Midas

Midas

面向长周期 AI Agent 的本地记忆层——跨会话记住信息，保持内容最新，不会依据过时记忆采取行动。
摄取时不使用大模型 · 每条消息成本为 $0 · 完全本地运行 · 每次召回都能追溯到来源。

你的 AI 助手会在会话之间忘掉一切。Midas 是与你的助手并肩运行、驻留在你电脑上的记忆层。你的编码 Agent 能记住三次会话之前的决策、约定和错误——无需将每条消息都交给大模型“提取”事实。每条消息都无需付费，任何内容都不会离开你的电脑，每条记忆都能追溯到它所源自的确切轮次，并且不会让 Agent 根据过时或未经确认的记忆采取行动。

uv tool install "midas-memory[mcp,local]"   # install
midas init                                  # create the shared memory + wire up your MCP clients
# or, no Python:    npx -y midas-memory-mcp     # TypeScript port
# or, as a library: pip install "midas-memory[local]"
uv tool upgrade midas-memory   # Update Midas

在你的 Agent 中安装 · 查看基准测试 · 完整概览 · 路线图

为什么选择 Midas

大多数记忆工具都会调用大模型总结每次会话——这意味着你要一直付出 Token 成本、增加延迟、将每轮对话发送给服务提供商，并得到无法审查的改写后事实。Midas 选择了相反的做法，而这正是它低成本、私密且可信的原因：

• **成本为 $0，设计上保护隐私。**摄取或查询时不使用大模型 → 无 API 费用，内容不会离开你的电脑，本地操作快速（约几十毫秒，无需每轮都进行网络往返）。
• 你可以信任它召回的内容。召回会返回逐字一致的源对话轮次，而不是大模型改写的内容——因此没有任何提取步骤会悄悄编造你从未说过的“事实”。
• **内容会自动保持最新。**类型化信念修订会用新值取代旧值，而不是不断堆积重复项；选择性遗忘则能控制记忆规模——这一切都不需要大模型。
• 可以安全地基于它构建功能。来源防护机制允许记忆辅助规划，但会阻止以记忆为依据的外部操作或破坏性操作，除非你明确确认——而且，已被取代的记忆根本无法授权任何操作。
• **一个文件，多种工具。**让 Claude Code、Cursor 和你的聊天应用指向同一个 SQLite 文件，它们就能共享一份实时记忆。
• **有实证，不空谈。**每项主张都有可复现的基准测试——包括失败的实验。

Midas 对比

以下每项 Midas 数据均在此仓库中测得且可复现；“摄取时调用大模型”一栏反映了这类设计的结构性特点（Mem0、Zep、Hindsight），相关数据记录在 BENCHMARKS.md 中。

最后一行是有意为之：Midas 以整段对话处理能力换取 $0 成本、隐私和可审计性，并公开测量数据，准确展示这种取舍的影响。

不止于检索：可治理的记忆

找到埋藏的事实只是基本要求。长期运行的编码 Agent 需要能够安全地采取行动并顺畅地恢复工作的记忆——而这正是单靠相似度搜索力有不逮之处：

这些特性经过了测量，而非仅仅宣称——agent-memory 基准测试套件评估了行动安全性、决策遵循度、避免重复犯错、恢复保真度、冲突检测 / 精确率（找出 Agent 之间实际存在的矛盾而不过度标记），以及脚本化多会话项目中的对抗性记忆安全性。安全评估成功拦截 10 / 10 次对抗攻击（ASR 0.00）——包括在禁令旁植入一条确认信息、针对不同操作的确认、通过来源洗白进行取代，以及跨命名空间审批——同时没有过度拦截（良性通过率 1.00）。确定性、$0、无需大模型。用一条命令复现所有数据：

uv run python -m eval.benches      # the whole governance suite — or `midas bench` from a checkout

基准测试表现如何

确定性、不受读者影响的检索（recall@k——被提取到上下文中的黄金支撑轮次占比），在完整公开数据集上的表现，与近期窗口基线对比：

以及跨系统指标：评审判定的回答率（使用排行榜采用的同一 gpt-4o 评审器）：

摄取时全部实现 0 次 LLM 调用、$0 成本和 0 数据外传。完整数据、分类明细、复现命令，以及与 Mem0/Zep/Mastra 的正面对比，详见 BENCHMARKS.md。

以评测为先，意味着我们也会公布失利之处。 混合检索、重排序、线程多样化、双粒度索引和朴素蒸馏都经过测量，结果表明它们没有帮助（或反而有害），我们也如实记录了这些结果。坦诚正是重点——请参阅 BENCHMARKS.md 和 docs/frontier-2026.md。

将其连接到你的编码 Agent

一条命令即可完成所有配置：

midas init        # creates the shared memory + configures every MCP client it finds
midas status      # check what's wired   ·   run `midas init --dry-run` to preview first

两种方式都支持使用 --json 输出机器可读的 客户端连接配置回执——记录每个客户端连接到哪份记忆、采用何种范围／策略，以及跳过了哪些客户端（仅包含配置路径，绝不包含记忆内容）。将其粘贴到错误报告中，或让其他 Agent 在不抓取文本说明的情况下验证配置。

midas init 会创建一份共享记忆（~/.midas/memory.sqlite3），并将其连接到检测到的 MCP 客户端——Claude Code、Codex、Grok Build、Cursor、Claude Desktop、Windsurf、VS Code、Gemini CLI、Cline、Zed。这样，所有 Agent 都能自主读写同一份记忆，无需维护各客户端各自的路径。

希望使用单个端点，而不是为每个客户端单独启动？运行一个服务，并向客户端提供 MCP URL：

midas serve --http        # → http://127.0.0.1:7077/mcp   (one server, one memory, every client shares it)
midas serve --http --token <secret>   # require `Authorization: Bearer <secret>` on every request

使用 midas update 保持 Midas 为最新版本。随时使用 midas inspect 查看记忆。

已经将 Agent 记忆保存在文件中？运行 midas import --from claude-md CLAUDE.md（或 --from cursorrules、--from jsonl、--from mem0、--from zep），即可将这些规则和导出内容转化为一等公民、可供回忆和治理的记忆——标记其来源，重复运行也不会重复导入。

希望即使 Agent 从未调用 capture，也能保存记忆？运行 midas init --claude-hook，安装 Claude Code SessionEnd 钩子，将每个会话中的用户发言交由记忆系统处理——Midas 的无 LLM 策略仍会决定实际保留哪些内容。

{ "mcpServers": { "midas": { "command": "midas-mcp", "env": { "MIDAS_MCP_EMBEDDER": "local" } } } }

连接后，Midas 会向 Agent 注入一段简短策略（先回忆，再记录持久事实／决策／偏好／约束／更正）。Agent 可以自由捕获内容；由 Midas 决定保留什么——它会为重要性打分（不使用 LLM）、丢弃琐碎内容、跳过重复项、修订过时的认知，并忘记低价值内容以保持记忆规模受限。在执行任何以记忆为依据的外部操作或破坏性操作之前，Agent 都会调用 check_memory_use；除非你已确认，否则该操作会被阻止（且确认仍须有效）。

一份记忆，多个客户端

默认情况下，每个客户端共享一份实时记忆（~/.midas/memory.sqlite3）——每个客户端都会检测其他客户端的写入（SQLite data_version）并刷新，因此你在 IDE 中捕获的信息，几秒后就能从聊天应用中检索到，无需重启。

想要按项目分别隔离吗？运行 midas init --project-scoped（或设置 MIDAS_MCP_NAMESPACE=auto），即可让每个项目在同一存储中拥有独立分区——作用域根据服务运行时所在的 git 仓库 / cwd 确定。也可以通过 MIDAS_MCP_NAMESPACE 按项目 / Agent / 用户手动设置作用域。

_{真实运行，重构的界面——捕获 / 检索的行是两个独立进程共享同一文件时的原样输出。}

故障排除

配置哪里没接好？midas doctor 可通过一条命令进行诊断——它会检查 midas-mcp 是否位于 PATH 中、存储能否打开、本地嵌入器是否可用，以及哪些客户端已实际接入；每项失败的检查都会附带修复提示。它只读取配置路径和版本——不读取记忆内容， 因此其输出可安全地粘贴到错误报告中。

midas doctor          # ✓/⚠ per check, with a hint for each failure
midas status          # what's wired + the store's record count

仍然无法解决？请提交错误报告 （其中会预先填入 midas doctor 信息），或在讨论区提问。

在 Python 中使用（SDK）

from midas import Memory, LocalEmbedder

mem = Memory(embedder=LocalEmbedder())   # fully local. (Or Memory() for a zero-setup offline embedder.)

mem.remember("Decision: the primary database is PostgreSQL.", kind="constraint", importance=5)
mem.remember("The launch date moved to September 14.", kind="fact", importance=5)
mem.capture("lol ok cool")               # filler — auto-scored below the floor, skipped (no LLM)

mem.assemble("when do we launch?", token_budget=128)          # prompt-ready, dated, source-traceable
for hit in mem.recall("which database did we pick?", limit=3):
    print(f"{hit.score:.2f}  {hit.record.content}")           # each hit traces to its source

from midas import Memory, LocalEmbedder
from midas.nli import LocalNLI
from midas.sqlite_store import SQLiteStore
from midas.state import memory_state, memory_diff   # the control-plane views

# Durable, shareable, no native extension. Safe across threads & processes (live data_version refresh).
mem = Memory(store=SQLiteStore("memory.db"), embedder=LocalEmbedder(),
             supersede=True, nli=LocalNLI())   # a turn that CONTRADICTS an old belief supersedes it

# Control-plane: the current state of a project, and what changed since a point in time (no LLM):
memory_state(mem, scope={"project": "apollo"})          # live, non-superseded decisions/constraints/facts
memory_diff(mem, since=last_session_epoch)              # {added: [...], revised: [(old, new), ...]}

mem.forget_decayed(max_records=50_000)         # evict lowest value (importance × recency); protects facts
mem.recall("when is the launch?", as_of=1_700_000_000)   # bitemporal: "what did we believe on date X"

# Right-to-be-forgotten — preview, then erase, with an audit trail:
mem.forget_matching("the user's home address", dry_run=True)
mem.forget_matching("the user's home address")

# Back LangGraph's long-term memory with Midas:
from midas.integrations.langgraph_store import MidasStore
store = MidasStore(); store.put(("user", "123"), "pref", {"text": "prefers dark mode"})

查看并管理你的记忆 — midas inspect

大多数记忆都是由大模型改写事实而成的黑箱。Midas 是玻璃箱：在你的存储上运行本地检查器，准确查看 Agent 记住了什么、为什么记住，以及信息来自何处——然后进行更正、固定或遗忘。

midas inspect --db ~/.midas/memory.sqlite3      # opens http://localhost:7777 — local only, zero egress
# before install:  python -m midas.inspector --db <your.sqlite3> --embedder hashing

• 概览 — 计数、可归因性、30 天活动图表，以及按类型／来源／新近度的细分；每种类型和来源在所有视图中始终使用相同颜色（固定的分类调色板，并已验证两种主题下的色彩对比对色盲用户安全——绝不只靠颜色传达信息，每个值都保留标签）。
• 浏览与搜索所有记忆（原文显示，附带来源和信息源），可按类型、来源和排序方式筛选。
• 信念历史与时间回溯 — 你曾相信什么、被什么取代，以及发生的时间。
• 项目状态（决策／Bug／禁止事项）以及自某个日期以来的变更内容。
• 治理 — 记忆是否会授权某项操作，以及原因（审计轨迹）；遗忘并生成回执。
• 冲突和未结事项 — 与 memory_conflicts/open_loops 相同的控制平面视图，并可在 UI 中一键解决／关闭。
• 审计日志 — 哈希链的验证状态及最新条目。
• 亮色与暗色主题（真正的第二种主题，而非反转后的暗色主题）、键盘快捷键（⌘K 可跳转到任意位置或搜索，/ 可聚焦搜索框），以及适配至手机屏幕宽度的响应式布局。

每次变更（写入／修订／遗忘）都会在存储中追加到防篡改、哈希链式审计日志——仅保存哈希，从不保存内容。midas audit 可查看日志；midas audit --json 会验证整条链，并在有人篡改历史记录时报告首个被破坏的条目。

无需大模型、无需账户，直接在你的文件上运行。这正是黑箱记忆无法展示的内容。

免费且开源

Midas 完全免费，并基于 MIT 开源——包括记忆引擎、守卫、MCP 服务、CLI、检查器、TypeScript 移植版，以及完整的 基准测试套件。 没有付费层级、功能限制、遥测或账户。你可以使用、分叉，并将其嵌入商业产品——许可证允许这一切。

如果 Midas 对你有帮助，最好的回馈方式是给一个 ⭐、提交一个复现的基准测试结果、报告 Bug，或提供一项经过测量的贡献——请查看路线图，了解哪些方面最需要帮助。

坦诚说明现状

Midas 尚处早期，但专注于狭窄范围，并以测量为先。当前进展如下：

• 检索是它的强项，在无大模型设计中已基本达到上限——这既得到我们自己的 A/B 测试确认，也得到前沿论文的印证（检索器并非瓶颈）。上面的基准测试结果正是如此。
• 前沿领域的额外突破点在于保留结构的提取——这需要能力足够强的模型，而 Midas 刻意不会在写入时运行这类模型。我们构建了经过评测的测试框架，并在 BEAM 的摘要类别上进行了测量：小型本地提取器并无帮助（原始方案的评分标准覆盖率为 0.28，替换方案为 0.07），而效果提升取决于强大的模型——因此，这项能力应属于Agent 的模型，而非 Midas。可选的蒸馏选项默认关闭；我们不宣称它带来了优势。（详情：docs/frontier-2026.md §2b。）
• 发展方向：从回忆走向受治理的记忆控制平面——memory_state／memory_diff、不会基于过时或未经确认的记忆采取行动的来源守卫，以及用于衡量这些特性的 Agent Continuity Bench。保持本地可运行、可审计，并如实说明已验证的内容。

评测框架

eval/（仅供开发使用）使用合成数据 / LoCoMo / LongMemEval / 多日数据 / conflicts-v1 / BEAM 对 Midas 和竞品进行评测，提供确定性的 recall@k + precision@k、成本 / 延迟监测、简易读取器消融实验（证明结果并非由读取器夸大），以及可选的本地或托管 LLM 评判器。防作弊检查清单（不重写查询、摄取时不使用 LLM、不泄露标注答案、使用带种子的抽样）、冲突处理、失败追踪和 MCP 政策原文详见 docs/methodology.md。

python -m eval.runner --dataset longmemeval --variant s --local --midas-no-rerank --max-questions 40
python -m eval.runner --dataset beam --beam-tier 100K --local --dumb-reader   # frontier benchmark
python -m eval.continuity                                                      # Agent Continuity Bench

隐私与许可证

本地优先：每条记忆都保存在你设备上的 SQLite 文件中，回忆会返回完全一致的已存储文本，且捕获 / 回忆 / 忘记操作不会发起网络请求。无需账号、API 密钥或遥测。唯一的出站流量是一次性下载嵌入模型（适用于 local 后端）以及安装软件包。 可选的静态加密：通过 [encrypted] 附加组件设置 MIDAS_MCP_KEY 后，存储库将成为 SQLCipher 数据库——没有密钥就无法读取（Midas 会默认拒绝写入，而不会悄悄写入明文）。完整详情见 PRIVACY.md · MIT。