Memory Arbiter 迷码：给 AI Agent 的本地可信事实层 MCP Skill 技能

给 AI Agent 的本地可信事实层 MCP

AI搜索知识库

查看 Skill ↗

Memory Arbiter（迷码）— 本地可信事实层 MCP

技能简介

Memory Arbiter（迷码）是一款面向 AI Agent 的本地可信事实层 MCP 服务器。它将 SQLite 数据库通过 Model Context Protocol（MCP）暴露为四个核心工具，让不同 AI 编程工具（Claude Code、Cursor、Codex 等）之间能够共享、可信、可溯源地管理记忆。每一份事实只存储一次原文，向量索引与全文检索均为可重建的派生索引，而非唯一副本。它最大特点是「冲突治理」机制：多条记忆打架时，由本地 Qwen 模型发现冲突，裁决权完全归属用户本人，Agent 无权自行修改他人记忆。数据全部存储在本地，不联网、不上传，不产生任何遥测数据。

核心能力

四大 MCP 工具：memory（记忆写入/查找/读取/更新）、memory_review（只读健康检查与冲突查看）、memory_govern（授权治理：确认/解决冲突、工作区管理）、memory_repair（证据重建、冲突扫描、历史清理）
本地向量召回：依赖本地 GGUF 嵌入模型（Qwen2.5 0.5B 或 Qwen3 0.6B Q8_0），无需 GPU，CPU 即可运行
双向冲突检测：写入时严格门控（双向 Qwen 抽取属性/值，需严格 grounding）+ 后台定时扫描宽门召回，两道门配合实现「不漏报、不吵报」
用户授权治理：所有状态变更操作（晋升保护级别、解决冲突、确认工作区）均需用户显式授权，Agent 无法绕过
workspace 隔离：支持 none（全打通）/ weak（软隔离）/ strict（严格隔离）三种模式，适合个人单兵到多项目团队各类场景
完整版本历史：每次编辑均追加到 memory_history，可追溯任意历史版本
零遥测设计：唯一出站请求为可选 PyPI 版本检查（可关闭），其余全部本地运行
多传输模式：默认 stdio（各客户端独立启动子进程），也支持 streamable-http（多客户端共享一个本地常驻进程）

安装配置

方式一：AI Agent 自动安装（推荐）

将以下内容直接发送给 Codex、Claude Code、Cursor 或其他有终端访问能力的 AI 编程 Agent：

> 请阅读 https://github.com/billy12151/memory-arbiter-mcp 的最新 README，根据我的操作系统和当前 AI 客户端安装并配置最新版 mema。保留已有配置和数据库，不要覆盖或删除现有数据；需要我选择不同安装模式、修改已有配置，或执行任何破坏性、提权操作时先询问我。完成后运行 mema doctor，并向我报告安装方式、配置路径、数据库路径、客户端接入方式和验收结果。

方式二：一条命令全自动安装

# 一条命令：装包 + 装依赖 + 下载两个模型（约 800MB，支持断点续传/国内镜像）+ 写配置
curl -fsSL https://memarbiter.cn/install.sh | bash

方式三：分步手动安装

# 第 1 步：安装核心包（含 sqlite-vec 向量索引 + 本地 GGUF 运行时）
pip install "memory-arbiter-mcp[vec,semantic-local]"

# 第 2 步：下载模型并生成配置文件
mema setup --install

# 第 3 步：验证安装结果
mema doctor

安装完成后，将 examples/ 目录下的 *.mcp.json 配置示例复制到对应 AI 客户端即可接入。

使用步骤

第一步：写入一条新记忆

将重要事实写入记忆库，例如：

memory(action="remember", data={
  "content": "本项目数据库选用 PostgreSQL 16，主库位于 10.0.0.100:5432",
  "tags": ["database", "architecture"],
  "source_ref": "meeting-2026-09"
})

第二步：在需要时检索

不同 Agent 需要上下文时执行检索：

memory(action="find", data={
  "query": "项目数据库选型"
})

返回记忆元数据页（含长度、摘要、评分），确认需要再 read 原文。

第三步：发现冲突时处理

当系统检测到两条记忆打架（如发现「数据库用 MySQL」与「数据库用 PostgreSQL」并存），会发送冲突通知。用户按以下三步处理：

# 步骤 1：裁决 — 选定哪个是对的
memory(action="judge", data={
  "conflict_id": "",
  "chosen_value": "PostgreSQL 16",
  "resolution_plan": "update_current_claim"
})

# 步骤 2：执行变更（每条冲突记录逐一授权执行）
memory_govern(action="apply_conflict_action", data={
  "conflict_id": "",
  "action_id": "",
  "authorized": true
})

# 步骤 3：关闭冲突单
memory_govern(action="resolve_conflict", data={
  "conflict_id": "",
  "authorized": true
})

第四步：定期健康检查

# 每日运行：检查配置、索引、冲突积压
mema doctor

# 深度检查：连模型也一起检查
mema doctor --deep

第五步：配置定时任务（推荐）

迷码本身不带定时器，需要外部调度器唤醒 Agent，建议配置：

每小时：执行 memory_repair(task="scan_pipeline") → memory_repair(task="scan_queue") 全套冲突扫描
每天：执行 mema doctor 治理健康检查

适用场景

多 Agent 协作项目：Claude Code 写的决策、Cursor 记的需求、Codex 提的实现方案——每个工具共享统一事实层
长期维护项目：跨越数月的项目容易出现「上次说是用 X，这次又变成 Y」的矛盾，迷码在每次写入时即检测冲突
个人知识管理：多个 AI 工具混用的用户，可用 strict 隔离模式将不同领域记忆完全分开
团队决策追溯：所有记忆携带 provenance（来源/时间/写入者），可追溯「这个决定是什么时候谁做的」
项目交接场景：交接时导出 SQLite 文件，新成员所有 Agent 接入即可继承完整上下文

适用人群

使用多个 AI 编程工具（Claude Code、Cursor、Codex、Windsurf 等）的开发者
需要在 AI Agent 之间共享可信项目记忆的团队
希望避免 AI 幻觉导致记忆矛盾的深度 AI 用户
需要管理多项目、多工作区上下文的独立开发者或技术负责人

工作原理

迷码的核心是一套「记忆 → 索引 → 召回 → 冲突治理」的闭环：

写入层（memory remember/update）：新记忆写入 SQLite，存储完整原文；同时触发向量嵌入生成（本地 GGUF 模型）和可选 Qwen 双向冲突检测
索引层（后台自动）：向量索引、全文 FTS5 索引、证据切片（从原文中抽取句子级片段）均为派生数据，可随时重建
召回层（memory find/batch_find）：检索时混合词元通道（BM25/FTS5）和证据通道（向量 KNN），按 reciprocal-rank fusion 合并，再经信任度/时间/workspace 过滤后返回
治理层（冲突检测 → 裁决 → 执行）：
- 宽门扫描：定时调用 memory_repair(task="scan_candidates")，KNN + Qwen 双向抽取，低门槛保召回
- 严门通知：写入时双向 Qwen 必须给出一致的「属性/值」抽取才发提醒，宁可漏报不乱报
- 裁决：用户授权 judge → apply_conflict_action → resolve_conflict 三步走，Agent 只做发现和执行，不做决定

官方链接

PyPI：https://pypi.org/project/memory-arbiter-mcp/
GitHub：https://github.com/billy12151/memory-arbiter-mcp
官方安装脚本：https://memarbiter.cn/install.sh
MCP 示例配置：examples/*.mcp.json（示例文件目录）
完整中文文档：https://github.com/billy12151/memory-arbiter-mcp/blob/main/README.zh-CN.md

Memory Arbiter 迷码：给 AI Agent 的本地可信事实层 MCP 网站预览

团队信息

AI产品库官方

由 AI 猎手自动发现

评论与建议

0 条评论