SuperLocalMemory：本地优先 AI Agent 记忆系统，74% 检索率 + 企业级治理

Skill超级捕获手 技术创作者 2026-08-04 9 阅读

企业级 AI Agent 记忆系统 SuperLocalMemory，正成为多 Agent 协作场景下的基础设施级 Skill。它主打”本地优先“——数据永不离开你自己的机器，同时提供时序感知检索、知识图谱、团队多工作区隔离和 GDPR/EU AI Act 合规治理。目前在 LoCoMo 基准上实现了 74% 检索率和 60% 零 LLM 开销的成绩，3 篇研究论文支撑，v3.8.13 版本稳定活跃，尤其适合对数据隐私有强要求的企业与 AI 研发团队。

功能与原则

SuperLocalMemory（简称 SLM）是一个企业级本地优先的记忆控制平面。它不只是一个向量数据库，而是融合了七层执行模型的完整记忆系统：证据接收 → SQLite 持久化存储 → 实体/时序/图谱富化 → Brain 学习与模式识别 → 多通道检索（语义 + BM25 + 时序 + Hopfield/激活扩散）→ 上下文安全策略 → 运营生命周期（缓存/压缩/备份/Mesh）。默认本地运行时无需 Docker、无需图数据库、也不需要 API Key，所有数据留在本地机器。Mode B/C 可按需开启云端富化或备份，但默认是纯本地。

认可度

在 SkillsMP 技能市场上收录，约 198 Stars（截至 2026-08-04），属于近期活跃更新的新兴 Skill 类项目。项目方同步在 GitHub 维护，3 篇 arXiv 预印本支撑技术方向（arXiv:2603.02240、2603.14588、2604.04514），V3 论文架构持续迭代中。SkillsMP 收录说明其已被纳入 AI Agent 技能市场的主流发现体系。

链接

GitHub：https://github.com/qualixar/superlocalmemory

原作者

项目由 Qualixar（GitHub @qualixar）发起并维护，Qualixar 定位为”AI 可靠性工程”（AI Reliability Engineering）技术团队，专注让 Agent 行为可观测、有边界、可复现，而非仅做最佳实践的盲试。

介绍

SuperLocalMemory 起源于一个核心问题：AI Agent 的记忆系统到底是”存了”就好，还是需要像人一样拥有时间感？传统 RAG 把文档塞进向量库，但 Agent 在一个长会话中积累的认知变化、上下文迁移、先后时序——这些被大多数记忆系统忽略。SLM 则把时间戳和出处（provenance）作为一等公民：每条事实记录”何时学到的”和”从哪来的”，检索时并行跑时序通道，让 Agent 能推理”我的认知在什么时候变了”而不只是”现在知道什么”。

V3.8 系列是这个项目的成熟节点。它在架构上做了几个关键升级：Temporal Depth（时序深度检索）、Governance & EU Compliance（团队角色 + 工作区隔离 + GDPR 数据权利 + 哈希链审计日志）、Framework Adapters（为 9 个主流 Agent 框架提供即装即用适配器）、Bounded Loops（边界验证循环——Agent 自己说了不算，由独立核查决定任务是否完成）。记忆会自然衰减和自归档，不会无限膨胀。

特点

  • 本地优先，隐私无忧：数据存在本地（Mode A 纯本地），不主动外发；Mode B/C 为可选云端增强，默认关闭
  • 时序感知记忆：每条事实带摄入时间和出处，检索时并行时序通道，支持记忆”时间旅行”推理
  • 七层记忆执行模型：从证据接收 → 存储 → 富化 → 学习 → 多通道检索 → 策略 → 运营，全链路可观测
  • 企业级治理：工作区隔离、角色访问控制、GDPR 数据权利支持（访问/擦除/可携带）、哈希链审计日志、EU AI Act 自评估
  • 多框架适配：已支持 9 个主流 Agent 框架的即插即用适配器，覆盖 CLI / MCP / Claude 插件 / Codex 插件 / 主流 IDE
  • 多模态接入：CLI、Python SDK、MCP（HTTP/stdio）、Dashboard、Hook、IDE 集成，多种入口按需选用
  • 知识图谱 + 记忆衰减：内置实体图谱和场景重建，遗忘策略让记忆系统主动收缩而非无限膨胀

使用方法

安装极为简单，三种入口任选其一：

# 方式1：Proxy 方式（Claude Code 等 Agent 自动拦截）
slm wrap claude

# 方式2：MCP 接入（配置文件加入）
# 在 MCP config 中添加 slm_compress

# 方式3：直接作为 Skill 安装（零配置）
npx skills add superlocalmemory
# 或
agy plugin install https://github.com/qualixar/superlocalmemory

安装完成后，Agent 在每次任务开始时会自动加载记忆，在任务结束后自动归档新学到的事实。Django/flask 等主流 Python Agent 框架通过 pip install 即可接入。

# Python SDK 示例
from superlocalmemory import SLM

slm = SLM()  # 默认 Mode A 本地模式
slm.ingest("用户偏好深色主题", provenance="user_preference_v1")
result = slm.recall("用户喜欢什么主题")
print(result)

使用场景与人群

目标场景：需要长期记忆的 AI Agent（尤其是 Claude Code、Codex、OpenCode、Cursor 等编码 Agent）、多 Agent 协作团队、对数据主权有要求的企业（EU 客户、GovTech、医疗/金融）、AI 可靠性工程师。

不适用：单纯需要一个向量数据库做文档 RAG 的场景（Mem0 更轻量）；需要一个完整 Agent 运行时（Letta 更适合）；需要图数据库能力但不需要本地优先（Zep/Graphiti 更直接）。

输入与输出案例

案例 1：编码 Agent 的上下文继承

Input（Agent 第3次会话启动时）：
"帮我继续上次那个 Python API 服务的重构"

SuperLocalMemory 行为：
→ recall("Python API 重构 上下文") 
→ 返回：fact[session_2] "用户想用 FastAPI 替换 Flask，理由是 async 支持"
       fact[session_1] "最初需求是做一个天气查询服务"
→ Agent 无需重新阅读任何文档，直接从记忆恢复上下文

Output：
Agent 立即进入重构状态，而不是问"上次做到哪了"

案例 2：团队多 Agent 记忆隔离

Input（Agent B 尝试跨工作区读取 Agent A 的记忆）：
"查看 A agent 记得的数据库密码"

SuperLocalMemory 行为：
→ 检查 Agent B 的 scope = personal
→ 检查目标记忆 scope = shared (A 的 personal 默认不跨读)
→ 触发 scope deny，返回空结果 + audit log 记录该尝试

Output：
团队成员之间的记忆天然隔离，防止越权读取；审计日志记录所有跨区访问

GitHub: https://github.com/qualixar/superlocalmemory

评论区

0 条评论

登录后可评论。

Skill超级捕获手 9 阅读