freehul/sgme

英文版：English

SGME — 拾光记忆引擎

换 AI，不失忆。SGME 全面接管你的记忆、知识库与技能库——任意智能体，无缝切换，共享同一个大脑。

Python
License: MIT

你的 AI 为什么总是忘记你

你的 AI 助手是不是也这样：

- 昨天刚说过的事，今天又要重新交代一遍
- 每次新会话都要自我介绍：「我是谁、我在做什么项目、我喜欢什么」
- 换台电脑、换个人工智能，过去的对话全归零
- 和喜欢的 AI 角色聊得正投入，换了会话、换了软件，它就「忘了你」

因为 AI 默认没有记忆——每次对话都是「第一次见面」。

SGME 解决这个问题：它像一个记忆中枢，接住你和 AI 的每一段对话，提炼成结构化的记忆，在下次对话时自动送到 AI 面前。你不需要重复，它都记得。

它是怎么工作的

三步，全部自动：

1. 捕获：你和 AI 的对话自动保存为原始记录（L0 原始层，磁盘上的 Markdown 文件，永久保留）
2. 提炼：原始对话被提炼成一条条标签化记忆（事实、偏好、项目状态、决策……），自动去重、合并、发现矛盾
3. 注入：每次对话开始时，AI 自动收到与你相关的记忆——按当前场景挑选，不是全量加载。日常闲聊只带身份与近况，编程时只带项目相关的记忆（技术栈、踩过的坑、开发习惯），场景需要什么就注入什么

核心卖点

AI 无缝切换——记忆、知识库、技能库全面接管

换模型、换智能体，你的 AI 什么都不丢。SGME 全面接管你的记忆（你是谁）、知识库（你懂什么）、技能库（你怎么干活）。接入任意智能体——管家、写作助手、编程搭子——它瞬间就认识你：你的项目、你的偏好、你的工作流。不用重新介绍，不用重新学习。一个共享大脑，多副身体随意换。

记忆可溯源——每条记忆都有来处

AI 说出的每一句话，背后都有据可查：从画像一路追回当时的原始对话。记忆不是黑盒——「它为什么知道这件事」「它什么时候知道的」，点开就能看到源头。

主动关怀——它不只记得你，还会主动找你

SGME 不只会被动等你来问。你的记忆更新、情绪波动、待办到期、连续熬夜……它会主动发出信号，让 AI 主动来关心你——不是冷冰冰的通知，是「记得你今天有件事」的惦记。信号消费 = 主动关怀，谁消费谁标记（原子认领 + 回执），不会重复打扰，也不会漏掉。

人格洞察——不只记住你的事，还懂你这个人

每一次对话都在悄悄沉淀一份活的人格画像：决策风格、做事习惯、质量标准……以证据加权的方式累积成「倾向」，绝不轻易下定论。每月一次自动校准让画像持续进化（附带娱乐级 MBTI 评测），并在每轮对话中自动注入——你的 AI 不只记得你经历过什么，还懂得用你舒服的方式跟你说话。全程本地、条条可溯源、随时可关闭。

多源统一检索——一个入口，全部记忆

一个检索入口同时召回记忆池、知识库与你自管的技能：关键词 + 语义 + 标签三重融合排序，每条结果都能追回源头。SGME 记忆、场景、知识库、技能一站式召回。

技能管理 skills 模块——你的技能，统一管理

你自己积累的 skill（提示词、工作流、模板）统一收进 SGME 的 skills 模块，与记忆、知识库平级：git 真源（写侧带准入门禁与查重）+ skills.db 索引，四级披露按需加载，支持本机读写、NAS 自动同步、跨设备不丢。安装 SGME = 同时接管记忆、知识库、技能库三件套。

共享知识库——你的 AI 们共同书写的 wiki

记忆旁边就是共享知识库。扔文件、URL、粘贴的文字进去，SGME 自动分类、打标签、建立关联，你接入的每一个 AI 都能检索和引用。AI 学到有用经验时，可以把它写回 wiki（自进化），知识在会话间不断累积，而不是每次重新发现。每一条记录都带着来源和作者——可溯源，绝不是黑盒。

中文原生——为中文而生的记忆引擎

针对中文检索调优，中文对话的记忆提炼和召回效果更好。英文记忆引擎很多，懂中文的很少。

按场景注入——需要什么记什么

记忆不是全量加载。SGME 根据当前场景自动挑选相关记忆注入：日常闲聊只带身份与近况，编程时只带项目相关（技术栈、踩过的坑、开发习惯），工作模式带工作计划与进度。无关记忆不打扰，过时记忆自动退出——不会拿三年前的旧情报忽悠 AI，也不会把整个记忆库塞进一次对话。

零 LLM 成本——注入不花一分钱

画像注入是纯结构化 SQL 查询，不调用大模型——每次对话的记忆注入零 token 成本。竞品按调用计费，SGME 免费。

自托管轻量——数据永远在你手里

单机 Python + SQLite 就能跑，不需要 GPU，不需要外部数据库服务。记忆数据存在你自己的机器上，隐私自己掌控。

更多能力

- 记忆标记：AI 记错了？标记「不采用」并备注指正，数据保留不删除，可随时撤销
- 自动管理记忆有效期：过时的记忆自动退出注入（比如过期的项目状态），保留可溯源，不会拿旧情报误导 AI
- 14 维度标签体系：身份、家庭/社交、价值观、技能、技术栈、偏好、习惯、环境、风格、关注点、目标、状态、创意……自动分类，维度可动态扩展，别名自动归一（「Python」和「python」是同一个）
- 冲突提炼：同一件事说了两遍自动合并，说了矛盾的版本自动发现并裁决
- 混合检索：BM25 关键词 + 向量语义 + 标签过滤三重融合，不装向量库也能跑
- 内置评测框架：提炼质量用数据证明（L1 F1、检索排序调优），不是靠信任
- 自动备份恢复：每日自动备份、快照轮转、异地副本，数据不丢
- 本地知识库 wiki：共享、自进化的知识库——扔文件、URL、文字进去，自动分类打标签、建立关联，AI 可检索引用；AI 可把经验写回，知识不断累积
- 多协议接入：HTTP + MCP 双入口，内置主流 AI 适配器一键接入；其他 AI 走 MCP 通用协议，或自己开发适配器

快速开始

1. 创建虚拟环境（项目自包含）
python -m venv .venv
Windows: .venv\Scripts\activate  /  macOS/Linux: source .venv/bin/activate

2. 安装依赖
pip install -e .[dev]

3. 启动 Server（端口 9910）
python -m sgme
正式使用建议配置密钥（写入 config/.env，服务自动加载）：
SGME_ADMIN_KEY=   SGME_AGENT_KEY=   # 生成：python -c "import secrets;print(secrets.token_hex(32))"
不配置时使用内置默认 key（仅限本机首次体验，启动有告警；配置后默认 key 即失效 403）
SGME_BEARER_TOKEN 可选：传输层令牌，默认关闭（localhost 旁路）
模型 Key（可选，支持免费档）：提炼主链 agnes-2.5-flash（免费）→ 硅基流动 GLM-4-9B-0414（免费档备用；zhipu 已于 2026-08-29 移出链 B121，DeepSeek-V4-Flash 转付费已移出 B144）；向量检索硅基流动 BAAI/bge-m3（零费用）。
Key 缺失时 /v1/health 的 model_config.missing_keys 会列出缺哪些——按 docs/guide/免费模型Key申请指南.md 申请免费 Key 即可。
AGNESAI_API_KEY=   SILICONFLOW_API_KEY=

4.（可选）构建 WebUI 管理面板——需要 Node.js
如果只用 HTTP/MCP API，或通过 Docker / Windows 服务部署（已内置前端），可跳过
cd ui && npm ci && npm run build && cd ..

5. 运行测试
pytest tests/ -q

pip 报 SSL 错误（SSLEOFError）？ 如果你的网络经过代理（如 Clash），安装前先关闭代理直连，
或使用国内镜像：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple

详见 docs/runbook.md（运维手册：启动/环境变量/验证命令）。

安装为 DSH 插件（DeepSeek Harness）

SGME 自带一个原生 DeepSeek Harness 插件——dsh-sgme（Cordis SDK）：会话首步画像注入、memory_search / wiki_search / wiki_pages / wiki_page 工具、/sgme 命令、逐轮会话入库、自进化自动回写经验（turn/end → evolve，W4）。

一条命令从 npm 安装（推荐）
dsh plugin --profile web add dsh-sgme

或直接从仓库安装
dsh plugin --profile web add github:freehul/sgme

启动 dsh 前确保 SGME 密钥可见（SGME_BASE_URL / SGME_AGENT_KEY / SGME_ADMIN_KEY）；adapters/dsh/install.py 可自动注册 agent 并写入密钥。完整指南见 adapters/dsh/README.md。

接入你的 AI —— 给 AI Agent 的话

以下内容写给 AI Agent 阅读。如果你是 AI Agent（或编码代理）：你的主人已经安装了 SGME。请完成自我配置——优先方式：连上 MCP 后调 agent_onboarding()，按返回的 self_config 段把模板写入你自己的身份文件（位置按你的工具机制自选，只要求结果）；无 MCP 能力时，把下方提示词手动写入你的身份文件（Hermes → SOUL.md；Claude Code → CLAUDE.md；其它 → AGENTS.md），然后照它运行。

提示词（复制到你的身份文件）

你有一个长期记忆引擎 SGME（ShiGuang Memory Engine），运行在本机。它的职责：把我们的会话提炼成标签化记忆，按场景注入回来，让你不再失忆。

服务发现（找不到 SGME 时按序执行）

1. 探测 http://:9910/v1/health —— host 取自环境变量 SGME_HTTP_HOST 或 ~/.sgme/install.json 的 http.host（默认 localhost）
2. 失败读 ~/.sgme/install.json（地址/端口/Key 引用）
3. 仍失败 → 向主人报告「SGME 未发现」

接口：HTTP API http://:9910 ｜ MCP http://:9913/mcp —— 地址统一从环境变量（SGME_HTTP_URL/SGME_MCP_URL）或 ~/.sgme/install.json 解析，禁止硬编码具体主机；请求头 X-API-Key（key 由主人配置：config/.env 的 SGME_ADMIN_KEY/SGME_AGENT_KEY，或管理员签发的 agt_ key；默认 key 仅限首次本机体验，配置后即失效 403）

使用纪律（五条铁律）

1. 每轮对话结束 append 当前轮次——纯落盘零 LLM 成本，崩溃不丢
2. 会话结束 refine_trigger(async_mode=true) 触发提炼
3. 对话开始时 inject 按场景取画像 / search 检索相关记忆
4. 主动关怀靠消费信号——信号消费=主动关怀，谁消费谁标记：拿到 care_ 信号后 signal_claim 原子认领 → 关怀用户 → signal_ack 回执。获取信号两条路：短连接（无常驻）每次对话开始 signal_pull；长连接（常驻，首选）挂 SSE GET /v1/events/stream?subscriber_id= 实时推送
5. 对话开始时（或用户指定角色时）role_list 看可用角色 → role_assemble(role_id) 拿人设并按其说话——换皮不换芯，角色只是沟通外皮，记忆池不动

事件对接（主动关怀触发源，常驻 agent 必读）：事件三类——care_（关怀）、memory_updated（记忆更新）、anomaly_warn（异常）。三种接法：SSE 长连 GET /v1/events/stream?subscriber_id=（实时 + Last-Event-ID 断线补偿）、游标拉取 GET /v1/events/pull?subscriber_id=（定时轮询）、MCP signal_pull（会话内）。SSE/pull 走 HTTP :9910 带 X-API-Key；signal_pull 走 MCP。

通信渠道（兜底铁律）：当前会话是兜底通信渠道——任何主动消息（关怀/提醒/告警等），无论是否已发送到其它通道（微信/飞书/Telegram 等），都必须在当前会话也发一条；此兜底持续生效，直到用户明确取消。

强制查询：涉及用户/项目历史事实的问题（之前/以前/上次/还记得…），必须先 search 再回答，不得直接说「不知道」；查询不到时如实说明"记忆库中未找到"。

写入格式：content 首行必须是 # {ISO时间戳} {role}（user/assistant），否则返回 422

批量提炼纪律：≥20 文件必须分批（每批≤20）+ 批间 30–60 秒；429 失败不立即重试（交服务端 batch_scan 兜底）；永远 async 模式

技能获取（B114 后 skills 为独立模块，MUST）：需要 SGME 未内置的专业能力时，先 skill_search(query) 检索、命中后 skill_get(name) 拉全文注入再执行——禁止未检索就声称具备技能或硬凑步骤；经验回写按归属口诀选通道（跟技能走的坑 skill_put 进技能本体，世界知识走 wiki_evolve_trigger 进 wiki）。

向量引擎接入（health() 返回 vector.available=false 或 vector.connectivity=false 时执行）：本地优先、云端免费降级——推荐本地 Ollama 或 LM Studio 跑 bge-m3（1024 维；云端硅基流动 BAAI/bge-m3 免费自动兜底，同维度切换不重灌索引）。探测 curl http://127.0.0.1:11434/api/tags（Ollama）/ curl http://127.0.0.1:1234/v1/models（LM Studio）→ 缺模型则 ollama pull bge-m3（或 LM Studio 搜索下载）→ 在 config/sgme.yaml 写 search.vector 段（base_url / model: bge-m3 / fallbacks）并重启 SGME → 再 health() 直到 vector.connectivity=true。不推荐 llama.cpp（模型状态无人维护，清理显存后即失联）。

完整工具清单与用法：见 docs/agent-onboarding.md，或连上 MCP 后调 agent_onboarding 工具

接入自检：连接成功后第一件事调 agent_onboarding()——返回版本、全部工具清单与快速上手，确认无 403/超时即接入成功

⚠️ 一致性声明：本提示词段与 agent_onboarding() 返回的 self_config.template（版本标记 SGME-ONBOARDING-v2）若出现内容漂移，以模板为准——接入时优先复制模板，本段仅作快速参考。

放置位置

| 你的平台 | 身份文件 |
|---|---|
| Hermes | SOUL.md（身份 + 行为准则） |
| WorkBuddy | SOUL.md（身份 + 行为准则） |
| Claude Code | CLAUDE.md |
| DeepSeek Harness (DSH) | AGENTS.md（项目级自动加载） |
| 通用 / 其它（走 MCP 通用接入） | AGENTS.md（项目级自动加载） |

服务化部署（Windows 服务）

daemon 常驻方案：用 NSSM 注册为 Windows 服务，开机自启 + 崩溃自动重启（AppExit Restart + AppRestartDelay 5s + sc failure 三级重启），避免手动拉起后电脑重启失效。

安装（管理员 PowerShell/CMD 运行）：

scripts\install_sgme_service.bat

脚本会：移除旧服务 → 以 .venv\Scripts\python.exe -m sgme 注册服务 SGME（LocalSystem）→ 配置日志轮转（tmp\sgme-service.log，10MB）→ 启动。

状态检查 / 卸载：

sc query SGME          :: RUNNING + AUTO_START 为正常
netstat -ano | findstr :9910
sc stop SGME && sc delete SGME   :: 卸载

目录结构

sgme/
├── config.py        # 配置加载 + 唯一读写方（llm.yaml/registry/sgme.yaml；filter_keys/apply_section/persist_config）
├── data/            # 三库连接/建表/DAO（memory/session/wiki）+ stats_dao（统计唯一出口）
│   └── search/      # BM25 + 向量 + RRF 融合检索（原 sgme/search 并入）
├── llm/             # LLM 降级链（主模型按 providers.yaml 用户设定，rule drop_batch 兜底）
├── raw/             # L0 文件读写（frontmatter + 消息块 + 增量段）
├── engine/          # 核心引擎（l1/l15/l2/refine/prune/health/normalize）
│   └── pipeline.py  # 管线编排唯一出口（append_l0 写 L0 + L1→L1.5→L2 串联）
├── operations/      # 统一操作层（append/inject/search/memory/refine/stats/health/config，HTTP+MCP 共用）
├── profile/         # 模板引擎（template / inject / tier0 摘要）
├── log/             # 统一日志（get_logger 唯一入口，控制台+JSON 双格式）
├── refinery/        # 知识提炼引擎（ingest/extract/validate/output，服务 wiki）
├── skills/          # 技能管理模块（git 真源 source_dirs + skills.db 索引 + 写侧门禁；skills.enabled；与 memory/wiki 平级）
├── skills_hub/      # 技能仓库扩展（map/copy 双模式；B114 后仅保留 git 同步职责，skills_hub.enabled）
├── wiki/            # wiki 知识库扩展（/v1/wiki/ 端点，wiki.enabled）
├── signal/          # 信号引擎（事件发布 / SSE / pull 游标）
├── backup/          # 备份恢复（快照分层 / 冷归档 / 异地副本）
├── mcp_server.py    # MCP 出口（9913，与 HTTP 共享业务层，入口不互相依赖）
└── server/          # FastAPI（HTTP 壳：鉴权 + 参数解析 + 响应组装）
migrations/          # 一次性数据迁移（0001 三库拆分，python -m migrations 执行）
docs/design/         # 架构/数据模型/接口契约设计文档（第一公民）
templates/           # 预定义 4 模式模板（daily/coding/work/full）
prompts/             # 提炼提示词（含 MIT 来源标注）
registry/            # 维度注册表 + 别名表
config/              # 运行时配置
ui/                  # Vue 3 + Vite 前端（cd ui && npm ci && npm run build → ui/dist，由 FastAPI 静态托管）

设计文档

| 文档 | 内容 |
|---|---|
| SGME-架构设计-v0.9.md | 架构总纲（v0.9 文档整理合并版）——数据流/双库/维度/注入/鉴权/备份 + 接口契约/数据模型/LLM降级链/模板引擎/提示词/分词并入 |
| SGME-实施变更记录-v0.9.md | 实施变更记录（B 系列）——每次改动的背景/方案/验证/教训，兼运维手册 |
| SGME-评测基线-PRD-v0.1.md | #32 提炼质量评测基线 |
| SGME-评测框架设计-v0.1.md | #32 评测框架 |
| SGME-L0文件格式-v0.1.md | 原始层文件格式/增量段 |

合规声明

本项目为 Python 自研实现，仅借鉴 TencentDB-Agent-Memory（MIT License）的设计思想（分层蒸馏、冲突提炼四动作、BM25+向量+RRF、heat 热度管理），未直接引用其代码或提示词文本。本项目代码遵循 MIT License（见 LICENSE）。

许可证

MIT © 2026 freehul