M3 Memory Skill：让 AI 编码工具拥有持久记忆，在会话间积累项目知识

M3 Memory Skill：让 AI 编码工具拥有持久记忆，在会话间积累项目知识

功能与原则

M3 Memory 是一个本地优先的 AI Agent 记忆层框架，解决的核心问题是：你在 Claude Code 里花了半小时解释项目架构，下一次开新会话或切换到 Cursor，一切都得重来。M3 通过 MCP（Model Context Protocol）为 Agent 提供持久化记忆存储，让事实、决策、偏好跨会话积累，而不是每次都归零。它不是一个简单的键值存储——底层是分布式系统思路设计的：支持多 Agent 写入、矛盾检测、双时序知识库、混合搜索（FTS5 + 向量 + MMR），且所有数据留在本地，不上云。

认可度

• GitHub Star：约 25★（截至 2026-09-24），仓库活跃更新（2 小时前），OpenClaw 插件市场显示 24★，属于新晋增长型
• PyPI 月下载量：活跃（FreshCrate 显示 v5.1.1 为最新稳定版）
• LongMemEval-S 基准：99.2% retrieval @ k=10，100% @ k=20（无模型评判的纯记忆层指标）
• 平台支持：Claude Code、Cursor、Gemini CLI、Aider、Google Antigravity、OpenCode、Hermes Agent、OpenClaw 等 8+ 主流 Agent
• 作者背景：skynetcmd（GitHub 个人开发者），专注本地优先 AI Agent 基础设施工具链

链接

GitHub：https://github.com/skynetcmd/m3-memory

原作者

skynetcmd（GitHub: skynetcmd）—— 专注本地优先 AI Agent 基础设施的独立开发者，m3-memory 是其核心项目，同时维护多个 Agent 记忆与上下文优化工具。

介绍

M3 Memory 的设计哲学是「记忆改善不需要模型参与」。写入记忆很快（走热路径），但后台的认知循环（Cognitive Loop）会在写入完成后异步做嵌入、分类和实体抽取，逐步构建知识图谱。矛盾检测在写入路径上用余弦相似度做确定性检测，不依赖模型；知识图谱的 Reflector Pass 会在 enrichment 阶段写入 supersedes 边，主动追踪过时被替代的信息。

curation（整理）也是自动化的：near-duplicate 检测、衰减与裁剪都是规则函数，直接发 SQL，不走模型。模型只负责真正需要主观判断的部分（”这条值得保留吗？”），然后由 m3 执行计划——一次往返而非 N 次，也不会因为模型预算耗尽而卡在循环里。

安装只需两行命令，不需要账户、API Key，也不需要调用外部嵌入服务（本地 embedder 直接装在机器上，复用一个共享的本地模型实例）。空气隔绝环境也能装。

特点

• 105 个 MCP 工具：写入、搜索、链接、图谱、验证、同步、导出、实体关系等，覆盖完整记忆生命周期
• 混合检索：FTS5 全文 + BGE-M3 向量 + MMR（最大边际相关），99.2% LongMemEval-S 得分
• 本地 embedder：内置共享本地嵌入服务器，不需要 LM Studio / Ollama / GPU，CPU 即可运行
• 矛盾感知：写入时确定性检测 + 知识图谱 supersedes 边 + curation plan 三路矛盾追踪
• 跨 Agent 记忆共享：同一台机器上 Claude Code 和 Cursor 共享同一份记忆 store，切换工具不丢上下文
• GDPR + FIPS 140-3 就绪：满足数据合规要求，适合企业和政府场景
• 双时序知识库：记录每条记忆的写入时间和有效时间窗口，支持时间敏感查询

使用方法

安装（Linux/macOS）：

curl -fsSL https://raw.githubusercontent.com/skynetcmd/m3-memory/main/install.sh | bash
m3 setup   # 自动检测 Agent、配置 MCP、启动本地 embedder
m3 doctor  # 验证健康状态

Claude Code 插件模式：

/plugin marketplace add skynetcmd/m3-memory
/plugin install m3@skynetcmd

获得 15 个 /m3:* 斜杠命令（/m3:health、/m3:search、/m3:save 等）以及两个 curator 子 Agent。

写入一条记忆：

m3 memory memory_write --type decision --title "auth-jwt-algorithm" 
  --content "The auth service uses RS256 JWTs. HS256 was rejected because we need asymmetric verification."

检索记忆：

m3 memory memory_search --query "JWT algorithm decision"

使用场景与人群

适用场景：长期项目维护（需要跨会话记忆项目决策）、多 Agent 协作开发（多个 Agent 共享同一知识库）、需要空气隔绝或数据合规的企业场景、频繁切换 Agent 工具的开发者。目标用户：Claude Code / Cursor 重度用户、AI Agent 开发者、需要持久化记忆的企业团队。

输入与输出案例

输入（在 Claude Code 中）：

“Save this decision to memory: We chose PostgreSQL over MongoDB because we need ACID compliance for financial transactions”

输出：

Memory written successfully.
ID: mem_a1b2c3d4
Type: decision
Title: “database-choice-postgresql”
Stored in local SQLite DB at ~/.m3/memory.db

新会话中检索：

“What database decisions have we made for this project?”

输出：

Found 1 memory:
– database-choice-postgresql (decision, 2026-09-20)
“We chose PostgreSQL over MongoDB because we need ACID compliance for financial transactions”

GitHub: https://github.com/skynetcmd/m3-memory