Mnemosyne
零云端 AI 记忆层，SQLite 驱动，单一纯 Python 依赖，任何 agent 框架即插即用。
证据显示：本地优先设计，默认无遥测，数据不离开机器；同步功能可选且支持客户端加密；环境变量配置明确。扣分：用户确认机制薄弱（无明确的操作确认流程）；依赖安全仅依赖版本范围，无锁定或审计；回滚机制仅提及内置记忆作为回滚点，未提供具体实现；发布者身份未验证，来源归属仅基于仓库元数据。
证据显示：代码和测试一致，CI覆盖多Python版本；依赖声明明确，但未锁定版本；错误处理有测试覆盖（如导出失败不泄露路径）。扣分：依赖可用性未验证（未检查依赖是否可获取）；失败消息在部分场景未明确。
证据显示：支持多种平台和集成方式，提供环境变量配置；能力边界在文档中有所说明（如嵌入模型选择）；触发机制（如MCP、CLI）明确；环境适配考虑了低资源设备。扣分：部分场景（如特定平台）的配置细节未完全覆盖。
证据显示：文档结构清晰，有安装指南、示例、FAQ；命名稳定（如mnemosyne命令）；已知限制在README中提及（如基准测试版本标签）；MIT许可证明确；有CHANGELOG和版本发布流程。扣分：维护责任未明确（发布者身份未验证，维护者信息不清晰）。
证据显示：输出格式（如JSON）适合程序使用；提供多种集成方式，边际价值高（本地优先、零依赖）；成本效益合理（轻量级，适合低资源环境）。扣分：部分功能（如向量搜索）需要额外依赖，可能增加成本。
证据显示：基准测试结果有版本标签和说明，区分了不同指标；测试覆盖了关键功能；文档中区分了事实和推断（如基准测试的说明）。扣分：跨来源验证不足（仅依赖自身文档和测试，未提供独立验证）。
- 发布者身份未验证，安装前应核实来源。
- 依赖未锁定版本，存在供应链风险。
- 用户确认机制薄弱，敏感操作可能无提示。
- 回滚机制不明确，数据丢失风险需注意。
这个 Agent 能做什么，适合哪些场景？
Mnemosyne 是一个本地优先、Hermes 优先的记忆层，为 AI agent 提供持久记忆能力。它基于 SQLite 单文件数据库，通过混合检索（向量 + FTS5 + 重要性评分）实现高效回忆。核心架构 BEAM 包含工作记忆、情景记忆和时序知识图谱三层。支持 MCP（stdio/SSE/streamable-http）和 Python SDK，可无缝集成到 Cursor、Claude Code、Codex、OpenWebUI 等主流 agent 平台。安装只需 pip install，无外部服务依赖，数据默认不离开本机。提供丰富的 CLI 命令和可选的同步功能。
Mnemosyne 提供 mnemosyne mcp 启动 MCP 服务器，或通过 Python SDK 的 remember() 和 recall() 函数进行事实存取。底层使用 SQLite 存储，结合 sqlite-vec 和 FTS5 实现混合搜索，评分公式为 50% 向量相似度 + 30% 关键词 + 20% 重要性。支持时序知识图谱（TripleStore）和记忆库（bank）隔离。CLI 支持 store、recall、stats、export/import、sync 等命令。同步功能可进行双向增量同步，支持客户端加密。
- 开发者希望在本地运行 Claude Code 或 Cursor 时获得跨会话记忆，而无需上传数据到云端
- 团队在 VPS 上部署 agent 服务，需要集中存储和同步记忆
- 使用 Hermes Agent 的用户希望启用系统级记忆和自动上下文注入
- 需要对记忆数据进行细粒度控制（如时效、重要性）的隐私敏感场景
- 构建自定义 Python agent 并希望快速集成持久记忆能力的开发者
- 需要在低资源设备（如树莓派）上运行记忆系统，依赖尽可能少
这个 Agent 有哪些优点和局限？
- 本地优先，数据不出机器，无遥测，符合隐私要求
- 单一 SQLite 文件，部署简单，无外部依赖
- 内置 MCP 服务器，可直接连接多种 agent 平台
- 性能优异：BEAM 基准 100K 规模 65.2%，检索延迟低至 35ms（10M 消息）
- 具备先进的客户端加密同步功能，远程服务器无法读取记忆内容
- 基准测试结果可能存在版本偏差，BEAM 分数基于 v3.0.0 且尚未重新运行
- 默认嵌入模型为英文优化，多语言需额外配置
- 高级功能（如本地 LLM 整合）需要较大的内存和存储资源
- 同步功能需要额外配置服务器和密钥，增加运维复杂度
如何安装或部署这个 Agent？
安装：pip install mnemosyne-memory（基础版）或 pip install "mnemosyne-memory[all]"（完整版，含向量搜索和 MCP）。需要 Python 3.10+。
如何使用这个 Agent？
- 在 MCP 客户端（如 Cursor）的配置文件中添加 MCP 服务器配置（
command: "mnemosyne", args: ["mcp"]）。2. 或在 Python 代码中from mnemosyne import remember, recall，然后调用remember("User prefers dark mode")和recall("preferences")。3. 使用 CLI 直接操作：mnemosyne store "..."、mnemosyne recall "..."。4. 环境变量可配置嵌入模型（默认 bge-small-en-v1.5）和数据库路径。
这个 Agent 与同类方案有什么区别？
根据 README 对比，Mnemosyne 相对于 mem0、Letta、Honcho 等竞品，优势在于本地优先、零依赖、内置 MCP 服务器和跨平台支持。在基准测试中，其 LongMemEval 分数（87.4%）优于 mem0（49%），但 BEAM 分数（65.2%）低于 Hindsight（73.4%，但使用不同 judge）。
常见问题
是否需要外部 API 密钥？
数据安全如何保证？
支持非英语吗？
paraphrase-multilingual-MiniLM-L12-v2。