LLMSlim 上下文与记忆工具

这个 Agent 能做什么，适合哪些场景？

LLMSlim Core 是一个 MIT 许可的 Python 库，提供上下文压缩、规划和长期记忆检索。它也可通过 llmslim mcp 作为 MCP 服务器运行，或通过 llmslim serve 提供 HTTP API。记忆内容按原文写入 SQLite 或 Postgres，查询时由确定性代码在预算内选出相关消息；默认流程不调用模型。库支持 Python 3.9 及以上，MCP 服务器要求 Python 3.10 及以上；TypeScript 客户端连接本地 HTTP 服务。可选语义重排和外部模型集成会增加依赖，改写模式也会使用调用方提供的 LLM。

使用 Memory.add 将消息原文写入 SQLite 或 Postgres，并用 Memory.search 按问题和令牌预算返回匹配消息；MCP 服务器提供 remember、recall、list_memories、forget 和 fit_context 工具。compress、compress_documents 和 compress_chat_messages 可压缩文本、检索文档及对话消息；plan_context 与 ContextRuntime 可规划模型可见上下文并生成解释性本地轨迹。用户也可运行 llmslim wrap claude，在 Claude Code 前使用本地代理压缩部分命令输出。默认抽取式压缩只保留输入中的句子，可能丢弃需要的信息；语义重排、改写及供应商调用需要相应可选依赖或由应用显式发起。

1. 希望让 Claude Code、Codex 或其他 MCP 客户端跨会话回忆用户事实的开发者，可用本地 SQLite 记忆服务器。
2. 在构建 RAG 应用且需要控制检索上下文令牌预算的工程师，可用 compress_documents 或框架适配器压缩文档。
3. 需要将长对话历史装入模型上下文的应用开发者，可用 compress_chat_messages 或相应 agent 历史适配器。
4. 希望在 Python 应用中规划多来源上下文并查看选择原因的团队，可用 plan_context 或 ContextRuntime。
5. 使用 Claude Code 且反复传入长测试或构建日志的开发者，可尝试本地代理 llmslim wrap claude，并评估其已公布的成本测量结果。

如何安装或部署这个 Agent？

MCP 服务可用 uvx 安装并启动；它需要 Python 3.10 或更高版本。Python 库支持 Python 3.9 或更高版本。HTTP 服务和 TypeScript 客户端需分别安装对应组件。

claude mcp add llmslim -- uvx --from "llmslim[mcp]" llmslim mcp

pip install llmslim

pip install "llmslim[server]"
npm install llmslim

如何使用这个 Agent？

在 MCP 客户端中启动 llmslim mcp 后，可通过五个记忆与上下文工具操作；服务器默认使用本地 SQLite 文件 ~/.llmslim/memory.db。Python 代码可添加原始消息并以问题和预算检索上下文。若使用 Claude Code 本地代理，先安装 proxy 可选依赖，再通过包装命令启动。

from llmslim.memory import Memory

mem = Memory("memory.db")
mem.add([{"role": "user", "content": "I'm allergic to peanuts."}], user_id="asha")
context = mem.search("Am I allergic to anything?", user_id="asha", budget=1500)
print(context.text)

pip install "llmslim[proxy]"
llmslim wrap claude
llmslim proxy stats

这个 Agent 有哪些优点和局限？

这个 Agent 与同类方案有什么区别？

与相关度最高的同类 agent 并排比较关键指标。

FollowAgents 如何评估这个 Agent？

常见问题