Memory Pilot

The most advanced MCP memory server. Period.

Hybrid search (BM25 + multilingual-e5-small RRF) · 100+ languages · Temporal Knowledge Graph · Query-aware ranking · Corpus origin detection · Agent/persona disambiguation · Topic tunnels · AAAK compression (5-10x token savings) · GraphRAG · Chunked RAG · Auto-Compaction · Auto-Classification · Memory Capsules · HTTP API · Single binary · Zero API calls

______________________________________________________________________

为什么

AI编码助手在会话之间会忘记一切。MemoryPilot为他们提供了持久的、可搜索的内存，具有项目意识、语义理解和自动知识组织。内置的AAAK压缩和内存胶囊在加载上下文时将令牌消耗减少了5-10x。每个内存在插入时都会自动分类为正确的重要性、类型和TTL。数据库会自动压缩，无需维护。

基准测试

LongMemEval-S（ICLR 2025）——学术标准

对470个问题进行了评估 LongMemEval 基准（ICLR 2025），长期记忆检索的标准学术数据集。翻转级别粒度，每个干草堆约50个会话。

与整个市场相比（LongMemEval-S，公开数据）

MemoryPilot是 **在这个比较中，唯一一个同时是100%本地的系统 *和* 位居排行榜首位**默认的快速模式（约28毫秒）已经击败了所有已发布的竞争对手；自适应交叉编码器模式为每个查询增加了+0.4pp R@5，而每个查询需要一次ONNX重新排序。

详细视图——MemoryPilot vs MemPalace（最接近的本地竞争对手）

¹在两种模式下使用完整的470个问题评估集（在删除30个弃权问题后）进行验证：默认快速本地混合检索（BM25+余弦RRF，~28ms/查询，适用于实时MCP流量）和自适应交叉编码器重新排序(MEMORYPILOT_CROSS_RERANK=adaptive，jina-v2多语言，融合权重0.45，~900ms/query，适用于基准测试和高风险召回）。默认模式已经击败了MemPalace的混合坚持结果；自适应模式以延迟换取额外的+0.4pp R@5和+1.3pp MRR。

按类别（470个问题，自适应重新排序）

法语/多语言基准-- --benchmark-fr

为了补充仅支持英语的LongMemEval，MemoryPilot发布了自己的确定性法语基准，涵盖了109个内存和109个跨基础设施、移动、网络、安全和机器学习领域的释义查询。查询有意远离索引措辞，因此它们实际上行使了语义通道。

由于确定性内存id、基于确定性id的RRF连接中断、同步ANN预热和第一次查询前的显式交叉编码器预热，R@5/R@10上的运行间方差限制在±1pp。这是观察任何法语/多语言回归的指标。

搜索质量——真实世界（500个记忆，30个场景）

______________________________________________________________________

与市场上最好的内存服务器相比：

自动蒸馏从转录本中提取结构化记忆： decision, preference, todo, bug, milestone, problem，以及 note智能消歧：一个同时提到错误及其解决方案的片段被分类为 milestone，不 bug.

支持 session_id, thread_id, window_id 用于多窗口内存作用域。

5.AAAK压缩

灵感来自MemPalace的象征性记忆语言。当 compact: true 传递给 recall 或 get_project_brain，输出使用简洁的管道分隔格式压缩约3倍：

[DEC:5] Use Clerk over Auth0 | tags:auth,stack | proj:MyApp
[PREF:4] Always use TypeScript strict mode | tags:typescript

6.自愈（自动翻板）

MemoryPilot会监视您的文件。当你保存Rust、Svelte或TypeScript文件时，它会在后台运行。编译错误会自动存储为 bug 具有精确堆栈痕迹的内存。错误修复后，内存将自动删除。

linter线程在其整个生命周期内重用单个DB连接。

7.垃圾收集和自动压实

旧的、不重要的记忆会被评分作为清理候选。使用启发式关键字提取将相关陈旧记忆组合并为压缩摘要。孤立链接和实体将被清除。数据库在重大删除后被清空。

自动压实 当内存计数超过500时自动触发：GC在以下时间后在后台运行 add_memory，改为每5分钟一次。零人工干预。

记忆胶囊 (compact_memories 工具）：将旧的低重要性记忆压缩到密集的~100-200个令牌胶囊中。凭证和架构决策永远不会被压缩。Capsules保留知识图谱链接，在不丢失回忆的情况下，为您的旧记忆节省5-10倍的代币。

8.零样本自动分类

当调用者没有指定类型或重要性时，插入时会自动对每个内存进行分类。基于模式的启发式检测：

• 凭证 （API密钥、机密）→ 重要性5，无TTL
• 架构决策 → 重要性5
• 偏好/模式 → 重要性4
• 漏洞 → 重要性3，TTL 90天
• 全部 → 重要性2，TTL 30天
• 代码片段 → 重要性2
• 里程碑 → 重要性4

不需要LLM——纯正则表达式+关键字启发式。AI仍然可以通过传递显式 kind 和 importance.

9.项目大脑

一个工具调用返回1500个令牌以下项目的密集JSON快照：技术栈、架构决策、活动错误、最近的更改、关键组件和 团队成员 （自动检测个人实体）。支持 compact: true 用于AAAK压缩。

安装

一个衬垫（推荐）

git clone https://github.com/Soflution1/MemoryPilot.git && cd MemoryPilot && ./install.sh

安装程序构建MemoryPilot，将二进制文件安装到 ~/.local/bin/，检测您的IDE，并自动配置每个IDE。

支持的IDE：

该脚本是幂等的——再次运行它以在不破坏现有MCP配置的情况下进行更新。

ChatGPT桌面

ChatGPT需要远程MCP端点。启动HTTP服务器，然后将其添加为自定义连接器：

MemoryPilot --http 7437

在ChatGPT中：设置→ Apps → 创建→ URL: http://localhost:7437/mcp

手动安装

git clone https://github.com/Soflution1/MemoryPilot.git
cd MemoryPilot
cargo build --release --features http
cp target/release/MemoryPilot ~/.local/bin/
chmod +x ~/.local/bin/MemoryPilot
xattr -cr ~/.local/bin/MemoryPilot  # macOS only

然后手动将MemoryPilot添加到IDE的MCP配置中（文件路径见上表）。

运作原理

就这样 MemoryPilot在启动时自动将动态系统提示注入IDE。AI将主动呼叫 add_memory 在后台存储您的体系结构决策、API密钥和bug修复，而无需手动干预。所有配置的IDE共享相同的内存数据库。

对于ChatGPT或任何需要HTTP的MCP客户端：运行 MemoryPilot --http 在以下位置公开Streamable HTTP端点 /mcp.

或通过使用 McpHub 用于与所有其他MCP服务器进行SSE传输。

首次运行

# If upgrading from v1 (JSON files):
MemoryPilot --migrate

# Compute embeddings for existing memories:
MemoryPilot --backfill

# Force re-embed all (skips unchanged via content hash):
MemoryPilot --backfill-force

MCP工具（30）

核心

• 精确的期限覆盖率提高：当80%以上的查询词出现在内存内容中时，增加10%
• 组合重新排序器：贪婪子图选择，保守+每个连接5%（上限15%）
• KG查询扩展：知识图相关术语的检索后评分提高（每个实体+4%，上限15%）
• 时间新近性：对过去3天的记忆温和+5%，超过30天就会腐烂
• 重要性决胜局：每级±3%——从不覆盖相关性信号
• 自适应交叉编码器重新排序 （通过FastEmbed ONNX使用jina-v2多语言，默认开启）：在硬/非英语查询时触发，与可调0.45权重的RRF分数融合，在简单的英语查询中干净地降至BM25+RRF，保持在30毫秒以下。N个会话池(MEMORYPILOT_RERANK_POOL_SIZE)吸收并发负载。
• 信任之门：当前1名RRF分数已经比前3名高出≥25%时，跳过重新排名（潜在路径；启用强制重新排名时处于活动状态）
• 自动压实：当内存计数>500时，GC会自动触发，取消为每5分钟一次
• 记忆胶囊：旧的低重要性记忆压缩为约100-200个令牌摘要（节省5-10倍）
• 零样本汽车分类：基于模式的启发式方法在没有LLM的情况下插入时分配种类、重要性和TTL

地方快速发展

使用 cargo check 用于日常验证；它捕获类型和借用错误，而无需支付全部链接成本。

make check          # cargo check
make check-http     # cargo check --features http
make test           # cargo test
make timings        # cargo build --timings
make check-cached   # RUSTC_WRAPPER=sccache cargo check

sccache 是可选的，但建议用于频繁的重建：

make sccache-install
make build-cached

货物别名也可用： cargo dev, cargo check-http, cargo test-fast, cargo timings，以及 cargo build-http.

保持 cargo build --release --features http 用于发布验证和基准测试运行。链接交换，如 mold 或 lld 在macOS上默认情况下故意不启用；用测量 cargo build --timings 先换 .cargo/config.toml.

自己运行基准测试

MemoryPilot --benchmark-search --scenario-limit 30    # R@5, R@10, NDCG@10, cluster coherence, latency
MemoryPilot --benchmark-recall --scenario-limit 12    # top1/top5 hit rate, cross-project leak, credential safety
MemoryPilot --benchmark-longmemeval [PATH] [--limit N] [--min-r5 PCT] # LongMemEval-S with regression guard

LongMemEval基准下载 LongMemEval-S数据集 并以轮次粒度评估470个问题的检索质量。结果以JSON格式输出，并按类别细分。

交叉编码器正在运行 自适应的 默认模式（在硬/非英语查询时触发）。明确强制或禁用它：

MEMORYPILOT_CROSS_RERANK=off MemoryPilot --benchmark-longmemeval benchmarks/longmemeval_s_cleaned.json     # baseline, ~28ms/query, 98.7% R@5
MemoryPilot --benchmark-longmemeval benchmarks/longmemeval_s_cleaned.json                                 # adaptive (default), ~900ms/query, 99.1% R@5
MEMORYPILOT_CROSS_RERANK=1 MemoryPilot --benchmark-longmemeval benchmarks/longmemeval_s_cleaned.json      # force on every query, max latency
MEMORYPILOT_CROSS_RERANK_WEIGHT=0.70 MemoryPilot --benchmark-longmemeval benchmarks/longmemeval_s_cleaned.json  # bias more toward the cross-encoder score
MEMORYPILOT_RERANKER_MODEL=bge-v2-m3 MemoryPilot --benchmark-longmemeval benchmarks/longmemeval_s_cleaned.json  # swap the model

支持的模型快捷方式： jina-v2-multilingual （默认）， bge-v2-m3, bge-base，以及 jina-v1验证了470个可评估LongMemEval-S问题的完整运行结果：默认快速模式达到 5时相对误差为98.7%, 95.1%NDCG@10, 93.6%MRR平均搜索延迟约为28毫秒；自适应模式达到 5时为99.1%, 96%NDCG@10, 94.9%MRR平均搜索延迟约为900毫秒。确定性法国基准(--benchmark-fr)是任何多语言变化的典型回归测试——跨运行方差限制在±1pp R@5。

存储

• 数据库： ~/.MemoryPilot/memory.db
• 全局提示： ~/.MemoryPilot/GLOBAL_PROMPT.md
• 快速嵌入模型缓存： ~/.fastembed_cache/ （首次运行时下载）

许可证

Sofolution源代码可用许可证 --免费使用，不分叉或修改。看 许可证 了解详情。

建造于 SOFLUTION有限公司