longmem

---

六个月后，你的 AI 在另一个项目中再次解决同一个 Bug，编写同样的样板代码，解释同样的模式。而你早已知道答案。

longmem 为你的 AI 提供持久记忆，让它在所有项目和会话中都能使用。它会先搜索你已经解决的问题，而不是从头推理。问题解决后，它会保存解决方案。使用得越久，你重复的内容就越少。

You describe a problem
        │
        ▼
  search_similar()
  ┌─────────────────────────────────────────────────────┐
  │  1. pre-filter by category (ci_cd / auth / db / …)  │
  │  2. semantic search  (Ollama or OpenAI embeddings)   │
  │  3. keyword search   (SQLite FTS5 exact match)       │
  │  4. merge + rank results                             │
  └─────────────────────────────────────────────────────┘
        │                          │
   score ≥ 85%               score < 85%
        │                          │
        ▼                          ▼
  cached solution           AI reasons from scratch
  + edge cases                      │
  + team knowledge               "it works"
  (any project)                     │
                                    ▼
                          confirm_solution()
                          saved once — surfaces
                          from every future project

---

为什么选择 longmem

	longmem	其他工具
成本	免费 — 使用本地 Ollama 嵌入	每个会话都需要 API 调用
隐私	数据不会离开你的设备	会将观察结果发送到外部 API
运行方式	按需启动，无需守护进程	需要后台工作进程和开放端口
IDE 支持	Cursor + Claude Code	主要支持一种 IDE
搜索	混合搜索：语义 + 关键词（FTS5）	仅向量搜索或仅关键词搜索
团队协作	导出 / 导入 / 共享 DB 路径 / S3	单用户
许可证	MIT	AGPL / 专有

---

快速开始

1. 安装

pipx install longmem

2. 设置 — 检查 Ollama、拉取嵌入模型并写入 IDE 配置

longmem init

3. 在每个项目中启用 — 复制规则文件，告知 AI 如何使用记忆

cd your-project
longmem install

4. 重启 IDE。 记忆工具现已在每个聊天中启用。

需要 Ollama？ 从 ollama.com 安装，然后运行 ollama pull nomic-embed-text。也可以使用 OpenAI — 请参阅配置。

---

工作原理

longmem 是一个 MCP 服务。你的 IDE 会按需启动它。以下两条规则驱动整个工作流：

规则 1 — 先搜索。 在 AI 推理任何 Bug 或问题之前，它会调用 search_similar。如果找到匹配项（余弦相似度 ≥ 85%），就会返回缓存的解决方案及任何边缘情况说明。低于阈值时，AI 会照常解决问题。

规则 2 — 成功后保存。 当你确认某个方案有效时，AI 会调用 confirm_solution。只需一个参数——解决方案文本。问题元数据会根据之前的搜索自动填充。

规则文件（Cursor 使用 longmem.mdc，Claude Code 使用 CLAUDE.md）会自动完成配置。无需手动输入提示词。

AI 忘了保存？ 运行 longmem review — 使用交互式 CLI，在 30 秒内保存任意解决方案。

冷启动——从第一天起发挥价值

longmem 在积累条目后最有用。最快的初始化方式：

选项 1——边用边回顾。 本周每解决一个问题后，运行 longmem review 并描述你修复了什么。十条记录就足以让你感受到差异。

选项 2——团队导入。 如果有队友已经积累了条目，他们可以导出，你再导入：

# teammate
longmem export team_knowledge.json

# you
longmem import team_knowledge.json

选项 3——共享数据库。 将 db_path（或用于 S3/云存储的 db_uri）设置为团队共用的位置。每次保存的内容都会立即对所有人可用。

---

命令行

命令	功能
longmem init	一次性设置：检查 Ollama、拉取模型、写入 IDE 配置
longmem install	将规则复制到当前项目
longmem status	配置、Ollama 可访问性、条目数、数据库大小
longmem export [file]	将所有条目导出为 JSON——用于备份或共享
longmem import <file>	加载 JSON 导出文件——用于团队成员入门或迁移设备
longmem review	AI 忘记时，手动保存解决方案

不带参数运行 longmem 会启动 MCP 服务（供 IDE 使用）。

---

配置

配置文件位于 ~/.longmem/config.toml。所有字段均为可选——默认设置适用于本地 Ollama 实例。

切换到 OpenAI 嵌入

embedder       = "openai"
openai_model   = "text-embedding-3-small"
openai_api_key = "sk-..."   # or set OPENAI_API_KEY

安装附加组件：pip install 'longmem[openai]'

团队共享数据库

将每位团队成员的配置指向同一路径：

# NFS / shared drive
db_path = "/mnt/shared/longmem/db"

或使用云存储：

# S3 (uses AWS env vars)
db_uri = "s3://my-bucket/longmem"

# LanceDB Cloud
db_uri = "db://my-org/my-db"
lancedb_api_key = "ldb_..."   # or set LANCEDB_API_KEY

没有共享挂载？使用 longmem export / longmem import 分发快照。

团队知识库

将适用于整个技术栈的事实保存到 project="shared"，使其能在任何代码仓库中出现：

save_solution(
  problem="why oauth2-proxy uses port 4181 not default 4180",
  solution="General: 4180 is the oauth2-proxy default. 4181 means something else already occupies 4180.\n\nThis team's setup: Sinfonia always runs on 4180. Every other project uses 4181+ by convention.",
  project="shared",
  category="networking",
  tags=["oauth2-proxy", "ports", "nginx"]
)

search_similar 会搜索所有项目——来自 shared 的条目会自动在任何代码仓库中出现，无需使用 search_by_project。

三层解决方案格式——编写解决方案，让发现它们的任何人都能使用：

层级	范围	保存方式
1. 通用模式	通用——适用于任何团队	始终写入解决方案文本
2. 团队通用事实	整个技术栈	project="shared"
3. 项目细节	仅限一个代码仓库	project="<repo>" + enrich_solution

调整

similarity_threshold = 0.85   # minimum score to surface a cached result (default 0.85)
duplicate_threshold  = 0.95   # minimum score to block a save as a near-duplicate (default 0.95)

---

MCP 工具

该服务提供 11 个工具。你最常用的两个：

• search_similar——语义与关键词混合搜索。返回按相关性排序的匹配项、相似度分数、边缘情况，以及当命中来自精确文本而非向量相似度时显示的 keyword_match 标记。
• confirm_solution——使用一个参数保存解决方案。问题元数据会根据前一次搜索自动填充。

完整列表：save_solution、correct_solution、enrich_solution、add_edge_case、search_by_project、delete_solution、rebuild_index、list_recent、stats。

达到 256 条或更多条目后，调用一次 rebuild_index，以压缩数据库并构建 ANN 索引，从而加快搜索速度。

---

类别参考

类别会在向量搜索前进行预筛选，无论规模大小，都能保持检索速度。

类别	适用场景
ci_cd	GitHub Actions、Jenkins、GitLab CI、构建失败
containers	Docker、Kubernetes、Helm、OOM 终止
infrastructure	Terraform、Pulumi、CDK、IaC 漂移
cloud	AWS/GCP/Azure SDK、IAM、配额错误
networking	DNS、TLS、负载均衡器、超时、代理
observability	日志、指标、追踪、Prometheus、Grafana
auth_security	OAuth、JWT、RBAC、密钥、CVE
data_pipeline	Airflow、Prefect、Dagster、ETL、数据质量
ml_training	GPU/CUDA、分布式训练、OOM
model_serving	vLLM、Triton、推理延迟、批处理
experiment_tracking	MLflow、W&B、DVC、可复现性
llm_rag	分块、嵌入、检索、重排序
llm_api	速率限制、令牌成本、提示词工程
vector_db	Pinecone、Weaviate、Qdrant、LanceDB
agents	LangChain、LlamaIndex、工具调用、Agent 记忆
database	SQL/NoSQL、迁移、慢查询
api	REST、GraphQL、gRPC、版本管理
async_concurrency	竞态条件、事件循环、死锁
dependencies	版本冲突、打包、锁文件
performance	性能分析、内存泄漏、缓存
testing	不稳定测试、模拟对象、集成测试与单元测试
architecture	设计模式、服务边界、重构
other	以上类别均不适用时

---

参与贡献

非常欢迎贡献——这个项目会随着使用它的社区不断成长。

无论是修复错误、开发新功能、完善文档，还是分享你的使用场景，都能带来帮助。如果你不确定某个想法是否适合，先提出一个 issue，我们会一起商量。

开始参与：

git clone https://github.com/marerem/longmem
cd longmem
uv sync --group dev
uv run pytest

适合初次参与的贡献：

• 提出新的类别建议
• 分享你在实际项目中遇到的边界情况
• IDE 集成（JetBrains、VS Code、Neovim 等）
• 改进错误消息
• 种子数据集——导出你自己的条目，并将其作为入门包分享

无需编写代码也能参与：

• 如果觉得这个仓库有用，请点个 Star
• 分享给你的团队
• 如果有不清楚的地方，请提出 issue——不清晰的用户体验就是一个错误

---

许可证

MIT——详见 LICENSE。

mcp-name: io.github.marerem/longmem