六层架构·持久记忆·告别上下文丢失
score 97六层架构·持久记忆·告别上下文丢失
## 核心定位 Elite Longterm Memory 是一套面向AI编码代理的终极长期记忆解决方案,专为Cursor、Claude、ChatGPT、Copilot等工具设计。其核心创新在于将六种成熟技术整合为分层架构,解决AI助手"金鱼记忆"的行业痛点。 ## 架构设计(五层存储) | 层级 | 技术 | 作用 | 持久化 ||:---|:---|:---|:---|| HOT RAM | SESSION-STATE.md | 活跃工作内存,WAL协议保障 | survive compaction || WARM STORE | LanceDB向量库 | 语义搜索,自动召回相关上下文 | 本地持久化 || COLD STORE | Git-Notes知识图谱 | 结构化决策与学习,分支感知 | Git仓库永久存储 || CURATED | MEMORY.md + daily/ | 人类可读精选记忆 | 文本文件 || CLOUD | SuperMemory API | 跨设备同步(可选) | 云端 || AUTO | Mem0 | 自动事实提取,80%降本 | 外部服务 |## 核心优势 - WAL协议:先写后响应,杜绝崩溃丢上下文 - 语义召回:LanceDB向量搜索自动注入相关历史 - 零配置热启动:SESSION-STATE.md即开即用 - Git原生持久:决策与学习随代码版本管理 - 80% token节约:Mem0自动提取替代全量历史 ## 局限与风险 1. 依赖外部API:OpenAI(必选向量)、Mem0/SuperMemory(可选)需自行配置密钥 2. 维护开销:需每周执行"记忆卫生"清理过期向量 3. T3来源:个人开发者项目,非企业级背书 4. 可选服务风险:外部SaaS的隐私政策需用户自行审查 ## 适用人群 - 长期维护复杂项目的vibe-coding开发者 - 需要AI记住架构决策、用户偏好的多会话场景 - 对上下文连续性要求高的agentic工作流 ## 典型工作流 用户表达偏好 → 写入SESSION-STATE.md → 响应用户 → Git-Notes静默存储决策 → LanceDB向量存储供后续召回## 配置要点 - 必须:OPENAI_API_KEY启用语义搜索 - 推荐:MEM0_API_KEY自动事实提取 - 可选:SUPERMEMORY_API_KEY跨设备同步 该Skill通过分层冷热存储策略,在本地可控性与云端扩展性之间取得平衡,是AI原生开发工作流的基础设施级组件。 memory-managementai-agentvector-searchgit-noteslancedbwal-protocolmem0context-preservationvibe-codingtypescriptcursorclaudeopenai