icm (Rtk AI)

英语 | 法语 | 西班牙语 | 德语 | 意大利语 | 葡萄牙语 | 荷兰语 | 波兰语 | 俄语 | 日本语 | 中文 | 阿拉伯语 | 韩语

ICM

Permanent memory for AI agents. Single binary, zero dependencies, MCP native.

______________________________________________________________________

ICM为你的AI代理提供了一个真正的记忆——不是一个笔记工具，也不是一个上下文管理器 记忆.

                       ICM (Infinite Context Memory)
            ┌──────────────────────┬─────────────────────────┐
            │   MEMORIES (Topics)  │   MEMOIRS (Knowledge)   │
            │                      │                         │
            │  Episodic, temporal  │  Permanent, structured  │
            │                      │                         │
            │  ┌───┐ ┌───┐ ┌───┐  │    ┌───┐               │
            │  │ m │ │ m │ │ m │  │    │ C │──depends_on──┐ │
            │  └─┬─┘ └─┬─┘ └─┬─┘  │    └───┘              │ │
            │    │decay │     │    │      │ refines      ┌─▼─┐│
            │    ▼      ▼     ▼    │    ┌─▼─┐            │ C ││
            │  weight decreases    │    │ C │──part_of──>└───┘│
            │  over time unless    │    └───┘                 │
            │  accessed/critical   │  Concepts + Relations    │
            ├──────────────────────┴─────────────────────────┤
            │             SQLite + FTS5 + sqlite-vec          │
            │        Hybrid search: BM25 (30%) + cosine (70%) │
            └─────────────────────────────────────────────────┘

两种内存型号：

• 回忆 --按重要性进行时间衰减的存储/回忆。批判性记忆永不褪色，低重要性的记忆会自然衰退。按主题或关键字筛选。
• 回忆录 --永久知识图。通过类型化关系链接的概念(depends_on, contradicts, superseded_by, ...).按标签过滤。
• 反馈 --当人工智能预测错误时记录更正。在做出新的预测之前，先搜索过去的错误。闭环学习。

安装

# Homebrew (macOS / Linux)
brew tap rtk-ai/tap && brew install icm

# Quick install (macOS / Linux) — verifies SHA256 against the release checksums
curl -fsSL https://raw.githubusercontent.com/rtk-ai/icm/main/install.sh | sh

# Quick install (Windows PowerShell)
irm https://raw.githubusercontent.com/rtk-ai/icm/main/install.ps1 | iex

# From source
cargo install --path crates/icm-cli

重新运行install命令以升级到最新版本。要固定版本，请传递 --version icm-vX.Y.Z （sh： sh -s -- --version …).

设置

# Auto-detect and configure all supported tools
icm init

配置 17工具 在一个命令中(完整集成指南):

或手动：

# Claude Code
claude mcp add icm -- icm serve

# Compact mode (shorter responses, saves tokens)
claude mcp add icm -- icm serve --compact

# Any MCP client: command = "icm", args = ["serve"]

技能/规则

icm init --mode skill

为Claude Code安装斜线命令和规则(/recall, /remember)，光标(.mdc 规则），Roo代码(.md 规则）和Amp(/icm-recall, /icm-remember).

CLI说明

icm init --mode cli

将ICM指令注入到每个工具的指令文件中：

挂钩（5个工具）

icm init --mode hook

为所有支持的工具安装自动提取和自动调用挂钩：

每个钩子的作用：

CLI与MCP

ICM可以通过CLI使用(icm 命令）或MCP服务器(icm serve).两者都访问同一个数据库。

仪表盘

icm dashboard    # or: icm tui

交互式TUI有5个标签：概述、主题、记忆、健康、回忆录。键盘导航（vim样式：j/k，g/g，Tab，1-5），实时搜索（/），自动刷新。

需要 tui 功能（默认启用）。构建时不包含： cargo install --path crates/icm-cli --no-default-features --features embeddings.

命令行界面

记忆（偶发性，有衰退）

# Store
icm store -t "my-project" -c "Use PostgreSQL for the main DB" -i high -k "db,postgres"

# Recall
icm recall "database choice"
icm recall "auth setup" --topic "my-project" --limit 10
icm recall "architecture" --keyword "postgres"

# Manage
icm forget 
icm consolidate --topic "my-project"
icm topics
icm stats

# Extract facts from text (rule-based, zero LLM cost)
echo "The parser uses Pratt algorithm" | icm extract -p my-project

回忆录（永久知识图）

# Create a memoir
icm memoir create -n "system-architecture" -d "System design decisions"

# Add concepts with labels
icm memoir add-concept -m "system-architecture" -n "auth-service" \
  -d "Handles JWT tokens and OAuth2 flows" -l "domain:auth,type:service"

# Link concepts
icm memoir link -m "system-architecture" --from "api-gateway" --to "auth-service" -r depends-on

# Search with label filter
icm memoir search -m "system-architecture" "authentication"
icm memoir search -m "system-architecture" "service" --label "domain:auth"

# Inspect neighborhood
icm memoir inspect -m "system-architecture" "auth-service" -D 2

# Export graph (formats: json, dot, ascii, ai)
icm memoir export -m "system-architecture" -f ascii   # Box-drawing with confidence bars
icm memoir export -m "system-architecture" -f dot      # Graphviz DOT (color = confidence level)
icm memoir export -m "system-architecture" -f ai       # Markdown optimized for LLM context
icm memoir export -m "system-architecture" -f json     # Structured JSON with all metadata

# Generate SVG visualization
icm memoir export -m "system-architecture" -f dot | dot -Tsvg > graph.svg

记录（逐字回放）

按原样存储与代理交换的每条消息——无摘要，无提取。 稍后使用FTS5（BM25+布尔值+短语+前缀）进行搜索。可用于会话回放， 事后审查、合规审计、培训数据。与精心策划的回忆相辅相成。

# 1. Start a session
SID=$(icm transcript start-session --agent claude-code --project myapp)

# 2. Record every turn verbatim
icm transcript record -s "$SID" -r user      -c "Pourquoi on avait choisi Postgres ?"
icm transcript record -s "$SID" -r assistant -c "JSONB natif, BRIN pour les logs, auto-vacuum tuné."
icm transcript record -s "$SID" -r tool      -c '{"cmd":"psql -c ..."}' -t Bash --tokens 42

# 3. Replay, search, inspect
icm transcript list-sessions --project myapp
icm transcript show "$SID" --limit 200
icm transcript search "postgres JSONB"                    # BM25 ranked
icm transcript search '"auto-vacuum"'                     # phrase match
icm transcript search "postgres OR mysql" --session "$SID" # boolean, scoped
icm transcript stats

# 4. Delete a session (cascade deletes its messages)
icm transcript forget "$SID"

Rust+SQLite+FTS5——0 Python，0 ChromaDB，0外部服务。写入速度比写入速度快约10倍 基于ChromaDB的逐字存储；整个成绩单与您的SQLite文件位于同一个SQLite文件中 回忆和回忆录。

MCP工具（31）

记忆工具

会话工具

回忆录工具（知识图表）

反馈工具（从错误中学习）

转录工具（逐字会话回放）

关系类型

part_of · depends_on · related_to · contradicts · refines · alternative_to · caused_by · instance_of · superseded_by

运作原理

双存储器型号

情景记忆（主题） 捕捉决策、错误和偏好。每个记忆都有一个权重，根据重要性随时间衰减：

记忆卫生 内置：

• 自动除尘：存储与同一主题中现有内存相似度>85%的内容会更新它，而不是创建副本
• 整合提示：当主题超过7个条目时， icm_memory_store 警告调用者进行合并
• 健康审计: icm_memory_health 报告每个主题的条目计数、平均权重、过时条目和整合需求
• 无无声数据丢失：关键和高度重要的记忆永远不会被自动修剪

语义记忆（回忆录） 以图形形式捕获结构化知识。概念是永恒的——它们会被提炼，永远不会腐烂。使用 superseded_by 标记过时的事实，而不是删除它们。

混合搜索

启用嵌入后，ICM使用混合搜索：

• 英尺5 BM25 （30%）--全文关键字匹配
• 余弦相似度 （70%）——通过sqlite-vec进行语义向量搜索

默认型号： intfloat/multilingual-e5-base （768d，100多种语言）。可在您的 配置文件:

[embeddings]
# enabled = false                          # Disable entirely (no model download)
model = "intfloat/multilingual-e5-base"    # 768d, multilingual (default)
# model = "intfloat/multilingual-e5-small" # 384d, multilingual (lighter)
# model = "intfloat/multilingual-e5-large" # 1024d, multilingual (best accuracy)
# model = "Xenova/bge-small-en-v1.5"      # 384d, English-only (fastest)
# model = "jinaai/jina-embeddings-v2-base-code"  # 768d, code-optimized

要完全跳过嵌入模型下载，请使用以下任何一种方法：

icm --no-embeddings serve          # CLI flag
ICM_NO_EMBEDDINGS=1 icm serve     # Environment variable

或设置 enabled = false 在您的配置文件中。ICM将退回到FTS5关键字搜索（仍然有效，只是没有语义匹配）。

更改模型会自动重新创建向量索引（现有的嵌入将被清除，可以用以下命令重新生成 icm_memory_embed_all).

存储

单个SQLite文件。没有外部服务，没有网络依赖性。

~/Library/Application Support/dev.icm.icm/memories.db                    # macOS
~/.local/share/dev.icm.icm/memories.db                                   # Linux
C:\Users\\AppData\Local\icm\icm\data\memories.db                   # Windows

配置

icm config                    # Show active config

配置文件位置（特定于平台，或 $ICM_CONFIG):

~/Library/Application Support/dev.icm.icm/config.toml                    # macOS
~/.config/icm/config.toml                                                # Linux
C:\Users\\AppData\Roaming\icm\icm\config\config.toml              # Windows

看 config/default.toml 对于所有选项。

自动提取

ICM通过三层自动提取内存：

  Layer 0: Pattern hooks              Layer 1: PreCompact           Layer 2: UserPromptSubmit
  (zero LLM cost)                     (zero LLM cost)               (zero LLM cost)
  ┌──────────────────┐                ┌──────────────────┐          ┌──────────────────┐
  │ PostToolUse hook  │                │ PreCompact hook   │          │ UserPromptSubmit  │
  │                   │                │                   │          │                   │
  │ • Bash errors     │                │ Context about to  │          │ User sends prompt │
  │ • git commits     │                │ be compressed →   │          │ → icm recall      │
  │ • config changes  │                │ extract memories  │          │ → inject context  │
  │ • decisions       │                │ from transcript   │          │                   │
  │ • preferences     │                │ before they're    │          │ Agent starts with  │
  │ • learnings       │                │ lost forever      │          │ relevant memories  │
  │ • constraints     │                │                   │          │ already loaded     │
  │                   │                │ Same patterns +   │          │                   │
  │ Rule-based, no LLM│                │ --store-raw fallbk│          │                   │
  └──────────────────┘                └──────────────────┘          └──────────────────┘

所有3层均由自动安装 icm init --mode hook.

基准测试

存储性能

ICM Benchmark (1000 memories, 384d embeddings)
──────────────────────────────────────────────────────────
Store (no embeddings)      1000 ops      34.2 ms      34.2 µs/op
Store (with embeddings)    1000 ops      51.6 ms      51.6 µs/op
FTS5 search                 100 ops       4.7 ms      46.6 µs/op
Vector search (KNN)         100 ops      59.0 ms     590.0 µs/op
Hybrid search               100 ops      95.1 ms     951.1 µs/op
Decay (batch)                 1 ops       5.8 ms       5.8 ms/op
──────────────────────────────────────────────────────────

苹果M1 Pro，内存SQLite，单线程。 icm bench --count 1000

代理效率

具有真实Rust项目的多会话工作流（12个文件，约550行）。会话2+显示了最大的收益，因为ICM会召回而不是重新读取文件。

ICM Agent Benchmark (10 sessions, model: haiku, 3 runs averaged)
══════════════════════════════════════════════════════════════════
                            Without ICM         With ICM      Delta
Session 2 (recall)
  Turns                             5.7              4.0       -29%
  Context (input)                 99.9k            67.5k       -32%
  Cost                          $0.0298          $0.0249       -17%

Session 3 (recall)
  Turns                             3.3              2.0       -40%
  Context (input)                 74.7k            41.6k       -44%
  Cost                          $0.0249          $0.0194       -22%
══════════════════════════════════════════════════════════════════

icm bench-agent --sessions 10 --model haiku

知识保留

代理在整个会话中从密集的技术文档中回忆起具体事实。第1节阅读和记忆；第2+节回答10个事实性问题 没有 源文本。

ICM Recall Benchmark (10 questions, model: haiku, 5 runs averaged)
══════════════════════════════════════════════════════════════════════
                                               No ICM     With ICM
──────────────────────────────────────────────────────────────────────
Average score                                      5%          68%
Questions passed                                 0/10         5/10
══════════════════════════════════════════════════════════════════════

icm bench-recall --model haiku

本地LLM（OLAMA）

对本地模型进行相同的测试——纯上下文注入，不需要使用工具。

Model               Params   No ICM   With ICM     Delta
─────────────────────────────────────────────────────────
qwen2.5:14b           14B       4%       97%       +93%
mistral:7b             7B       4%       93%       +89%
llama3.1:8b            8B       4%       93%       +89%
qwen2.5:7b             7B       4%       90%       +86%
phi4:14b              14B       6%       79%       +73%
llama3.2:3b            3B       0%       76%       +76%
gemma2:9b              9B       4%       76%       +72%
qwen2.5:3b             3B       2%       58%       +56%
─────────────────────────────────────────────────────────

scripts/bench-ollama.sh qwen2.5:14b

LongMemEval（ICLR 2025）

标准学术基准——6种记忆能力的500个问题，来自 LongMemEval纸 （ICLR 2025）。

LongMemEval Results — ICM (oracle variant, 500 questions)
════════════════════════════════════════════════════════════════
Category                        Retrieval     Answer (Sonnet)
────────────────────────────────────────────────────────────────
single-session-user                100.0%           91.4%
temporal-reasoning                 100.0%           85.0%
single-session-assistant           100.0%           83.9%
multi-session                      100.0%           81.2%
knowledge-update                   100.0%           80.8%
single-session-preference          100.0%           50.0%
────────────────────────────────────────────────────────────────
OVERALL                            100.0%           82.0%
════════════════════════════════════════════════════════════════

• 检索 =ICM是否找到了正确的信息？ 所有类别100%。
• 回答 =LLM能否从检索到的上下文中得出正确答案？取决于LLM，而不是ICM。
• 检索分数是ICM基准。答案分数反映了下游LLM能力。

scripts/bench-longmemeval.py --judge claude --workers 8

测试协议

所有基准测试都使用 真正的API调用 --没有模拟，没有模拟响应，没有缓存答案。

• 代理基准：在tempdir中创建一个真正的Rust项目。与运行N个会话 claude -p --output-format json.没有ICM：MCP配置为空。使用ICM：真正的MCP服务器+自动提取+上下文注入。
• 知识保留：使用虚构的技术文档（“子午线协议”）。根据预期事实的关键字匹配对答案进行评分。每次调用超时120秒。
• 孤立：每次运行都使用自己的tempdir和新鲜的SQLite数据库。没有会话持久性。

多代理统一内存

所有17个工具共享相同的SQLite数据库。Claude存储的内存可立即用于Gemini、Codex、Copilot、Cursor和其他所有工具。

ICM Multi-Agent Efficiency Benchmark (10 seeded facts, 5 CLI agents)
╔══════════════╦═══════╦══════════╦════════╦═══════════╦═══════╗
║ Agent        ║ Facts ║ Accuracy ║ Detail ║ Latency   ║ Score ║
╠══════════════╬═══════╬══════════╬════════╬═══════════╬═══════╣
║ Claude Code  ║ 10/10 ║   100%   ║  5/5   ║    ~15s   ║   99  ║
║ Gemini CLI   ║ 10/10 ║   100%   ║  5/5   ║    ~33s   ║   94  ║
║ Copilot CLI  ║ 10/10 ║   100%   ║  5/5   ║    ~10s   ║  100  ║
║ Cursor Agent ║ 10/10 ║   100%   ║  5/5   ║    ~16s   ║   99  ║
║ Aider        ║ 10/10 ║   100%   ║  5/5   ║     ~5s   ║  100  ║
╠══════════════╬═══════╬══════════╬════════╬═══════════╬═══════╣
║ AVERAGE      ║       ║          ║        ║           ║   98  ║
╚══════════════╩═══════╩══════════╩════════╩═══════════╩═══════╝

得分=60%的回忆准确率+30%的事实细节+10%的速度。 98%的多智能体效率。

为什么选择ICM

文档

许可证

阿帕奇-2.0