ┤  ████  ← Supermemory                (cloud, $0.01/1k tok)
        │  ████
        │  ████
        │  ████
   80%  ┤  ████
        └──────────────────────────────────────────

可复制性： evals/longmemeval-2026-04-17.json ·跑步者： benchmarks/longmemeval_bench.py

按问题类型细分（R@5 recall_any）

LoCoMo基准测试（v9中的新功能）

公共LoCoMo基准 (快照研究/机车，1986年，在10个长时间运行的对话中进行QA，数据集Mem0/Memobase/Zep/MemMachine发布）：

              LoCoMo Acc (overall, no adversarial)
              ─────────────────────────────────────
  85% ─┤  ████  ← MemMachine        (commercial)
       │  ████
  80%  ┤  ████
       │  ████
  75%  ┤  ████  ← Memobase
       │  ████  ← Zep / Graphiti
       │  ████
  70%  ┤  ████
       │  ████
  67%  ┤  ████  ← Mem0
       │  ████
       │  ████  ← total-agent-memory v9.0  (LOCAL, MIT, gpt-4o-mini)
  60%  ┤  ████
  59%  ┤  ████  ← total-agent-memory (0.596)
       │  ████  ← LangMem (0.581)
  55%  ┤  ████
       └──────────────────────────────────────────

按类别细分（v9.0，gpt-4o-mini-gen+judge）：

我们在对抗性方面领先（0.998 vs Memobase 0.90） 这要归功于法官加权合奏+弃权逻辑。前三名领导者通过主题感知的个人资料检索在猫1/2上获胜——这是我们的v10目标。

可复制性： benchmarks/results/v9_diag_v1_*.json ·跑步者： benchmarks/locomo_bench_llm.py （15个消融标志）。gpt-4o-mini的成本：1986年整个QA运行的成本约为5美元，集成=3。

延迟配置文件

  p50 (warm)   ▌ 0.065 ms
  p95 (warm)   ▌▌ 2.97 ms
  LongMemEval  ▌▌▌▌▌ 38.8 ms/query   ← includes embedding + CrossEncoder rerank
  p50 (cold)   ▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌▌ 1333 ms  ← first query after process start

温/冷可重复 evals/results-2026-04-17.json.

______________________________________________________________________

竞争对手比较

我们不是在替换聊天机器人的内存，而是在占用 编码代理+MCP+本地 利基市场。

||mem0|Letta|Zep|超级记忆|Cognee|LangMem| 总代理内存 | |---|:-:|:-:|:-:|:-:|:-:|:-:|:-:| |资金/状态|2400万美元YC | 1000万美元种子| 1200万美元种子|260万美元种子|| 750万美元种子|1angChain |自筹OSS| |100%本地运行|🟡 | ✅ | 🟡 | ❌ | 🟡 | 🟡 | ✅ | |MCP原生|通过SDK |❌ | 🟡 图形|🟡 | ❌ | ❌ | ✅ 60+工具 | |知识图谱|🔒 $249/月|❌ | ✅ | ✅ | ✅ | ❌ | ✅ | | 时间事实 (kg_at) | ❌ | ❌ | ✅ | ❌ | 🟡 | ❌ | ✅ | | 程序记忆 | ❌ | ❌ | ❌ | ❌ | ❌ | 🟡 | ✅ workflow_predict | | 跨项目类比 | ❌ | ❌ | ❌ | ❌ | ❌ | ❌ | ✅ analogize | | 自我完善的规则 | ❌ | ❌ | ❌ | ❌ | 🟡 | ❌ | ✅ learn_error | | AST代码库摄取 | ❌ | ❌ | ❌ | ❌ | 🟡 | ❌ | ✅ 树保姆9郎 | | 预先编辑风险警告 | ❌ | ❌ | ❌ | ❌ | ❌ | ❌ | ✅ file_context | |3D WebGL图形查看器|❌ | ❌ | 🟡 | ✅ | ❌ | ❌ | ✅ | |图表功能的价格|249美元/月|免费|云|使用|免费|免费| 自由 |

与定价、延迟、准确性、“何时选择每一项”完全并列→ docs/v-competitors.md.

______________________________________________________________________

你得到了什么

其他人无法提供的八种能力

此外，基础知识做得很好

• 6级混合检索 （BM25+密集+模糊+图形+交叉编码器+MMR、RRF融合）--96.2%R@5公开
• 多表示嵌入 --每条记录都嵌入为原始+摘要+关键字+问题+压缩
• AST代码库摄取 --跨9种语言（Python、TS/JS、Go、Rust、Java、C/C++、Ruby、C#）的树形图
• 自动反射管道 — memory_save → LaunchAgent文件监视→ 图形边在约30秒后出现
• rtk风格的内容过滤器 --从pytest/cargo/git/docker日志中去除噪声，同时保留URL、路径和代码
• 3D WebGL知识图查看器 --3500+节点，120000+边，点击聚焦，过滤器
• 蜂巢图和邻接矩阵 --按节点类型排序的备选图形视图
• A2A协议 --多个代理之间共享内存（团队中的后端+前端+移动）
• design-explore 技能 --输入克劳德代码技能，引导L3-L4任务完成选项→ 标准矩阵→ save_decision 代码之前（参见 examples/skills/design-explore/SKILL.md)
• **`

... ` 内联编辑** 在任何已保存的内容中

• 云LLM/嵌入提供商 具有每相路由（OpenAI/Anthropic/OpenRouter/Together/Groq/Cohere/任何OpenAI兼容）
• activeContext.md 黑曜石投影 用于人类可读的会话状态
• 阶段范围规则 (self_rules_context(phase="build"))--代币减少约70%

______________________________________________________________________

建筑

                  ┌─────────────────────────────────────────────────┐
                  │             Your AI coding agent                │
                  │   (Claude Code · Codex CLI · Cursor · any MCP)  │
                  └──────────────────────┬──────────────────────────┘
                                         │ MCP (stdio or HTTP)
                                         │ 60+ tools
                  ┌──────────────────────▼──────────────────────────┐
                  │            total-agent-memory server             │
                  │    ┌──────────────┐  ┌────────────────────┐     │
                  │    │ memory_save  │  │  memory_recall      │     │
                  │    │ memory_upd   │  │  6-stage pipeline:  │     │
                  │    │ kg_add_fact  │  │  BM25  (FTS5)       │     │
                  │    │ learn_error  │  │  + dense (FastEmbed)│     │
                  │    │ file_context │  │  + fuzzy            │     │
                  │    │ workflow_*   │  │  + graph expansion  │     │
                  │    │ analogize    │  │  + CrossEncoder †   │     │
                  │    │ ingest_code  │  │  + MMR diversity †  │     │
                  │    └──────┬───────┘  │  → RRF fusion       │     │
                  │           │          └──────────┬──────────┘     │
                  └───────────┼─────────────────────┼────────────────┘
                              │                     │
                  ┌───────────▼─────────────────────▼────────────────┐
                  │                   Storage                         │
                  │  ┌────────────┐  ┌────────────┐  ┌─────────────┐ │
                  │  │  SQLite    │  │  FastEmbed │  │   Ollama    │ │
                  │  │  + FTS5    │  │  HNSW      │  │  (optional) │ │
                  │  │  + KG tbls │  │  binary-q  │  │  qwen2.5-7b │ │
                  │  └────────────┘  └────────────┘  └─────────────┘ │
                  └───────────────────────────────────────────────────┘
                              │
                              │ file-watch + debounce
                  ┌───────────▼────────────────────────────────────┐
                  │  Auto-reflection pipeline  (LaunchAgent)        │
                  │  triple_extraction → deep_enrichment → reprs   │
                  │  (async, 10s debounce, drains in background)   │
                  └─────────────────────────────────────────────────┘
                              │
                  ┌───────────▼─────────────────────────────────────┐
                  │  Dashboard (localhost:37737)                     │
                  │   /           - stats, savings, queue depths   │
                  │   /graph/live - 3D WebGL force-graph           │
                  │   /graph/hive - D3 hive plot                   │
                  │   /graph/matrix - adjacency matrix             │
                  └─────────────────────────────────────────────────┘

  † CrossEncoder + MMR are on-demand via `rerank=true` / `diverse=true`

______________________________________________________________________

安装

两条路。相同的60多种工具，相同的仪表板，不同的部署形状。

IDE矩阵（v10.5）

相同的MCP服务器、相同的工具、相同的协议——不同的安装 每个IDE的位置和挂钩接线。安装程序(install.sh --ide ) 将所有这些自动化。

|IDE | Skill API | Hook API | Sub-agents | Install命令| |---|:-:|:-:|:-:|---| |克劳德代码|✅ | ✅ 满|✅ | ./install.sh --ide claude-code | |Codex CLI |✅ | ✅ | ❌ | ./install.sh --ide codex | |光标|规则窗格|❌ | 作曲家| ./install.sh --ide cursor | |Cline（VS代码）| .clinerules/ | ❌ | ❌ | ./install.sh --ide cline | |继续|规则文件|❌ | ❌ | ./install.sh --ide continue | |助手| .aider.conf.yml 阅读|❌ ¹ | ❌ | ./install.sh --ide aider | |风帆冲浪| .windsurfrules | ❌ | 级联| ./install.sh --ide windsurf | |Gemini CLI| .gemini/rules/ | ⚠️ 部分|❌ | ./install.sh --ide gemini-cli | |OpenCode| .opencode/skills/ | ✅ | 定制| ./install.sh --ide opencode |

¹Aider还没有MCP——大桥已经开通 lookup_memory.sh / save_memory.sh shell脚本。

完整的IDE设置、手动回退和模板片段： skills/memory-protocol/references/ide-setup.md.

平台矩阵

完整的每平台演练，WSL2 Windows主机与WSL IDE的细微差别 wsl -e MCP命令模式、IDE覆盖矩阵和卸载/诊断 流量： docs/installation.md.

路径A--本机（macOS/Linux/WSL2）

git clone https://github.com/vbcherepanov/claude-total-memory.git ~/claude-memory-server
cd ~/claude-memory-server
bash install.sh --ide claude-code   # or: cursor | gemini-cli | opencode | codex

安装程序：

1. 克隆+创建 ~/claude-memory-server/.venv/
2. 安装日期 requirements.txt 和 requirements-dev.txt
3. 预下载FastEmbed多语言MiniLM模型
4. 通过注册MCP服务器 claude mcp add-json memory ... （存储在 ~/.claude.json，规范存储Claude Code实际读取）
5. 副本 所有钩子 (session-*, user-prompt-submit.sh, post-tool-use.sh, pre-edit.sh, on-bash-error.sh等）进入 ~/.claude/hooks/ 并将其注册在 ~/.claude/settings.json
6. 拨款 permissions.allow 20+ mcp__memory__* 工具，因此钩子驱动的调用不会提示确认
7. 安装 后台服务 对于当前操作系统：

- macOS --4个发射代理(reflection, orphan-backfill, check-updates, dashboard)under ~/Library/LaunchAgents/ - Linux/WSL2 --7系统d --user 单位(*.service, *.timer, *.path)under ~/.config/systemd/user/；如果满足以下条件，则会优雅地降级 systemd --user 不可用（WSL不可用 /etc/wsl.conf)

1. 将所有迁移应用于新的 memory.db
2. 在以下位置启动仪表板 http://127.0.0.1:37737

重新启动Claude代码→ /mcp → memory 应显示 连接 60多种工具。

路径A--本机（Windows 10/11）

git clone https://github.com/vbcherepanov/claude-total-memory.git $HOME\claude-memory-server
cd $HOME\claude-memory-server
powershell -ExecutionPolicy Bypass -File install.ps1 -Ide claude-code

与Unix相同的9个步骤，但：

• MCP配置路径为 %USERPROFILE%\.claude\settings.json （或 .cursor\mcp.json等等）
• 钩子复制到 %USERPROFILE%\.claude\hooks\ — .ps1 版本（自动捕获、内存触发、用户提示提交、工具使用后、预编辑、bash错误、会话开始/结束、停止、codex通知）
• 后台服务通过 任务计划程序:

- total-agent-memory-reflection --每5分钟一次（没有等效的本地FileSystemWatcher） - total-agent-memory-orphan-backfill --每日00:00+6小时重复 - total-agent-memory-check-updates --每周周一09:00 - ClaudeTotalMemoryDashboard --atlogon

卸载

所有安装人员保留 ~/.claude-memory/memory.db 以及您的配置文件；仅删除服务+钩子注册。

./install.sh --uninstall          # macOS/Linux/WSL2 — removes LaunchAgents OR systemd units
.\install.ps1 -Uninstall          # Windows — unregisters Scheduled Tasks + cleans settings.json

诊断

一次性健康检查——打印✓/✗ 对于每个子系统（操作系统检测、venv、MCP导入、服务、仪表板HTTP、Ollama、数据库迁移）：

bash scripts/diagnose.sh          # macOS / Linux / WSL2
.\scripts\diagnose.ps1            # Windows

退出代码0=全绿，1=有东西坏了。

路径B——Docker（一切容器化，跨平台）

git clone https://github.com/vbcherepanov/claude-total-memory.git
cd claude-total-memory
bash install-docker.sh --with-compose

介绍5项服务：

首轮拉单 qwen2.5-coder:7b （约4.7 GB）+ nomic-embed-text （~275 MB）-5-10分钟冷启动。

GPU注意事项： macOS上的Docker Desktop不支持Metal。Mac上的原生安装速度更快。在Linux上使用NVIDIA容器工具包，取消注释 deploy.resources.reservations.devices 挡住 docker-compose.yml.

验证（两条路径）

memory_save(content="install works", type="fact")
memory_stats()

打开 --仪表板、知识图谱、代币储蓄。

______________________________________________________________________

快速开始

v11默认值为 MEMORY_MODE=fast. 保存/搜索/调用热路径中没有LLM、Ollama和网络。还原v10.5同步LLM行为集 export MEMORY_MODE=deep.模式切换： LAUNCH.md §调整.

安装后，在任何Claude Code/Copyx CLI/Cursor会话中：

1.从你中断的地方继续 （会话自动启动，但您也可以调用）

session_init(project="my-api")
→ {summary: "yesterday: migrated auth middleware to JWT",
   next_steps: ["update OpenAPI spec", "notify frontend team"],
   pitfalls: ["don't revert migration 0042 — dev DB already migrated"]}

2.保存决策（代理在钩子注册后自动执行此操作）

memory_save(
  type="decision",
  content="Chose pgvector over ChromaDB for multi-tenant RLS",
  context="WHY: single Postgres instance, per-tenant row-level security",
  project="my-api",
  tags=["database", "multi-tenant"],
)

3.跨会议/项目回忆

memory_recall(query="vector database choice", project="my-api", limit=5)
→ RRF-fused results from 6 retrieval tiers

4.在开始任务之前预测方法

workflow_predict(task_description="migrate auth middleware to JWT-only")
→ {confidence: 0.82, predicted_steps: [...], similar_past: [...]}

5.编辑前检查文件的风险 （通过挂钩自动，也可手动）

file_context(path="/Users/me/my-api/src/auth/middleware.go")
→ {risk_score: 0.71, warnings: ["last 3 edits caused test failures in ..."], hot_spots: [...]}

6.获取完整统计数据

memory_stats()
→ {sessions: 515, knowledge: {active: 1859, ...}, storage_mb: 119.5, ...}

______________________________________________________________________

CLI： lookup-memory 对于子代理

v9中的新功能。 Bash友好的内存搜索子代理工作流，其中启动完整的MCP服务器将是多余的（例如。 Bash(lookup-memory "fix slow Wave query") 从Claude Code代理提示符内部）。

两个等效的指挥部随包裹一起发货（注册为 [project.scripts] 条目--由自动安装 ./install.sh 或 ./update.sh):

lookup-memory "Caroline researched"          # human-readable bullets
ctm-lookup "Caroline researched"             # alias

lookup-memory --project myproj --limit 5 "auth flow"
lookup-memory --type solution --tag reusable "fix bug"
lookup-memory --json "claude code hooks"     # structured stdout for piping

它是如何工作的： 打开相同 $CLAUDE_MEMORY_DIR/memory.db 正在运行的MCP服务器使用→ 通过FTS5进行BM25排名→ 在较旧的DB上回落到LIKE。 零超出包裹。 CLI路径不需要Ollama、rag_chat.py和ChromaDB。适用于macOS、Linux、Windows。

$ lookup-memory --project locomo_0 --limit 2 "adoption"
1. [synthesized_fact|locomo_0] Caroline is researching adoption agencies.
2. [synthesized_fact|locomo_0] Melanie congratulates Caroline on her adoption.

为什么有两个名字？ lookup-memory 匹配旧文档和子代理提示参考的旧bash脚本(~/claude-memory-server/ollama/lookup_memory.sh). ctm-lookup 是项目前缀的规范形式。两者都调用 claude_total_memory.lookup:main.

迁移说明： v7/v8文档指出 ~/claude-memory-server/ollama/lookup_memory.sh 应该更新——bash版本仍然适用于手动安装的用户，但是 ./install.sh / ./update.sh v9+上的客户端现在可以获得 lookup-memory 直接通过包的PATH [project.scripts] 进入。

______________________________________________________________________

MCP工具参考（60+工具）

工具类别

取芯（9）： memory_save, memory_recall, memory_get, memory_update, memory_delete, memory_history, memory_extract_session, memory_relate, memory_search_by_tag

知识图谱（8）： kg_add_fact, kg_invalidate_fact, kg_at, kg_timeline, memory_graph, memory_graph_index, memory_graph_stats, memory_concepts

情节/会话（6）： memory_episode_save, memory_episode_recall, session_init, session_end, memory_timeline, memory_history

程序/工作流程（4）： workflow_learn, workflow_predict, workflow_track, classify_task

任务阶段（4，v8.0）： task_create, phase_transition, task_phases_list, complete_task

决定（1，v8.0）： save_decision

意图（3，v8.0）： save_intent, list_intents, search_intents

自我提升（5）： self_rules, self_rules_context, self_insight, self_patterns, self_error_log, rule_set_phase （v8.0）

预编辑保护/错误学习（3）： file_context, learn_error, self_error_log

类比/交叉项目（2）： analogize, ingest_codebase

反思/巩固（4）： memory_reflect_now, memory_consolidate, memory_forget, memory_observe

统计/出口（5）： memory_stats, memory_export, memory_self_assess, memory_context_build, benchmark

技能（3）： memory_skill_get, memory_skill_update, file_context

总计： 60多种工具。 下面分别记录了输入模式和示例。

令牌高效的三层工作流程

当你只知道主题而不知道哪些记录重要时，使用渐进式披露：

1. 索引 — memory_recall(query="auth refactor", mode="index", limit=20) → ~2 KB of {id, title, score, type, project, created_at} 每次点击。没有内容，就没有认知拓展。
2. 时间线 — memory_recall(query="auth refactor", mode="timeline", limit=5, neighbors=2) → 前K名按时间顺序排列，用同一时段的±个邻居填充。
3. 获取 — memory_get(ids=[3622, 3606]) → 仅针对您选择的ID提供完整内容（每次通话最多50个， detail="summary" 截断为150个字符）。

典型节省： 代币数量减少80%-90% memory_recall(detail="full", limit=20) 当你最终使用20次点击中的2-3次时。

Core memory (15)

memory_recall · memory_get · memory_save · memory_update · memory_delete · memory_search_by_tag · memory_history · memory_timeline · memory_stats · memory_consolidate · memory_export · memory_forget · memory_relate · memory_extract_session · memory_observe

Knowledge graph (6)

memory_graph · memory_graph_index · memory_graph_stats · memory_concepts · memory_associate · memory_context_build

Episodic memory & skills (4)

memory_episode_save · memory_episode_recall · memory_skill_get · memory_skill_update

Reflection & self-improvement (7)

memory_reflect_now · memory_self_assess · self_error_log · self_insight · self_patterns · self_reflect · self_rules · self_rules_context

Temporal knowledge graph (4)

kg_add_fact · kg_invalidate_fact · kg_at · kg_timeline

Procedural memory (3)

workflow_learn · workflow_predict · workflow_track

Pre-flight guards & automation (8)

file_context （编辑前风险评分）· learn_error （自动合并错误捕获）· session_init / session_end · ingest_codebase （AST，9种语言）· analogize （跨项目类比）· benchmark （回归门）

完整的JSON模式： python -m claude_total_memory.cli tools --json 或打开仪表板 localhost:37737/tools.

______________________________________________________________________

TypeScript SDK

对于Node.js/浏览器/任何不是MCP本机代理的TS项目：

npm i @vbch/total-agent-memory-client

import { connectStdio } from "@vbch/total-agent-memory-client";

const memory = await connectStdio();

await memory.save({
  type: "decision",
  content: "Picked pgvector over ChromaDB for multi-tenant RLS",
  project: "my-api",
});

const hits = await memory.recallFlat({
  query: "vector database choice",
  project: "my-api",
  limit: 5,
});

还提供了LangChain适配器示例、过程内存集成和HTTP传输（用于团队/无服务器设置）。

软件包仓库：

______________________________________________________________________

仪表板（本地主机：37737）

• / --实时统计数据、队列深度、过滤器节省的令牌、表示覆盖率
• /graph/live --3D WebGL力图（Three.js），3500+节点/120000+边，点击聚焦，键入过滤器，搜索
• /graph/hive --D3蜂窝图，按类型在径向轴上的节点
• /graph/matrix --按类型排序的画布邻接矩阵
• /knowledge --分页知识浏览器、标签过滤器
• /sessions --最后50次会议，包括总结+下一步
• /errors --综合误差模式
• /rules --主动行为规则+火灾计数
• SSE药丸在头部 --实时重新连接指示器

截图→ 文档/截图/ （即将到来）

______________________________________________________________________

更新

cd ~/claude-memory-server
./update.sh

7个阶段：

1. 飞行前 --磁盘检查+数据库快照（保留最后7个）
2. 源代码拉取 （git）或SHA-256验证的tarball
3. 依赖 — pip install -r requirements.txt -r requirements-dev.txt （仅当哈希值更改时）
4. 完整的pytest套件 --如果为红色，则中止快照
5. 架构迁移 — python src/tools/version_status.py
6. LaunchAgent重新加载 --反射+回填+更新检查
7. MCP重新连接通知 --应用内 /mcp → memory → 重新连接

手动等效：

cd ~/claude-memory-server
git pull
.venv/bin/pip install -r requirements.txt -r requirements-dev.txt
.venv/bin/python src/tools/version_status.py
.venv/bin/python -m pytest tests/
# in Claude Code: /mcp → memory → Reconnect

______________________________________________________________________

从v8.x升级到v9.0

v9是 向后兼容现有的v8调用和DB模式保持不变——v9是一个基础版本，增加了可插拔后端、子代理的公共CLI和LoCoMo基准测试连接。没有强制启用任何功能。

一次命令升级

cd ~/claude-memory-server && ./update.sh
# pulls v9 src, installs new entry-points (ctm-lookup / lookup-memory),
# keeps existing memory.db untouched.

升级后，验证新CLI是否在PATH上：

lookup-memory --limit 1 "any-query-from-your-history"

新增内容（无需采取任何行动）

• lookup-memory / ctm-lookup CLI现在已安装在旁边 claude-total-memory MCP服务器（注册为 [project.scripts] 所以 ./install.sh 和 ./update.sh 将它们自动放在PATH上）。子代理提示引用旧版 ~/claude-memory-server/ollama/lookup_memory.sh 脚本继续工作；新提示应首选已安装包的名称。
• 嵌入后端 继续停留 fastembed 默认情况下。通过以下方式切换 V9_EMBED_BACKEND=openai-3-large （套 MEMORY_EMBED_API_KEY)--重新嵌入的成本约为0.10美元/5k行，预计对话数据的R@5提升。
• 重新排序后端 我自岿然不动 ce-marco 默认情况下。 V9_RERANKER_BACKEND=bge-v2-m3 （或 off)运行时切换。
• 主题感知检索 通过以下方式选择加入 --subject-aware 在 benchmarks/locomo_bench_llm.py未来：表面作为MCP工具标志。
• 没有迁移。 架构与v8保持不变。

需要手动操作的内容

• 重新嵌入 （仅当切换嵌入模型时，否则跳过）：

  python -m scripts.reembed --backend openai-3-large --confirm

• 旧的bash子代理提示 那个硬编码 ~/claude-memory-server/ollama/lookup_memory.sh "query" 将继续工作。要安装新套件，请更换为 lookup-memory "query".

重大变更

没有。所有v8 MCP工具、env变量、钩子和DB表的行为都是相同的。

______________________________________________________________________

从v7.x升级到v8.0

v8.0是 向后兼容 --您现有的v7安装保持不变。所有新功能都可以通过MCP工具调用或环境变量进行选择。

一次命令升级

cd ~/claude-memory-server && ./update.sh
# Applies migrations 011-013 idempotently, restarts LaunchAgents, updates dependencies

然后重新启动Claude Code： /mcp restart memory.

什么会自动改变

• 迁移011–013 适用于MCP启动（隐私计数器、任务阶段、意图）。零停机时间，幂等。
• 现有的 memory_save 通话仍在继续——现在它们还可以断开 `

... ` 部分（如有）。

• 现有的 memory_recall 呼叫继续工作--默认模式仍然是 "search"新 mode="index" 是选择加入。
• 现有的 session_end 通话继续有效-- auto_compress=False 默认情况下。通过 auto_compress=True 选择加入。
• 现有的 self_rules_context 调用继续工作——默认返回所有规则（无阶段过滤器）。

需要手动设置的内容

1.云提供商 （仅当您想替换/增强Ollama时）：

export MEMORY_LLM_PROVIDER=openai       # or "anthropic"
export MEMORY_LLM_API_KEY=sk-...
export MEMORY_LLM_MODEL=gpt-4o-mini     # or "claude-haiku-4-5"

看 云提供商 OpenRouter/每相路由/Coheres示例。

2.安装附加挂钩 （适用于UserPromptSubmit捕获+引用）：

./install.sh --ide claude-code   # re-run installer; it now registers user-prompt-submit.sh hook

钩子是附加的——现有的钩子可以继续工作。

3.activeContext.md黑曜石集成 （如果你想要markdown投影）：

export MEMORY_ACTIVECONTEXT_VAULT=~/Documents/project/Projects   # default
# Disable: export MEMORY_ACTIVECONTEXT_DISABLE=1

每 session_end 写 / /activeContext.md.

重大变更

没有。 保留所有v7 MCP工具签名。新参数是可选的，具有安全默认值。

嵌入尺寸注释

如果您切换到云嵌入提供商(MEMORY_EMBED_PROVIDER=openai/cohere)，服务器 将拒绝开始 如果现有的DB嵌入具有与新提供者返回的维度不同的维度。这是经过深思熟虑的——它可以防止无声的数据损坏。

要么：

• 保持 MEMORY_EMBED_PROVIDER=fastembed （默认384d），仅更改LLM提供者，或
• 重新嵌入数据库： python src/tools/reembed.py --provider openai --model text-embedding-3-small

v8.0中的新MCP工具

快速参考——请参阅 MCP工具参考:

扩展工具：

• memory_recall(mode="index"|"timeline", decisions_only=False, ...) --三层令牌高效工作流
• session_end(auto_compress=True, transcript=None, ...) --LLM生成的摘要
• self_rules_context(phase="build"|"plan"|...) --相位滤波器
• save_knowledge(...) --现在脱衣 `

... ` 自动分段

回滚计划

v8.0不会删除任何v7功能。如果遇到问题，您可以：

1. 将env-var设置为恢复行为：

   export MEMORY_LLM_PROVIDER=ollama           # revert to local LLM
   export MEMORY_EMBED_PROVIDER=fastembed      # revert to local embeddings
   export MEMORY_ACTIVECONTEXT_DISABLE=1       # disable markdown projection
   export MEMORY_POST_TOOL_CAPTURE=0           # disable opt-in capture (default anyway)

1. 迁移011/012/013是累加的（否 DROP / ALTER 在现有表上），因此DB降级不是破坏性的——旧代码会继续读取旧表。

1. 最坏情况： git checkout v7.0.0 && ./update.sh --skip-migrations.

______________________________________________________________________

Ollama设置（可选，但推荐）

没有Ollama： 完全有效——原始内容被保存，通过BM25+FastEmbed密集嵌入进行检索。

与Ollama： 您还可以获得LLM生成的摘要、关键字、问题表单、压缩表示和深度丰富（实体、意图、主题）。

brew install ollama     # or: curl -fsSL https://ollama.com/install.sh | sh
ollama serve &
ollama pull qwen2.5-coder:7b        # default — best quality/speed on M-series
ollama pull nomic-embed-text        # optional, alternative embedder

云提供商（可选）

使用OpenAI、Anthropic或任何OpenAI兼容端点（OpenRouter、Together、Groq、DeepSeek、LM Studio、llama.cpp）而不是本地Ollama。

OpenAI：

export MEMORY_LLM_PROVIDER=openai
export MEMORY_LLM_API_KEY=sk-...
export MEMORY_LLM_MODEL=gpt-4o-mini

人类学：

export MEMORY_LLM_PROVIDER=anthropic
export MEMORY_LLM_API_KEY=sk-ant-...
export MEMORY_LLM_MODEL=claude-haiku-4-5

OpenRouter（通过一个端点连接100多种型号）：

export MEMORY_LLM_PROVIDER=openai
export MEMORY_LLM_API_BASE=https://openrouter.ai/api/v1
export MEMORY_LLM_API_KEY=sk-or-...
export MEMORY_LLM_MODEL=anthropic/claude-haiku-4.5

每相布线 （廉价型号适用于散装，优质型号适用于压缩）：

export MEMORY_TRIPLE_PROVIDER=openai
export MEMORY_TRIPLE_MODEL=gpt-4o-mini
export MEMORY_ENRICH_PROVIDER=anthropic
export MEMORY_ENRICH_MODEL=claude-haiku-4-5

嵌入 （尺寸必须与现有数据库匹配或需要重新嵌入）：

export MEMORY_EMBED_PROVIDER=openai
export MEMORY_EMBED_MODEL=text-embedding-3-small  # 1536d
# or Cohere:
export MEMORY_EMBED_PROVIDER=cohere
export MEMORY_EMBED_API_KEY=...

模型选择

______________________________________________________________________

配置

环境变量（全部可选）：

v11.0——内存模式+多嵌入空间

v10+更早版本

仅CPU/WSL主机：如果Ollama保持超时，则降低 MEMORY_TRIPLE_MAX_PREDICT 在提高超时之前。 install-codex.sh 自动写入保守默认值。 在WSL2上节省30-40秒的延迟→ set MEMORY_ASYNC_ENRICHMENT=true --见下文。

完整配置：请参阅 claude_total_memory/config.py.

______________________________________________________________________

性能调优

v11.0快速模式热路径（默认）

当 MEMORY_MODE=fast （默认）：

llm_calls=0, network_calls=0.复制： ./bin/memory-bench.回归门： ./bin/memory-perf-gate架构原理和每个阶段的审计： docs/v11/audit.md.原始工作台工件： docs/v11/benchmark.md.

如果你的数字与表格不符，请运行 ./bin/memory-bench --warmup 首先，冷FastEmbed导入在第一次调用中占主导地位。

传统：v10.5深度模式 memory_save 延迟

同步v10热路径内联运行五个LLM绑定阶段，因此 drop 判决可能会阻止INSERT，并且矛盾会取代同一事务中的提交。在macOS上使用温暖的Ollama，中值约为340毫秒；在没有GPU/CoreML的WSL2盒子上，每次LLM往返都可以将同一个调用延长到30-40秒。

v10.1提供选择加入功能 收件箱/发件箱工作人员 将重型舞台移出乐队：

sync   : privacy → canonical_tags → INSERT → embed → enqueue → return
worker : quality_gate → entity_dedup_audit → contradiction → episodic → wiki

在您的环境中启用它：

export MEMORY_ASYNC_ENRICHMENT=true
# Optional knobs (defaults shown):
export MEMORY_ENRICH_TICK_SEC=0.1
export MEMORY_ENRICH_BATCH=5
export MEMORY_ENRICH_MAX_ATTEMPTS=3
export MEMORY_ENRICH_STALE_AFTER_SEC=60

重新启动MCP服务器。后台守护进程线程现在消耗 enrichment_queue；您可以在仪表板面板上观看 ⚡ v10.1浓缩工人.

Bench v10.5（10个记录语料库×2轮，开启LLM阶段）

memory_save 延迟：

memory_recall 潜伏期：两种模式（稳态）下p50≈3-5ms， 第一次预热时出现冷缓存p95异常值。

p95塌缩80× 使用async(2150 ms → 27 ms).在WSL2上使用 缓慢的Ollama，形状不变——30-40秒的同步p95变为 异步p95约为300-1000ms（LLM完全移出热路径）。

复制： ./.venv/bin/python benchmarks/v10_5_latency.py --rounds 2 --with-llm. 完整报告： benchmarks/v10_5_results.md.

折衷——软降语义

当async打开时，a quality_gate drop 不再阻止INSERT（我们已经在同步路径中提交了）。相反，该行被标记 status='quality_dropped' 在工人打分之后。 memory_recall 忽略该状态(idx_knowledge_status_quality 在迁移020中添加）。审计历史记录保留在 quality_gate_log 所以没有什么损失。

如果需要严格的插入前门控（例如合规性），请保持默认同步路径。

崩溃恢复

排被卡住了 processing 长于 MEMORY_ENRICH_STALE_AFTER_SEC （默认60秒）翻转回 pending 自动覆盖工作进程在中间阶段终止。先前存在的 write_intents 发件箱仍然盖着一个崩溃 *之前* 插入。

______________________________________________________________________

路线图

在v11.0（2026-04-27）中发货——生产内存引擎

• ✅ 默认 MEMORY_MODE=fast --保存/搜索/调用热路径中的LLM为零，Ollama为零，网络为零。集 MEMORY_MODE=deep 以恢复v10.5行为。
• ✅ 内存核心/AI层拆分 — src/memory_core/* 是确定性的； src/ai_layer/* 拥有每个LLM绑定代码路径。被强迫 tests/test_no_llm_hot_path.py.
• ✅ 4种模式: ultrafast / fast / balanced / deep.单个环境标志。
• ✅ 多嵌入空间契约 --每个向量行记录提供者/模型/维度/空间/内容类型/语言。空间： text / code / log / config单色后端；每空间模型交换仅用于配置。
• ✅ 嵌入带门控的后备梯 --沉默的Ollama后退 Store.embed 需要 MEMORY_ALLOW_OLLAMA_IN_HOT_PATH=true.
• ✅ 新的MCP工具: memory_save_fast, memory_search_fast, memory_explain_search, memory_warmup, memory_perf_report, memory_rebuild_fts, memory_rebuild_embeddings, memory_eval_locomo, memory_eval_recall, memory_eval_temporal, memory_eval_entity_consistency, memory_eval_contradictions, memory_eval_long_context.
• ✅ 迁移021（嵌入空间）+022（嵌入缓存_v11） --下次开始时幂等。
• ✅ 基准测试套件: bin/memory-bench （人工制品 docs/v11/benchmark.md) + bin/memory-perf-gate 对于CI。

以v10.5版本发货（2026-04-27）

• ✅ 通用 memory-protocol 技能 --单个规范SKILL.md+4个参考（所有60多个MCP工具的工具备忘单，15种常见情况的工作流配方，钩子参考，每个IDE设置）+4个模板（Claude Code settings.json，Codex config.toml，Cursor .mdc，克莱恩 .md).每个IDE的内容相同；只是布线不同。
• ✅ install.sh --ide 扩展到9个IDE：克劳德码、代码、光标， 克莱恩, 继续, 帮助, 帆板运动，gemini-cli，opencode。新助手： register_mcp_cline / continue / aider / windsurf + _json_merge_mcp_nested 对于虚线键的情况(cline.mcpServers).
• ✅ 跨平台硬化 --所有bash脚本都通过 bash -n 在macOS bash 3.2（默认）下。替换 ${var,,} 小写抨击 update.sh 随着 tr '[:upper:]' '[:lower:]'。已通过shellcheck验证。
• ✅ 子代理内存协议 --任何子代理的通用标头(php-pro, golang-pro, vue-expert等）具有强制性 memory_recall 之前/ memory_save 之后。中的完整模板 skills/memory-protocol/references/subagent-protocol.md.
• ✅ v10.5延迟基准 — benchmarks/v10_5_latency.py 苹果对苹果同步与异步比较。展示 减少80×p95 (2150 ms → 27 ms)当启用异步并打开LLM阶段时。

以v10.1版本发货（2026-04-27）

• ✅ 异步富集工作者 --选择加入 MEMORY_ASYNC_ENRICHMENT=true 将质量门/实体消除/矛盾检测器/情节链接/wiki刷新移动到后台线程。在macOS上，最大节省延迟为5.4倍，在WSL2上为60-100倍。看 性能调优.
• ✅ enrichment_queue 桌子 具有过时的处理恢复功能（行在中停留时间>60秒 processing 翻转回 pending).
• ✅ 仪表板面板 对于工作人员健康：深度、吞吐量/分钟、每项任务p50/p95ms、最旧的待处理年龄、最近的失败。
• ✅ _binary_search 值错误修复 — np.argpartition 需要 `kth STRICTLY N小时的虚拟会话）
• MLX本地LLM集成（内存#3583中的A1计划）
• 本地路径推测解码（+1.5-1.8×LLM速度）

______________________________________________________________________

支持项目

total-agent-memory 现在是，而且永远是免费的，麻省理工学院授权的。 没有付费层，没有门控功能，没有“企业版”。此页面上的基准是整个产品。

如果它每周为你节省了数小时的上下文粘贴时间，而你想帮助保持开发的进行——或者只是说谢谢——捐赠意义重大。

你的支持资金是什么

非货币援助方式（同样受到赞赏）

• ⭐ 标记回购 --GitHub发现在此运行
• 🐦 在X/HN/Redit上分享基准测试 --接触比捐款更重要
• 🐛 待解决问题 对于repro案例，bug报告是无价之宝
• 📝 写一篇博客文章 关于你如何使用它
• 🔧 提交PR --修复、新工具、新集成
• 🌍 翻译README --RU/DE/JA/ZH的第一批文件非常受欢迎
• 💬 告诉你的团队 --同行推荐转化率比营销好10倍

商业/咨询

• 构建一些可以从自定义集成、本地部署或团队共享内存中受益的东西？ 电子邮件 vbcherepanov@gmail.com --对合同工作和合作关系持开放态度。
• 谁的路线图重叠的AI/dev工具公司？同样的电子邮件——很乐意交谈。

______________________________________________________________________

哲学

麻省理工学院永远。 没有商业许可证转换，没有风险投资，没有黑暗模式。内存层属于使用它的开发人员，而不是SaaS供应商。

当地第一是产品。 如果你想要一个云内存服务，mem0和Supermemory都很棒。如果你想让你的数据在你的磁盘上，不受其他人的影响——这个。

诚实的基准。 此页上的每个数字都可以从中的工件中复制 evals/ 以及其中的脚本 benchmarks/如果你不能重现一个声明，那就打开一个问题——这是一个bug。

______________________________________________________________________

贡献

• 在大型公关之前打开一个问题——节省了每个人的时间。
• pytest tests/ 必须保持绿色。为新工具添加测试。
• 更新 evals/scenarios/*.json 如果您更改检索行为。
• 仅限文档/打印错误的PR不受讨论。

______________________________________________________________________

许可证

麻省理工学院——见 许可证.

______________________________________________________________________

Built for coding agents. Runs on your machine. Free forever.

Compare to mem0 / Letta / Zep / Supermemory · Benchmark artifact · TypeScript SDK · Donate