Mind Mem

MIND-Mem

Drop-in memory for Claude Code, OpenClaw, and any MCP-compatible agent.

OpenClaw is an open-source AI assistant platform with multi-channel support.

Local-first • Zero-infrastructure • Governance-aware • MIND-accelerated

______________________________________________________________________

用于AI编码代理的内存层——Claude Code、Claude Desktop、Codex CLI、Gemini CLI、Cursor、Windsurf、Zed、OpenClaw或任何兼容MCP的客户端。将您的代理从“聊天历史+笔记”升级为受管理的 内存操作系统 混合搜索、RRF融合、意图路由、可选MIND内核、结构化持久性、矛盾检测、漂移分析、安全治理和完整审计跟踪。

如果你的经纪人跑了几周，它就会漂移。MIND Mem可防止无声漂移。 MIND Mem为记忆平面提供动力 MIND认知内核 --确定性AI运行时架构。

所有AI代理共享内存

这就是杀手锏。 安装MIND Mem时，所有AI编码代理共享相同的内存工作区。Claude Code、Codex CLI、Gemini CLI、Cursor、Windsurf、Zed——每个兼容MCP的客户端都通过一个工作区连接到同一个持久内存。

这在实践中意味着什么：

• 作出的决定 克劳德代码 立即被召回 Codex CLI 和 Gemini CLI
• 实体知识（项目、工具、人员）从以下方面积累 所有代理的所有会话
• 一个代理检测到的矛盾会被标记给所有其他代理
• 你的记忆不会在工具之间分裂——它会复合

一个安装脚本，所有代理在几秒钟内配置完毕：

git clone https://github.com/star-ga/mind-mem.git
cd mind-mem
./install.sh --all    # Auto-detects and configures every AI coding client on your machine

安装程序会自动检测Claude Code、Claude Desktop、Codex CLI、Gemini CLI、Cursor、Windsurf、Zed和OpenClaw——创建一个共享工作区，并将MCP服务器连接到每个客户端的配置中。SQLite WAL模式确保安全的并发访问：一个写入器，多个读取器，零损坏。

30秒演示

pip install mind-mem
mind-mem-init ~/my-workspace        # Create workspace
mind-mem-recall -q "API decisions" --workspace ~/my-workspace  # Hybrid BM25F search
mind-mem-scan ~/my-workspace        # Detect drift & contradictions

输出：

[1.204] D-20260215-001 (decision) — Use async/await for all API endpoints
        decisions/DECISIONS.md:11
[1.094] D-20260210-003 (decision) — REST over GraphQL for public API
        decisions/DECISIONS.md:20

v4.0.9（2026-05-15发布）-Predicate.register（）运行时API+CI矩阵在12个操作系统×Python-version行中完全绿色。添加 Predicate.register(name) 到 knowledge_graph 返回马厩 _RuntimePredicate 哨兵（str亚类 .name/.value 枚举形状的attr），因此下游适配器在不分叉封闭枚举的情况下扩展谓词集。修复：实时LLM HTTP调用 test_cross_encoder_auto_enable + test_query_expansion_auto_enable （嘲笑 decompose_query/expand_queries 所以多跳 *检测* 在没有网络的情况下仍然着火）；Windows断路器定时片（超过Windows 15.6ms定时器刻度后，余量变宽）；mypy插槽注释 _RuntimePredicate.CI基础设施： --cov 仅在ubuntu-3.12上（其他11行跳过插装）， pytest-timeout=120s --timeout-method=thread 按名称挂起测试的表面，5个易发生OOM的并发文件标记为文件级压力，build_index 55s perf回归（参考文献#530）在分类时标记为压力。CI运行25901731047:26/26作业成功。基于v4.0.8构建（关闭4个未决问题+CI绿色。 #526 ACL _get_request_scope fail closed：自省异常现在返回 "deny" 哨兵（沉默不语） None → "user" 降级），装饰器短路以拒绝调用，结构化 acl_introspection_failed 日志+ mcp_acl_introspection_failed_total 度量值出现偏差（严重）。 #527 THREE_WAY_MERCE现在颠簸 block_tier_vclock 对于合成合并代理和两个分叉代理，因此已解决的冲突不会在下一个代理上再次发生 detect_conflict 通过（关键、功能）。 #528 现在，每次三方合并都会发出一个结构化的 three_way_merge_resolved 使用SHA-256哈希值的日志 left_payload / right_payload / merged_payload 用于操作员审核（关键、HTTP传输）。 #529 FederationClient通过方案allowlist强化（拒绝 file:///ftp:///等等。)，同源重定向处理程序（阻止SSRF枢轴到 169.254.169.254)，响应大小上限 MAX_RESP_BYTES = 1 MiB （高）。18个新的回归测试+75个现有通过。另外5个并发/压力测试文件丢失 pytestmark = pytest.mark.stress 并在ubuntu CI上运行，导致OOM（与v3.1.8类相同） test_niah)；固定。基于v4.0.7构建（仅测试修复 test_failure_increments_failure_counter)，v4.0.6（PyPI徽章对齐+CI绿色。README徽章块向左刷新（PyPI的严格CommonMark将4个空格的缩进行视为代码块，即使它在GitHub上表现良好，也会将徽章放在PyPI页面的中心）。也： ruff format 对10个漂移文件（关闭lint作业）， -m "not stress" 添加到两个CI pytest步骤中（关闭ubuntu 3.12/3.14上来自压力标记测试的OOM杀死，如 test_niah)，Python 3.14矩阵行现在建议通过 continue-on-error （仍为预发布）。没有源代码或测试更改。基于v4.0.5（2026-05-14）构建——文档/徽章对齐+发布工作流幂等。静态README徽章现在与基本事实相匹配(tests-5155+, clients-15, audit-10-LLM, 84 MCP工具）；CLAUDE.md漂移清除；对照表已更正。 .github/workflows/release.yml 通过 skip-existing: true 因此，标签被重新推送，当地的绳线比赛不再是400。与v4.0.4（PyPI徽标绝对URL）和v4.0.3（Postgres支持的召回管道修复： recall() 现在，在库入口点将调度到配置的后端，以及 mm doctor --rebuild-cache 创建+填充FTS5 blocks_fts 在PG支持的工作空间中首次运行虚拟表；关闭#524+#525）。 mind-mem-4b 重量不变。基于v4.0.2（2026-05-13-安全性+正确性审计通过：在HTTP传输强化、联邦正确性、检索质量、文档对齐方面关闭了46个发现）、v4.0.1（HTTP上的联邦有线传输+stdlib FederationClient)，以及v4.0.0（认知内核、知识图、弹性套件、可观察性——所有v4表面都标记为门控，没有破坏性变化）。同伴 mind-mem-4b v4.1.1 （r4再训练， 133/133 = 100% 在111探头主+22探头夹持面上；关闭v4.1.0 KernelKind幻觉）是当前的 main 上 明星ga/mind-mem-4b；v4.1.0、v4.0.0-base和v3.12.0在HF修订分支上仍然是可尖峰的。

信任信号

______________________________________________________________________

目录

• 为什么MIND Mem
• 特性
• 集成
• 基准结果
• 快速开始
• 健康摘要
• 命令
• 建筑
• 如何比较
• 召回
• MIND内核
• 自动捕获
• 多代理内存
• 治理模式
• 块格式
• 配置
• MCP服务器
• 安全
• 故障排除
• 贡献
• 许可证

深潜文档

• docs/setup.md --安装、配置、连接MCP、选择加入MIND本机内核
• docs/usage.md --每个表面（MCP工具按类别， mm CLI， mind-mem-verify，Python库）及其工作示例
• docs/client-integrations.md — 17个AI客户端集成 （克劳德代码、Codex、Vibe、Gemini、Cursor、Windsurf、aider、OpenClaw、NanoClaw、NemoClaw、Continue、Cline、Roo、Zed、Copilot、Cody、Qodo） mm install-all 自动检测
• docs/mind-mem-4b-setup.md --下载+运行 star-ga/mind-mem-4b 本地全FT模型（变压器、exllamav2、vLLM、llama.cpp、Ollama）
• ROADMAP.md --功能路线图（v2.8.0中关闭了所有282个v2.x复选框）
• CHANGELOG.md --每个已发布版本的发行说明

______________________________________________________________________

为什么MIND Mem

大多数内存插件 存储和检索那是桌上的赌注。

MIND Mem也 检测你的记忆何时出错 --决策之间的矛盾、从未正式化的非正式选择的偏离、没有人提及的死决策、指向虚无的孤立任务——并提供了一条安全的解决途径。

新颖的贡献

MIND Mem引入了现有存储系统中没有的几种技术：

______________________________________________________________________

特性

基于RRF融合的混合BM25+矢量搜索

线程并行BM25和具有互易秩融合的向量搜索（k=60）。每个信号的可配置权重。Vector是可选的，只适用于BM25。

RM3动态查询扩展

使用JM平滑语言模型的伪相关反馈。使用初始结果集中的顶级术语扩展查询。回到对抗性查询的静态同义词。零依赖。

9型意向路由器

将查询分类为为什么、何时、实体、什么、如何、列表、验证、比较或跟踪。每种意图类型都映射到优化的检索参数（限制、扩展设置、图遍历深度）。

A-MEM元数据演化

自动维护的每个块元数据：访问计数、重要性得分（限制在\[0.8,1.5\]重新排名提升）、关键字演变和共现跟踪。重要性随着指数的临近而衰减。

确定性重新排名

四个信号重新排序管道：否定意识（惩罚矛盾的结果）、日期接近度（高斯衰减）、20类分类匹配和近因增强。不需要ML。

可选交叉编码器

插入式ms-marco-MiniLM-L-6-v2交叉编码器（80MB）。混合0.6\*CE+0.4\*原始分数。不可用时优雅地回落。通过配置启用。

MIND内核（可选，本机速度）

17个编译的MIND评分内核（BM25F、RRF融合、重新排序、否定惩罚、日期接近度、类别提升、重要性、实体重叠、置信度、top-k、加权排名、类别亲和力、查询类别相关性、类别分配）。编译为本机 .so 通过 MIND编译器纯Python回退始终可用——没有编译就不会丢失任何功能。

MIC/MAP——MIND IR图序列化

STARGA有线格式的纯Python编解码器： mic@2 （面向行的文本，LLM可读，git友好）和 mic-b （变二进制，~4×更小）。两者都以字节相同的往返编码类型化数据流图（符号+类型+值+输出）。用于有界峰值内存的流解析器；可选Cython加速器 mind-mem[accelerated] （解析时为+16/+20/+36%）。两个MCP工具(mic_convert, mic_inspect)以及a mm mic CLI为代理和操作员显示它。看 docs/mic-map.md.

BM25F混合动力车召回

BM25F字段加权评分（k1=1.2，b=0.75），每个字段加权（语句：3x，标题：2.5x，姓名：2x，摘要：1.5x），波特词干分析，二元组短语匹配（每次点击提高25%），重叠句子分块（3个字节窗口，1个句子重叠），领域感知查询扩展，以及可选的基于2跳图的交叉引用邻居增强。零依赖。快速和确定性。

基于图形的召回

2跳交叉引用邻居增强——当找到关键字匹配时，引用或被匹配引用的块将得到增强（1跳：0.3倍衰减，2跳：0.1倍衰减）。与决策、任务和实体相关的曲面，它们不共享关键字，但在结构上相互连接。自动启用多跳查询。

矢量召回（可选）

可插拔的嵌入式后端——本地ONNX（全MiniLM-L6-v2，无需服务器）或云（Pinecone）。不可用时回退到BM25。

持久内存

结构化、经过验证、仅附加具有来源的决策/任务/实体/事件，并取代链。纯Markdown文件——人类可读，机器可解析。

免疫系统

持续完整性检查：矛盾、漂移、死亡决策、孤立任务、覆盖率评分、回归检测。74+结构验证规则。

安全治理

所有更改都通过分级模式进行： detect_only → propose → enforce.应用带有快照、收据、DIFF和验证失败时自动回滚的引擎。

对抗性弃权分类器

对抗性/验证查询的确定性LLM前置信门。根据实体重叠、BM25评分、说话者覆盖率、证据密度和否定不对称性计算置信度。低于阈值→ 在没有致电法学硕士的情况下强行弃权，防止对无法回答的问题产生幻觉。

带结构化提取的自动捕获

会话结束钩子检测决策/任务语言（26种具有置信度分类的模式），提取结构化元数据（主题、对象、标签），并写入 SIGNALS.md 只有。永远不要直接触及真理的源头。所有信号都通过 /apply.

并发安全

跨平台咨询文件锁定(fcntl/msvcrt/原子创建）保护所有并发写入路径。基于PID的清除的死锁检测。零依赖。

压实和GC

自动化工作空间维护：归档已完成的块，清理旧快照，压缩已解析的信号，将每日日志归档到年度文件中。具有干运行模式的可配置阈值。

可观测性

结构化JSON日志记录（通过stdlib）、进程内指标计数器和时序上下文管理器。所有脚本都会发出机器可解析的事件。通过控制 MIND_MEM_LOG_LEVEL 有人是。

多代理命名空间和ACL

工作区级别+每个代理的私有命名空间，具有基于JSON的ACL。代理策略的fnmatch模式匹配。用于跨代理传播的共享事实分类账，带有数据删除和审查门。

自动冲突解决

分级解析管道：时间戳优先级、置信度优先级、范围特异性、手动回退。生成具有完整性哈希的替代提案。人为否决循环——未经审查，决不会自动申请。

预写日志（WAL）+备份/恢复

通过基于日志的WAL进行防撞写作。完整工作区备份（tar.gz），git友好的JSONL导出，具有冲突检测和路径遍历保护的选择性还原。

转录JSONL捕获

扫描Claude Code转录文件，查找用户更正、惯例发现、错误修复见解和架构决策。16种具有角色过滤和置信度分类的转录本特定模式。

MCP服务器（84个工具，8个资源）

满的 模型上下文协议 服务器有84个工具和8个只读资源。适用于Claude Code、Claude Desktop、Cursor、Windsurf和任何兼容MCP的客户端。HTTP和stdio传输；HTTP需要承载令牌身份验证（失败关闭）——请参阅 令牌认证（HTTP）已添加v3.8.11版本 mic_convert_tool / mic_inspect_tool （MIC/MAP线格式）；已添加v3.9.0 compile_truth_walkthrough, recall_with_persona, pipeline_status，以及 reindex_dirty；已添加v3.11.0 validate_block, block_lineage，以及 add_block_edge （确定性质量门+类型化沿袭边）。

74+结构检查+3024单元测试

validate.sh 检查模式、交叉引用、ID格式、状态值、替换链、约束签名等。由覆盖所有核心模块的3024个pytest单元测试支持。

审计跟踪

每个申请的提案都记录了时间戳、收据和DIFF。信号的完全可追溯性→ 提案→ 决定。

校准反馈回路

基于贝叶斯权重计算的逐块质量跟踪。当用户通过以下方式提供反馈（竖起大拇指/向下大拇指）时 calibration_feedback，该系统在30天的窗口内保持每个块的滚动质量分数。贝叶斯平滑将校准权重限制在0.5-1.5的范围内，防止任何单个块占据主导地位或被压制。校准权重直接集成到BM25+FTS5检索管道中——高质量块排名更高，低质量块自然降级。使用 calibration_stats 检查每个块的质量分布和全局校准健康状况。

LLM引导的多查询扩展

在搜索之前生成语义多样的查询重新表述——同义词扩展、特异性转换、时间重新表述和否定变体。将所有重新制定的查询与往复式排名融合相结合，在不牺牲精度的情况下实现更广泛的召回率。以零API调用在本地运行。

4层搜索重复数据删除

检索后数据删除管道：每个源的最佳块（保留每个文件中得分最高的块）、余弦相似性数据删除（>0.85阈值）、类型多样性上限（每个块类型最多3个结果）和每个源的块限制。消除浪费LLM上下文的冗余结果。

LLM引导的智能分块

内容感知分块，在语义边界（标题、段落分隔、列表项、代码块）而不是固定的字符数处进行分割。生成具有重叠的可变大小块以实现连续性。支持带有特定格式拆分规则的markdown、代码和散文。

编译的真相页面

按实体知识汇编：顶部为当前最佳理解，下面为带时间戳的证据线索。通过自动标记对证据条目进行矛盾检测。实体从所有会话中积累知识——每个新的证据条目都会与现有事实进行核对。

梦境周期（自主记忆丰富）

计划的背景丰富：扫描最近的内存，查找缺失的交叉引用、损坏的引用、孤立实体和整合机会。为过时的链接生成修复建议，检测尚未正式化的隐式实体，并压缩冗余条目。在空闲期间以可配置的深度运行。

特征完整性矩阵

______________________________________________________________________

集成

诚实的定位。以下集成为 *软件级* — 命名工具通过模型上下文协议与MIND Mem进行对话。 他们是 不 与任何供应商的商业客户关系。 全面定位政策： docs/integrations.md.

原生MCP与17个AI开发工具集成

pip install mind-mem
mm install-all

mm install-all 自动检测计算机上支持的每个客户端 并为每个对象写入相应的配置文件。MIND Mem说 模型上下文协议 --任何 MCP兼容客户端只需一个命令即可连接。

与主要LLM提供商兼容

MIND Mem的召回渠道与供应商无关。经过测试 拟人克劳德（3.5 Sonnet，4.x），OpenAI GPT（4o，5.4），谷歌 Gemini（2.0 Flash，3.1 Pro）、Mistral Large和本地端点 （Ollama，vLLM，骆驼注册会计师）。兼容性在API合同中 level——同一MIND Mem服务器返回相同的答案 不管哪个LLM要求。

STARGA的生产使用情况

MIND Mem是STARGA六个活动驾驶员的日常记忆层 项目： mind, mind-runtime, mindlang.dev, mind-inference, mind-fleet, arch-mind第一方，可由我们自己验证 提交历史。

我们不主张的

• ❌ “OpenAI/微软/Anthropic/谷歌是我们的客户”——不正确。

这些是软件级MCP集成，不是商业级的 关系。

• ❌ “被STARGA以外的N个制作团队使用”——我们没有

遥测。PyPI下载计数衡量的是安装次数，而不是活动使用次数。

如果未来的整合成为真正的商业关系 （已签署合同，付费飞行员，指定参考），它将出现在 请先阅读新闻稿，而不是在README中。

______________________________________________________________________

基准结果

MIND Mem的回忆引擎使用多种配置在标准的长期记忆基准上进行评估，从纯BM25到具有神经重排序的全混合检索。

草垛中的针（NIAH）

250/250-100%检索 跨越所有草堆大小、埋藏深度和针类型。

在语义多样的填充块的干草堆中，在受控的深度植入了一个单一的事实。系统必须仅使用自然语言查询来检索前5个结果中的针。

配置： 混合BM25+BAAI/bge-large-en-v1.5+RRF（k=60）+sqlite向量。详细信息： 基准测试/NIAH.md

LoCoMo LLM担任法官

与Mem0和Letta评估相同的管道：检索上下文，使用LLM生成答案，使用判断LLM对黄金参考进行评分。直接可比方法。

v1.0.7——混合动力+top_k=18 （Mistral回答者+裁判，conv-0199个问题）：

管道： BM25+Qwen3-Embedded-8B（4096d）矢量搜索→ RRF融合（k=60）→ 前18个证据块→ 观测压缩→ 回答→ 法官。A/B验证：平均值+2.8，top_k=10基线。

v1.1.1--BM25+top_k=18 （Mistral Large回答者+评判，10次对话，1986个问题）：

管道： BM25+RM3查询扩展→ 前18个证据块→ 观测压缩→ 回答→ 法官。Mistral Large作为回答者和评判者的完整10个对话基准。

v1.0.0——仅BM25基线 （gpt-4o-迷你应答器+裁判，10个对话）：

自v1.0.0以来的主要改进： 通过弃权分类器+混合检索，对抗准确率从36.3%提高到92.4%。总体Acc≥50从67.3%提高到73.8%（+6.5pp）。

竞争格局

MIND Mem现在 超越Mem0和Letta 随着 仅限本地 检索——在检索循环中没有云调用、没有图数据库、没有LLM。MIND Mem的独特价值在于 治理 （矛盾检测、漂移分析、审计跟踪）以及 与代理无关的共享内存 通过MCP——这些基准无法衡量的领域。

基准比较（2026-02-22）

在没有云基础设施的情况下，MIND Mem超过了Mem0（68.5%）、Letta（74.0%）和Memobase（75.8%）。完整的10个对话基准（1986个问题）在规模上验证了这一点。

LongMemEval（ICLR 2025，470个问题）

性能（延迟和吞吐量）

使用SQLite FTS5后端在65个区块的工作空间（典型的个人工作空间）上进行测量：

______________________________________________________________________

建筑

your-workspace/
├── mcp_server.py            # MCP server (FastMCP, 81 tools, 8 resources)
├── mind-mem.json             # Config
├── MEMORY.md                # Protocol rules
│
├── mind/                    # 17 MIND source files (.mind)
│   ├── bm25.mind           # BM25F scoring kernel
│   ├── rrf.mind            # Reciprocal Rank Fusion kernel
│   ├── reranker.mind        # Deterministic reranking
│   ├── abstention.mind      # Confidence gating
│   ├── ranking.mind         # Evidence ranking
│   ├── importance.mind      # A-MEM importance scoring
│   ├── category.mind        # Category relevance scoring
│   ├── recall.mind          # Combined recall scoring
│   ├── hybrid.mind          # BM25 + vector hybrid fusion
│   ├── rm3.mind             # RM3 pseudo-relevance feedback
│   ├── rerank.mind          # Score combination pipeline
│   ├── adversarial.mind     # Adversarial query detection
│   ├── temporal.mind        # Time-aware scoring
│   ├── prefetch.mind        # Context pre-assembly
│   ├── intent.mind          # Intent classification
│   └── cross_encoder.mind   # Cross-encoder blending
│
├── lib/                     # Compiled MIND kernels (optional)
│   └── libmindmem.so       # mindc output — not required for operation
│
├── decisions/
│   └── DECISIONS.md         # Formal decisions [D-YYYYMMDD-###]
├── tasks/
│   └── TASKS.md             # Tasks [T-YYYYMMDD-###]
├── entities/
│   ├── projects.md          # [PRJ-###]
│   ├── people.md            # [PER-###]
│   ├── tools.md             # [TOOL-###]
│   └── incidents.md         # [INC-###]
│
├── memory/
│   ├── YYYY-MM-DD.md        # Daily logs (append-only)
│   ├── intel-state.json     # Scanner state + metrics
│   └── maint-state.json     # Maintenance state
│
├── summaries/
│   ├── weekly/              # Weekly summaries
│   └── daily/               # Daily summaries
│
├── intelligence/
│   ├── CONTRADICTIONS.md    # Detected contradictions
│   ├── DRIFT.md             # Drift detections
│   ├── SIGNALS.md           # Auto-captured signals
│   ├── IMPACT.md            # Decision impact graph
│   ├── BRIEFINGS.md         # Weekly briefings
│   ├── AUDIT.md             # Applied proposal audit trail
│   ├── SCAN_LOG.md          # Scan history
│   ├── proposed/            # Staged proposals + resolution proposals
│   │   ├── DECISIONS_PROPOSED.md
│   │   ├── TASKS_PROPOSED.md
│   │   ├── EDITS_PROPOSED.md
│   │   └── RESOLUTIONS_PROPOSED.md
│   ├── applied/             # Snapshot archives (rollback)
│   └── state/snapshots/     # State snapshots
│
├── shared/                  # Multi-agent shared namespace
│   ├── decisions/
│   ├── tasks/
│   ├── entities/
│   └── intelligence/
│       └── LEDGER.md        # Cross-agent fact ledger
│
├── agents/                  # Per-agent private namespaces
│   └── /
│       ├── decisions/
│       ├── tasks/
│       └── memory/
│
├── mind-mem-acl.json        # Multi-agent access control
├── .mind-mem-wal/           # Write-ahead log (crash recovery)
│
└── src/mind_mem/
    ├── mind_ffi.py          # MIND FFI bridge (ctypes)
    ├── hybrid_recall.py     # Hybrid BM25+Vector+RRF orchestrator
    ├── block_metadata.py    # A-MEM metadata evolution
    ├── cross_encoder_reranker.py  # Optional cross-encoder
    ├── intent_router.py     # 9-type intent classification (adaptive)
    ├── recall.py            # BM25F + RM3 + graph scoring engine
    ├── recall_vector.py     # Vector/embedding backends
    ├── sqlite_index.py      # FTS5 + vector + metadata index
    ├── connection_manager.py # SQLite connection pool (WAL read/write separation)
    ├── block_store.py       # BlockStore protocol + MarkdownBlockStore
    ├── corpus_registry.py   # Central corpus path registry
    ├── abstention_classifier.py  # Adversarial abstention
    ├── evidence_packer.py   # Evidence assembly and ranking
    ├── intel_scan.py        # Integrity scanner
    ├── apply_engine.py      # Proposal apply engine (delta-based snapshots)
    ├── block_parser.py      # Markdown block parser (typed)
    ├── capture.py           # Auto-capture (26 patterns)
    ├── compaction.py        # Compaction/GC/archival
    ├── mind_filelock.py     # Cross-platform advisory file locking
    ├── observability.py     # Structured JSON logging + metrics
    ├── namespaces.py        # Multi-agent namespace & ACL
    ├── conflict_resolver.py # Automated conflict resolution
    ├── backup_restore.py    # WAL + backup/restore + JSONL export
    ├── transcript_capture.py  # Transcript JSONL signal extraction
    ├── validate.sh          # Structural validator (74+ checks)
    └── validate_py.py       # Structural validator (Python, cross-platform)

______________________________________________________________________

如何比较

快速比较

概览

全功能矩阵

与AI代理的每个主要内存解决方案相比（截至2026年）：

| --------------- | :------------------------------------: | :-----------------------------------: | :-----------------------------------------------------: | :----------------------------: | :---------------------------: | :-----------------------------------------: | :-----------------------------: | :----------------------------------: | :---------------------------------------------: | :------------------------------------------: | :----------: | | 召回 | | | | | | | | | | | | |矢量|云|云|色度|是|是| 可选的 | |词汇|过滤器|--|--|--|--|--|--|---|--|BM25|--| BM25F | |图表|是|--|--|--是|--|是|--是|是|梁|--| 2跳 | |混合动力+RRF |部分|--|--|--|是|--|是|是| 是 | — | 是 | |交叉编码器|--|--|---|--|--|--|--|--|qwen3 0.6B|--| 迷你LM 80MB | |意向路由|--|--|---|--|--|--|---|--|-是|-| 9种类型 | |查询扩展|--|--|---|--|--|--|---|--|QMD 1.7B|--| RM3（零存款） | | 坚持 | | | | | | | | | | | | |结构化|JSON|JSON|SQL|Blk|Grph|KV|Grph| Grph|SQL|Markdown| 标记语言 | |实体|是|是|--|是|有|有|是|对|有|对|--|有| 是 | |时间|--|--|-|--|是|--|--|--|---|--|-| 是 | |取代|--|--|--|是|是|--|-|--|---|--|-| 是 | |仅附加|--|--|-|--|--|--|---|--|--2--|--||| 是 | |A-MEM元数据|--|--|---|--|--|--|---|--||是|--| 是 | | 正直 | | | | | | | | | | | | |矛盾| 是 | |漂移检测| 是 | |验证|--|--|---|--|--|--|--|--|-| 74+条规则 | |影响图|--|--|---|--|--|--|--|--|-| 是 | |覆盖范围|--|--|---|--|--|--|--|--|-| 是 | |多代理|--|--|--|是|--|--|--|---|--|-| 基于ACL | |冲突解决|--|--|---|--|--|--|--|--|-| 自动 | |行走/碰撞|--|--|---|--|--|--|--|--|-| 是 | |备份/还原|--|--|---|--|--|--|--|--|-| 是 | |弃权| 是 | | 治理 | | | | | | | | | | | | |自动捕获|自动|自动|自|外|外|内|自动| LLM外| 提议 | |建议队列|--|--|---|--|--|--|--|--|-| 是 | |回滚|--|--|---|--|--|--|--|--|-| 是 | |模式治理|--|--|---|--|--|--|--|--|-| 3种模式 | |审计跟踪|--|部分|--|--|--|--|--|--|---|--|-| 满的 | | 运营 | | | | | | | | | | | | |仅限本地|--|--|是|--|--|--|--|--|-是|是| 是 | |零核心存款|--|--|--|--|--|--|---|--|-| 是 | |没有守护进程|--|--|-|--|--是|--|---|--是| 是 | |所需GPU |--|--|-|--|--|--|---|--|---| 4.5GB |没有| 不 | |Git友好|--|--|-|部分|--|--|--|---|--|-是的| 是 | |MCP服务器|--|--|---|--|--|--|---|--||--| 81工具 | |MIND内核|--|--|--|--|--|--|---|--|-| 16来源 |

MIND Mem填补的空白

上面的每个工具都可以 存储+检索.他们都没有回答：

• “我的决定相互矛盾吗？”
• “哪些决定是积极的，但没有人再提及？”
• “我在聊天中做出了一个从未正式化的决定吗？”
• “如果我改变这个决定，会对下游产生什么影响？”
• “我的记忆状态现在在结构上有效吗？”

MIND Mem专注于内存治理和完整性——这是大多数内存系统完全忽略的关键层。

为什么普通文件比花哨的检索表现更好

Letta在2025年8月的分析显示，普通文件基线（以文件+代理文件系统工具存储的完整对话）得分 LoCoMo的74.0% gpt-4o-mini以68.5%击败了Mem0的顶级图表变体。主要原因：

• LLMs擅长基于工具的检索。 代理可以迭代地查询/优化文件搜索，比可能错过微妙连接的单次向量检索更好。
• 基准测试奖励回忆+对存储复杂性的推理。 强判断LLM在加载相关块后处理其余部分。
• 头顶疼。 专用管道引入了简单文件访问可以避免的故障模式（不良嵌入、分块错误、过时索引）。
• 对于文本密集的代理用例，“代理管理上下文的能力”>“检索索引的智能程度”

MIND Mem的确定性检索管道验证了这些发现： LoCoMo的67.3% 零依赖、无嵌入、无向量数据库——在Mem0基于图的方法的1.2pp内。关键见解：将检索视为推理管道（广泛的候选库→ 确定性重新排序→ 上下文打包）在没有任何机器学习基础设施的情况下缩小了大部分差距。与普通文件基线不同，MIND Mem通过MCP添加了完整性检查、治理和与代理无关的共享内存，这是其他系统所不提供的。

______________________________________________________________________

召回

默认值：BM25混合动力

python3 -m mind_mem.recall --query "authentication" --workspace .
python3 -m mind_mem.recall --query "auth" --json --limit 5 --workspace .
python3 -m mind_mem.recall --query "deadline" --active-only --workspace .

BM25F评分（k1=1.2，b=0.75），包括每个字段加权、二元组短语匹配、重叠句子分块和查询类型感知参数调优。在所有结构化文件中搜索。

BM25F字段加权： 术语 Statement 字段得分比术语高3倍 Context （0.5倍）。这自然会优先考虑核心内容而不是辅助元数据。

RM3查询扩展： 来自top-k初始结果的伪相关性反馈。JM平滑语言模型提取扩展项，以可配置的alpha值用原始查询进行插值。回到对抗性查询的静态同义词。

反对性弃权： 确定性法学硕士预科信心门。根据实体重叠、BM25评分、说话者覆盖率、证据密度和否定不对称性计算置信度。低于阈值→ 迫使弃权。

堵塞： “查询”匹配“查询”，“部署”匹配“部署”。简化的波特词干分析器，零依赖。

混合搜索（BM25+矢量+RRF）

{
  "recall": {
    "backend": "hybrid",
    "vector_enabled": true,
    "rrf_k": 60,
    "bm25_weight": 1.0,
    "vector_weight": 1.0
  }
}

通过RRF融合线程并行BM25和矢量检索： score(doc) = bm25_w / (k + bm25_rank) + vec_w / (k + vec_rank).按块ID进行重复数据消除。仅当矢量后端不可用时，才会回退到BM25。

基于图（2跳交叉引用增强）

python3 -m mind_mem.recall --query "database" --graph --workspace .

2跳图遍历：1跳邻居得到0.3倍的分数提升，2跳得到0.1倍（标记 [graph]).表面结构连接块通过 AlignsWith, Dependencies, Supersedes, Sources，以及约束签名范围。自动启用多跳查询。

矢量（可插拔）

{
  "recall": {
    "backend": "vector",
    "vector_enabled": true,
    "vector_model": "all-MiniLM-L6-v2",
    "onnx_backend": true
  }
}

支持ONNX推理（本地，无服务器）或云嵌入。如果不可用，则自动回退到BM25。

______________________________________________________________________

MIND内核

MIND Mem包括17个 .mind 内核源文件——在 MIND编程语言MIND内核是 可选的.MIND Mem在没有它的情况下也能正常工作（纯Python回退）。有了它，评分以本机速度运行，并进行编译时张量形状验证。

编译

需要MIND编译器(mindc).看 mindlang.dev 用于安装。

# Compile all kernels to a single shared library
mindc mind/*.mind --emit=shared -o lib/libmindmem.so

# Or compile individually for testing
mindc mind/bm25.mind --emit=shared -o lib/libbm25.so

内核索引

演出

Compiled MIND kernels vs pure Python — 9 core scoring functions (200 iterations, perf_counter)

 

快49倍 端到端的生产规模（N=5000）。单个内核可达 193x 加速。编译后的库包括14个运行时保护层，开销几乎为零。

FFI 桥

编译 .so 公开了一个与C99兼容的ABI。Python通过以下方式调用 ctypes 通过 src/mind_mem/mind_ffi.py:

from mind_ffi import get_kernel, is_available, is_protected

if is_available():
    kernel = get_kernel()
    scores = kernel.rrf_fuse_py(bm25_ranks, vec_ranks, k=60.0)
    print(f"Protected: {is_protected()}")  # True with FORTRESS build

没有头脑

如果 lib/libmindmem.so MIND Mem使用纯Python实现。Python回退产生相同的结果（在f32 epsilon内）。不会丢失任何功能——MIND是一种性能优化，而不是一项要求。

______________________________________________________________________

自动捕获

Session end
    ↓
capture.py scans daily log (or --scan-all for batch)
    ↓
Detects decision/task language (26 patterns, 3 confidence levels)
    ↓
Extracts structured metadata (subject, object, tags)
    ↓
Classifies confidence (high/medium/low → P1/P2/P3)
    ↓
Writes to intelligence/SIGNALS.md ONLY
    ↓
User reviews signals
    ↓
/apply promotes to DECISIONS.md or TASKS.md

批量扫描： python3 -m mind_mem.capture . --scan-all 扫描最近7天的每日日志。

安全保证： capture.py 从不写信给 decisions/ 或 tasks/ 直接。所有信号必须通过应用发动机。

______________________________________________________________________

多代理内存

命名空间设置

python3 -m mind_mem.namespaces workspace/ --init coder-1 reviewer-1

创造 shared/ （对所有人可见）以及 agents/coder-1/, agents/reviewer-1/ 具有ACL配置的（私有）目录。

访问控制

{
  "default_policy": "read",
  "agents": {
    "coder-1": {"namespaces": ["shared", "agents/coder-1"], "write": ["agents/coder-1"], "read": ["shared"]},
    "reviewer-*": {"namespaces": ["shared"], "write": [], "read": ["shared"]},
    "*": {"namespaces": ["shared"], "write": [], "read": ["shared"]}
  }
}

共享事实分类账

提出高置信度事实 shared/intelligence/LEDGER.md 审核后，所有代理都可以看到。仅使用数据删除和文件锁定进行追加。

冲突解决

python3 -m mind_mem.conflict_resolver workspace/ --analyze
python3 -m mind_mem.conflict_resolver workspace/ --propose

分级解决方案：置信度优先级>范围特异性>时间戳优先级>手动回退。

成绩单采集

python3 -m mind_mem.transcript_capture workspace/ --transcript path/to/session.jsonl
python3 -m mind_mem.transcript_capture workspace/ --scan-recent --days 3

扫描Claude Code JSONL转录本，以查找用户更正、惯例发现和架构决策。具有置信度分类的16种模式。

备份与恢复

python3 -m mind_mem.backup_restore backup workspace/ --output backup.tar.gz
python3 -m mind_mem.backup_restore export workspace/ --output export.jsonl
python3 -m mind_mem.backup_restore restore workspace/ --input backup.tar.gz
python3 -m mind_mem.backup_restore wal-replay workspace/

______________________________________________________________________

治理模式

建议推出：

1. 安装→ 磨合 detect_only 7天
2. 查看扫描日志→ 如果干净，切换到 propose
3. 2-3周的分诊建议→ 如果有信心，启用 enforce

______________________________________________________________________

块格式

所有结构化数据都使用一种简单的、可解析的markdown格式：

[D-20260213-001]
Date: 2026-02-13
Status: active
Statement: Use PostgreSQL for the user database
Tags: database, infrastructure
Rationale: Better JSON support than MySQL for our use case
ConstraintSignatures:
- id: CS-db-engine
  domain: infrastructure
  subject: database
  predicate: engine
  object: postgresql
  modality: must
  priority: 9
  scope: {projects: [PRJ-myapp]}
  evidence: Benchmarked JSON performance
  axis:
    key: database.engine
  relation: standalone
  enforcement: structural

块由以下方式解析 block_parser.py --一个零依赖markdown解析器，用于提取 [ID] 标题和 Key: Value 将字段转换为结构化字典。

______________________________________________________________________

配置

中的所有设置 mind-mem.json （由创建 init_workspace.py):

{
  "version": "2.8.0",
  "workspace_path": ".",
  "auto_capture": true,
  "auto_recall": true,
  "governance_mode": "detect_only",
  "recall": {
    "backend": "bm25",
    "rrf_k": 60,
    "bm25_weight": 1.0,
    "vector_weight": 1.0,
    "vector_model": "all-MiniLM-L6-v2",
    "vector_enabled": false,
    "onnx_backend": false
  },
  "proposal_budget": {
    "per_run": 3,
    "per_day": 6,
    "backlog_limit": 30
  },
  "compaction": {
    "archive_days": 90,
    "snapshot_days": 30,
    "log_days": 180,
    "signal_days": 60
  },
  "scan_schedule": "daily"
}

______________________________________________________________________

MCP服务器

MIND Mem搭载 模型上下文协议 该服务器将内存作为资源和工具暴露给任何兼容MCP的客户端。

安装

pipx install "mind-mem[mcp]"   # preferred — isolated venv with mind-mem-mcp on PATH
# or
pip install --user "mind-mem[mcp]"

这 [mcp] 额外拉力 fastmcp>=3.2.0 （中声明的版本行 pyproject.toml）并注册 mind-mem-mcp 控制台脚本。

自动设置（推荐）

./install.sh --all

自动配置所有检测到的客户端。看 快速开始.

手动设置

对于Claude Code、Claude Desktop、Cursor、Windsurf和Gemini CLI，添加到以下相应的JSON配置中 mcpServers:

{
  "mcpServers": {
    "mind-mem": {
      "command": "mind-mem-mcp",
      "args": [],
      "env": {"MIND_MEM_WORKSPACE": "/path/to/your/workspace"}
    }
  }
}

mind-mem-mcp 控制台脚本是由注册的吗 pipx install "MIND-Mem[mcp]" （或 pip install --user "MIND-Mem[mcp]").如果你在跑步 代替源代码签出，替换 "command": "mind-mem-mcp" 随着 "command": "python3", "args": ["/path/to/mind-mem/mcp_server.py"].

对于 Codex CLI （TOML格式），添加到 ~/.codex/config.toml:

[mcp_servers.mind-mem]
command = "mind-mem-mcp"
args = []

[mcp_servers.mind-mem.env]
MIND_MEM_WORKSPACE = "/path/to/your/workspace"

对于 泽德，添加到 ~/.config/zed/settings.json 在...之下 context_servers:

{
  "context_servers": {
    "mind-mem": {
      "command": {
        "path": "mind-mem-mcp",
        "args": [],
        "env": {"MIND_MEM_WORKSPACE": "/path/to/your/workspace"}
      }
    }
  }
}

直接（stdio/HTTP）

# stdio transport (default)
MIND_MEM_WORKSPACE=/path/to/workspace mind-mem-mcp

# HTTP transport (multi-client / remote) — requires MIND_MEM_TOKEN per v3.7.0 fail-closed contract
MIND_MEM_WORKSPACE=/path/to/workspace MIND_MEM_TOKEN=$(openssl rand -hex 32) \
  mind-mem-mcp --transport http --host 127.0.0.1 --port 8765

资源（只读）

工具（21）

令牌认证（HTTP）

MIND_MEM_TOKEN=your-secret mind-mem-mcp --transport http --port 8765

从v3.7.0开始，HTTP身份验证失败。 如果两者都没有 MIND_MEM_TOKEN 也不 MIND_MEM_ADMIN_TOKEN 已设置，服务器拒绝 开始。对于本地开发，您可以选择回归传统 行为，但仅限于环回绑定：

MIND_MEM_ALLOW_UNAUTHENTICATED_LOCALHOST=1 \
  mind-mem-mcp --transport http --host 127.0.0.1 --port 8765 \
               --allow-unauthenticated-localhost

如果绑定主机不是，则标记为no op 127.0.0.1 / ::1 / localhost --服务器仍然拒绝启动。生产 部署应始终设置令牌。

安全保证

• propose_update 永远不要写入DECISIONS.md或TASKS.md。 所有提案均提交给SIGNALS.md。
• approve_apply 默认为dry_run=True。 在申请回滚之前创建快照。
• 所有资源都是只读的。 任何MCP客户端都不能通过资源改变真相的来源。
• 命名空间感知。 多代理工作区按代理ACL作用域资源。

______________________________________________________________________

安全

威胁模型

无网络呼叫

MIND Mem制造 零网络呼叫 从其核心。没有遥测，没有打电话回家，没有云依赖。可选功能（矢量嵌入、交叉编码器）可以在首次使用时下载模型。

______________________________________________________________________

需求

• Python 3.10+
• 无外部包 --stdlib仅用于核心功能

可选依赖关系

思维模式：4b——经过专业培训的法学硕士

为了获得最佳的LLM提取质量，请使用 思维模式：4b --在MIND Mem的8个提取任务（实体提取、事实提取、观察压缩、矛盾检测、治理分析、意图分类、轴感知检索、LLM重新排序）上对Qwen3.5-4B进行了全面的微调。RTX 3080（Q4_K_M，2.6GB VRAM）的经验： 104tok/s代，1585tok/s预充.

奥利玛（推荐）：

# Download the GGUF from HuggingFace
wget https://huggingface.co/star-ga/mind-mem-4b/resolve/main/mind-mem-4b-Q4_K_M.gguf

# Create Ollama model
cat > Modelfile "
PARAMETER stop ""
EOF
ollama create mind-mem:4b -f Modelfile

然后设置 mind-mem.json:

{
  "extraction": {
    "enabled": true,
    "model": "mind-mem:4b",
    "backend": "ollama"
  }
}

RTX 3080（Q4_K_M，2.6GB VRAM）的经验： 104tok/s代，1585tok/s预充.

全微调（变压器，无适配器）：

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("star-ga/mind-mem-4b", device_map="auto", torch_dtype="bfloat16")
tokenizer = AutoTokenizer.from_pretrained("star-ga/mind-mem-4b")

平台支持

______________________________________________________________________

故障排除

常见问题

召回没有结果？ 检查工作区路径是否正确并指向已初始化的工作区 包含决策、任务或实体。如果FTS5索引过时或丢失， 运行 reindex MCP工具来重建它。

MCP连接失败？ 核实一下 fastmcp 已安装(pip install fastmcp).检查运输 客户端MCP配置中的配置（stdio vs HTTP）。确保 MIND_MEM_WORKSPACE 环境变量指向有效的工作区目录。

MIND内核未加载？ 跑 bash src/mind_mem/build.sh 编译MIND源文件（需要 mindc). 如果MIND编译器不可用，MIND Mem会自动使用纯Python 回退，结果相同。

索引损坏？ 跑吧 reindex MCP工具，或从命令行： python3 -m mind_mem.sqlite_index --rebuild --workspace /path/to/workspace. 这将从所有工作区文件中删除并重新创建FTS5索引。

______________________________________________________________________

规格

关于形式语法、不变规则、状态机和原子性保证，请参见 规格.md.

______________________________________________________________________

贡献

欢迎捐款。请先打开一个问题，讨论您想更改的内容。

看 贡献.md 作为指导方针。

______________________________________________________________________

许可证

Apache 2.0 -版权所有2026 STARGA公司和贡献者。