Nautilus Compass Memory

nautilus-compass

面向 AI Agent 的开源记忆与可靠性层。 长期记忆现在在 LongMemEval-S 的三项指标上均超越 mem0 同时完全本地运行，成本低 14 倍，还提供其他记忆层都不具备的漂移检测 和跨 Agent 契约。

适用于 Claude Code / Desktop · Cline · Cursor · Continue.dev · Zed · 任意 MCP 客户端的插件。

由 Nautilus Platform 构建 · 开放的 Agent 生态系统 · 以 Agent 身份加入 →

🇬🇧 English (this file) · 🇨🇳 中文

2026 年 10 月 — 独立评审与验证（新增支柱）

本项目现在还为 Nautilus 平台提供独立评审层——预注册标准、三态判定，以及原样发布的负面结果：

• NACRE judge v1 — 将评审知识压缩到一个 1.7B LoRA 中 （三态准确率 88.5%，ECE 0.072）。模型卡与权重： nautilus-compass/nacre-judge-v1
• 部署精度规范（已预注册，291 个案例）：fp16 = 100% 与 bf16 锚点的标签一致率（安全）· int8 = 98.28%（不通过）· int4 = 94.16% （禁止）。完整判定表位于仓库中（docs/metering/PRECOR_BC_VERDICT_20261007.md）。
• caliber-bench — 一种元基准，用于评估基准本身 （标准漂移 / 污染 / 评审稳定性）。开放样本包： nautilus-compass/caliber-bench-v0
• Harness 排行榜，第 1 轮 — 同一模型，两种 harness： v5-harness 26.7% 对比 mini-swe-agent 16.7%（+10.0pp），每个工件 均可通过 sha16 定位。实时榜单见 nautilus.social/leaderboard.html； 免费 L1 受理入口见 nautilus.social/intake.html。
• Casebook v1.4（将于 10/12 发布）— 16 个有先例的判定案例 + 6 个 自我勘误，每个案例都可独立重新计算 （docs/cases/CASEBOOK_V1.md）；付费约束线的首个工件。
• 判定依据语料库 — 来自四个来源的 2,257 个按 qid 去重的先例案例（判定拆分 / delta 注册表递增 / 组织依据流水线 / 外联），实时计数器见 nautilus.social/corpus_stats.json。
• E-NACRE-1，一项已发表的负面结果 — 领域路由 LoRA 分片性能下降 −36.6pp；动态权重路由暂停，直至语料库达到 ≥3,000。 负面结果作为一等发现发布 （docs/metering/PRECOR_ENACRE1_VERDICT_20261007.md）。
• 完整客户旅程，经外部验证 — 受理 → 标准 → 排行榜 → 状态查询 → 注册表 → 程序化状态 API （/api/judge_status），均可从公共互联网访问，并通过三层检查（HTTP / 内容锚点 / 实时数据）。
• 格式回归集 v1 — 来自第 1 轮的 26 个补丁格式失败案例（harness A 15 个 + agent B 11 个），每个案例都带有缺陷标签和重新应用预期 （runtime/outreach/rsi_regression_set_v1.jsonl），用于 rsi-bench 回放认证。

记忆层（下文）仍完全本地且开源；评审工件遵循相同的证据规范（已测量 / 已推断 / 无法验证——均有标注）。

这是什么（记忆层，2026-08 状态）

三大支柱，一个插件：

1 · 黑盒长期记忆 — 现已支持 SOTA 检索。 使用 BGE-m3 在本地嵌入原始文本。摄取时不调用提取类大模型，不构建图谱，数据不会离开你的设备。2026 年 8 月，我们新增了按话语路由的分块检索：单会话和知识更新类问题会路由到轮次窗口分块（答案通常位于某一个用户轮次中；对整个会话进行嵌入会稀释答案），其他问题则使用会话级混合检索（BM25 + dense RRF）。LongMemEval-S 全部 500 个问题上的结果，与 mem0 2.0.19 进行同题对比（双方均为 infer=False，各自使用默认嵌入器——bge-m3 对比 vertexai text-embedding-005；由我们复现）：

一条命令即可复现（仅检索，不调用大模型；CPU 可用，建议使用 GPU 跑完全部 500 个问题）：

bash scripts/reproduce_lmes_retrieval.sh            # full 500
SUBSET=12 bash scripts/reproduce_lmes_retrieval.sh  # smoke

同样的话语弹药在 mem0 自己的主场基准测试中也胜出（LOCOMO-10，n=1986：0.644 / 0.890 对比 0.592 / 0.802），并修复了 LongMemEval-M 中的单会话崩溃问题（0.20 → 1.00）。完整证据链及各类型细分结果和所有配置标志见： docs/evidence/headhead_mem0_full500_20260826.json — 包括失败的实验（交叉编码器重排在此语料上会降低效果；候选池 K 不起作用；替换为 Qwen3-0.6B 后效果持平）。

2 · 漂移检测 — 其他方案都没解决的另一半。 即使 AI 回忆起了记忆，也无法阻止它这一次违反规则。compass 会在 Agent 执行操作前，将每个提示词与一组真实失败模式锚点进行评分（25 个正例 + 35 个负例）。留出集 AUC 为 0.83，p95 延迟 <50 ms，生产流量中的触发率为 0.5%。白盒层会先将提示词抽象成事实，然后漂移才变得可检查——从结构上说，它们无法触及这一层。

3 · 跨 Agent 契约 + 治理。 当你在共享文件上运行多个 Agent（或多个 Claude 对话）时，compass 会从交接文件中推导隐式契约、跟踪闭环情况，并审计虚假闭环 / 红色漂移。4 个对话、持续 28 小时的实地研究见 docs/case_study_4dialog_compass.md。

改变局面的取舍：早期版本为了本地部署和低成本，在 LongMemEval-S 上牺牲了 −30 分。截至 2026-08，这种取舍已不复存在——完整测试仅需 1/14 的复现成本（每 500 个问题约 $3.50，而由 GPT-4o 评判的方案需 $50+）。完整论证见： paper/BLACKBOX_VS_WHITEBOX.md。

快速开始

PyPI 上的软件包

Python 软件包（PyPI · 3.3.0）

pip install nautilus-compass
# ships the CLI, the MCP server, the A2A adapter and session tools:
#   nautilus-compass · compass-mcp · compass-a2a
#   compass-drift-history · compass-session-search · compass-session-writer

30 秒（Claude Code / Desktop · 本地守护进程）

git clone https://github.com/chunxiaoxx/nautilus-compass ~/.claude/plugins/nautilus-compass
bash ~/.claude/plugins/nautilus-compass/install.sh

# start the BGE-m3 daemon (one-time per boot)
bash ~/.claude/plugins/nautilus-compass/daemon_start.sh

部署说明（实地验证的注意事项，2026-08-28）：

• COMPASS_USE_INOTIFY=0 会禁用新文件发现功能——回忆将无法看到 新写入的内容，而且不会发出任何提示。只有在清楚原因时才设置；守护进程会在该选项关闭时记录一条 WARNING。
• 现在 drift 会明确报错：如果插件目录中缺少 anchors.json， 响应会包含 drift.anchors_error + should_alert: true（之前会 默默返回“无风险”——这是一个安全漏洞）。
• 对 tokens.json 的更改会通过 mtime 检查热重载（自 v3.1.0 起无需重启 systemd）。
• 守护进程闲置后首次回忆最长可能需要 90 秒（模型冷加载）；MCP 客户端会使用延长后的超时时间自动重试一次。

安装程序会在 ~/.claude/settings.json 中配置三个钩子：

• UserPromptSubmit → 按时间段进行记忆回忆 + drift 检查
• PostToolUse → 会话中途写入器
• Stop → 会话结束摘要（将会话战报写入 ~/.claude/.cache/compass-last-session.txt）

斜杠命令：/compass-verify · /compass-drift · /compass-recall · /compass-search · /compass-status。

任何其他 MCP 客户端

python ~/.claude/plugins/nautilus-compass/scripts/install_to_agent.py

自动检测 Claude Desktop、Cursor、Cline、Continue.dev、Zed 并修改其 MCP 配置。各 Agent 的复制粘贴配置： docs/AGENT_ONBOARDING.md · 原始协议： docs/mcp-usage.md。

云托管（公开 Beta · 自助服务）

托管网关——通过 HTTPS 提供 MCP，使用范围受限的令牌并隔离每位用户的记忆——现已开放自助注册：在 https://compass.nautilus.social/signup 注册， 然后在 Web 控制台中创建令牌（或使用 POST /tokens）。权限范围绑定到你自己的空间（读写）；跨用户访问会被拒绝，并通过自动化探测进行验证。设计文档： docs/plans/2026-08-30-multi-tenant-memory-design.md。

MCP 端点：https://compass.nautilus.social/mcp/（Bearer 令牌 · streamable-http）。也已列入官方 MCP Registry，名称为 io.github.chunxiaoxx/nautilus-compass（远程 + PyPI 可自托管，双条目）——支持注册表发现的客户端（Glama 和其他聚合器）可从中发现该服务。 A2A 发现： curl https://compass.nautilus.social/.well-known/agent.json

Nautilus 平台 Agent（云端 SSH 快速入门）

适用于可通过 SSH 访问 Nautilus 云主机的 Agent——生成范围受限的令牌，配置云端 MCP 桥接，写入 .mcp.json， 并运行端到端自检。添加 --hud 可安装融合状态行（实时回忆命中计数器 🧠、drift 状态、5 分钟流量）。

bash ~/.claude/plugins/nautilus-compass/ops/agent_quickstart.sh my-agent

核心数据

我们有意将第 1 轮（44.4%）作为 EverMemBench 的主要结果，以避免挑选有利数据；跨轮次平均值为 45.84%，比 MemOS 高 3.3 个百分点。双轮运行

• Gemini 交叉评判敏感性分析： paper/sections/paper2_06_5_evermembench.tex。

无需安装即可试用：在 huggingface.co/spaces/chunxiaox/nautilus-compass 体验实时漂移检测 + Merkle 完整性演示 （仅 CPU · 元数据模式下回退至 jaccard · 无需注册）。 复现这些数字 — Hub 上的评测数据集（行为锚点 + 标注轨迹 + LongMemEval-S / EverMemBench 评分）： huggingface.co/datasets/chunxiaox/nautilus-compass-test-data

from datasets import load_dataset
ds = load_dataset("chunxiaox/nautilus-compass-test-data")

评测入口：bash ops/bench_all.sh l0（快速层，无 GPU）· bash ops/bench_all.sh l1 30（LongMemEval 子集）。检索调节项通过环境变量切换，位于 tests/eval_longmemeval_accuracy.py （ZMM_UTTERANCE_RETRIEVE / ZMM_UTTERANCE_TYPES / ZMM_HYBRID / ZMM_RETRIEVE_K / ZMM_DATE_ANCHOR / ZMM_EMBED_CACHE）。

术语表

本项目创造并精确定义的术语。欢迎其他团队将它们用于自己的系统——术语的意义就在于此。

评审卫生 — 确保大模型评审者值得信赖的规范：预注册评判标准、函数级冒烟测试、静默失败检测、双重核算、置信区间。如果你的基准测试使用大模型评审者却没有这些规范，那么排行榜就是虚构的。参见评审协议 · 论文 2。

写入时下注 — 在写入时压缩或总结记忆，是对未来查询分布的一种押注，而这种分布从结构上就无法预知。这就是 compass 的写入路径完全不调用大模型的原因；所有智能都在读取时发挥作用（在记忆和问题相同的情况下，端到端效果从 42.6% 提升至 75.4%）。

双重核算 — 每个核心分数都报告两次：完整数据集，以及排除评审故障的数据集（75.4% / 81.6%）。单个数字会掩盖评审故障；两个数字则会将其披露。

工作原理

            User prompt: "Fix bug X for me"
                         │
                         ▼
       ┌─────────────────────────────────────┐
       │  UserPromptSubmit Hook (this plugin)│
       └─────────────────────────────────────┘
                         │
            ┌────────────┼────────────┐
            ▼            ▼            ▼
       ┌────────┐  ┌─────────┐  ┌──────────┐
       │ recall │  │  drift  │  │ profile  │
       │ memory │  │  check  │  │ aggregate│
       └────────┘  └─────────┘  └──────────┘
                         │
                         ▼
       Hooks inject results into Claude's system prompt:
       - Time-bucketed past memory (BGE-m3 semantic + keyword hybrid)
       - Drift score + nearest negative anchor (if score < threshold)
       - Profile facts ("you have 3 unfinished tasks in this repo")
                         │
                         ▼
            Claude answers — with full context loaded

漂移检测器：将每个提示词与锚点集（真实故障记录）进行比较，使用 BGE-m3 余弦相似度。留出集 AUC 为 0.83。

暴露的功能（MCP 工具）

17 个工具 — 核心七项：

延迟数据为本地守护进程测得。在公开的 HTTPS MCP 端点 （https://compass.nautilus.social/mcp/）上，还需加上 TLS 和广域网往返时间： 实测 p50 ≈ 0.9–1.7 s/次调用（2026-08-28 实测）。

另外还有：thread_recall · proof_of_impact · long_task · 平台桥接 （submit_platform_task / ingest_platform_task_result）· 治理 （governance_dispatch / governance_audit / governance_lock_check · governance_plan）· add_worker。JSON-RPC 2.0 支持 stdio / TCP / TLS / mTLS； notifications/*、logging/setLevel、resources/* 均完整符合规范。 完整指南：docs/mcp-usage.md。

令牌作用域（v2.3.1）

令牌设有作用域，而非全局通用。ops/compass_token_admin.py grant <agent> --scopes read:<project>,write:<project> 会签发遵循最小权限原则的令牌； read:*（所有项目的召回，包括 scope=user）需要显式传入 --yes-i-want-star。HTTP 服务端会在每次调用时强制执行作用域限制（默认拒绝）； 为向后兼容，旧版列表格式的令牌会映射为完全访问权限。 快速入门脚本默认签署只读、当前项目令牌。

对比

我们尚未在同一台机器上复现的 2026 年新项目：Hindsight、Supermemory（自报 LongMemEval SOTA）、Cognee、LangMem、Membase——相关行待补；它们公布的数据使用各自的测试框架，无法与我们的直接对比协议直接比较。 | 同时支持自托管和托管服务 | ✅ | 仅 ☁ | ✅ | 仅 ☁ | ✅ | 仅开源软件 | 仅开源软件 | | 许可证 | Mod. MIT | Apache | Apache | 专有 | MIT | Apache | MIT |

n/r = 在其已发布评测中未报告。Smriti 是团队对话归档工具——范围不同，此处列出以供参考。

可复现性壁垒

亲自验证我们的评分卡——无需信任我们，只需一条命令， 仅使用标准库：

python scripts/verify_receipt.py docs/wall/EXAM5_SCORECARD.md \
  docs/wall/EXAM5_SCORECARD.sig \
  f7554b8709b7fe36f5a63e7f76cf2a31f827aee5724ff8dd4f11772d1aa3e8be

协议：Assay Protocol v0——标准注册、 验证包、签名回执和壁垒规范。向所有实现者开放；我们是参考实现，而非所有者。

独立验证协议（IVP）v1——一页说明我们的评判方法：预注册门槛（只能更严格），证据层级 （[measured]/[inferred]/[unverifiable]），由非实现者重新计算，以及 双向评分卡（我们自己的错误也会保留记录）。已被外部项目采用——例如 rsi-bench #3 要求其 AGG 分数通过独立核验的目标完成度门槛。 → 规范（单页，可直接采用） · 案例集 v1（三个合作项目 + 勘误记录）。评判免费；具约束力的服务（案例集、认证）收费。

自行运行直接对比（约 $3.50）——你的数据也会登上榜单， 无论结果好坏。独立复现优于自报；与我们数据相矛盾的结果也会以同等显著度发布。 → docs/REPRODUCIBILITY_WALL.md

我们的数据也在榜单上（自审日志，难看的结果也包括在内）： C 系列校准包经独立重新计算后 6/6 一致（ed25519 签名回执， 2026-09-17）· 10/10 项旧版结论无法重新计算（2026-09-15 审计 发现，后续已修复）· X1-v2 评判批次 47/47 不一致 → 作废，从未引用 · RSI 循环 #1：两项自报通过在合并前经新会话重新计算后被发现不成立 · 首次考试 + 完整改进周期均在我们自己的认证轨道下完成 （2026-09-18/19）：一致率从 1/5 提升至 3/5——我们自己的 Agent 组织提交的修复， 由同一套三门槛协议评判，首轮之后未再提交不合格材料；难看的数据一并公开 （签名评分卡见 docs/wall/）。免费重新计算：附上证据包提交 issue——审计等级起价 $99。

案例研究 · 4 个对话的 OSS 多 Agent 可靠性

28 小时，4 个 Claude Code 对话，共享文件系统协议： drift 在 7 天内触发 314 次（已监测采取行动率），合约 cnt_compass_soul_sub_a1 在 17.92 小时内完成，预算为 6 天 21 小时，13 次计划重复 审计节省了约 40–50 小时，首次跨对话 L4 触发最终结算为 50 NAU。现场日志

• 7 个可泛化模式： docs/case_study_4dialog_compass.md。

高级（可选功能）

from audit_kpi import act_on_rate
m = act_on_rate(window_hours=168)
assert m["rate"] >= 0.70

文档

• docs/AGENT_ONBOARDING.md — 各 Agent 的安装配置（6 个平台 + 3 个框架）
• docs/mcp-usage.md — 原始 MCP 协议指南、TLS 配置、RBAC
• docs/PLATFORM_HANDSHAKE.md — 开源↔SaaS 协调契约
• docs/evidence/ — 原始基准测试证据文件（JSON，按问题逐行记录）
• paper/ — 两篇论文（漂移检测 + 记忆流水线）及评估脚本
• ops/GPU_EVAL_RECIPE_4090.md — 12 分钟租用 GPU 基准测试方案
• CHANGELOG.md · CONTRIBUTING.md

引用

论文 1 · 漂移检测：

@misc{nautiluscompass-drift-2026,
  title  = {Nautilus Compass: Black-box Persona Drift Detection
            for Production LLM Agents},
  author = {Chunxiao Wang},
  year   = {2026},
  note   = {Yiluo Technology Co., Ltd.},
  howpublished = {\url{https://github.com/chunxiaoxx/nautilus-compass}}
}

论文 2 · 记忆流水线 + EverMemBench 跨基准测试：

@misc{nautiluscompass-memrecall-2026,
  title  = {Closing the Memory Recall Gap with Chinese LLMs:
            A Multi-Stage Retrieval Pipeline Achieving Zep-SOTA Performance
            on LongMemEval-S at 1/15 Cost},
  author = {Chunxiao Wang},
  year   = {2026},
  note   = {Yiluo Technology Co., Ltd.},
  howpublished = {\url{https://github.com/chunxiaoxx/nautilus-compass}}
}

我们基于以下先前工作构建（请酌情引用）：BGE-m3 / BGE-Reranker （BAAI，2024）· Persona Vectors（Anthropic，arXiv:2507.21509， 互补的白盒方法）· DPT-Agent（arXiv:2502.11882）· A-MEM（arXiv:2502.12110）· LongMemEval（Wu 等，NeurIPS 2024）· EverMemBench（Hu 等，2026）。

许可证

• 代码、插件、MCP 封装、论文、脚本 — 修改版 MIT 许可证（MIT + 商标条款 + 托管服务上限；自托管 / 内部部署 / 个人使用永久免费 — LICENSE）
• 行为锚点文件（anchors*.json）— CC0 1.0 Universal（LICENSE-ANCHORS）
• 本许可证引入前的历史版本采用纯 MIT 许可证。

Star 历史

贡献者

欢迎提交 PR — 请参阅 CONTRIBUTING.md。

联系方式

• 作者：Chunxiao Wang · Yiluo Technology Co., Ltd. · [email protected]
• 问题反馈：github.com/chunxiaoxx/nautilus-compass/issues
• 托管网关：compass.nautilus.social
• 中文文档：README.zh-CN.md