DSH HUB
HomePlugin StorePlugin PacksCommunityRankingsResourcesPublish Guide
Plugin source
Back to catalog

MerlinShieh /

MerlinShieh/AgentMemHub

Topic repository only

统一提取多 Agent Harness 会话为全量事件流(含工具链/思维链/Shell/补丁) → SQLite 检索 → 桥接 MemOS 生成记忆

★ 2 Stars0 Forks0 IssuesN/A Community rating0 Confirmed installs
View on GitHub
READMESource: main@fa17884e

AgentMemHub

统一提取你电脑上所有 AI Agent Harness 的对话历史 → 归一为全量事件流（含工具链、思维链、Shell 执行、代码补丁）→ 本地 SQLite 存储可搜索 → 导出 JSONL / Markdown → 桥接 MemOS Local Plugin 生成记忆。

让任何 Agent 的会话经验，变成可检索、可迁移、可复用的统一记忆资产。

支持的 Agent

Agent 数据来源 格式
ZCode ~/.zcode/cli/db/db.sqlite SQLite
OpenCode ~/.local/share/opencode/opencode.db SQLite
Hermes %LOCALAPPDATA%\hermes\state.db SQLite
WorkBuddy ~/.workbuddy/workbuddy.db + audit-log SQLite + JSONL
Qwen ~/.qwen/projects/*/chats/*.jsonl JSONL
QoderCN ~/.qoder-cn/.../*.jsonl JSONL
DSH ~/.dsh/sessions/*/session.jsonl.zstd zstd JSONL
Trae (CN) %APPDATA%\Trae CN\ModularData\ai-agent\ + ~/.trae-cn/ Git 快照 + JSON + Markdown

部分支持来源（最小可用）：WorkBuddy 与 Trae 受源数据封闭限制，目前只能拿到 会话清单 + 局部数据（WorkBuddy：Shell 命令审计；Trae：每轮代码变更 diff + SOLO 产物清单 + 项目记忆），拿不到用户/助手的完整输入输出——等待官方开放接口后补全。

项目架构

   ┌───────────────────────────── AgentMemHub（本项目） ─────────────────────────────┐
   │                                                                                 │
   │  采集层                        存储层                 消费层                     │
   │  ┌──────────────┐           ┌────────────┐     ┌────────────────────┐          │
   │  │ adapters/    │  ingest   │ SQLite 会话库│    │ CLI（7+ 子命令）      │          │
   │  │ 8 个数据源     │ ────────▶│ (store.py) │     │ 控制台（start.bat）    │          │
   │  │ (sqlite/jsonl)│           │ events+fts │     │ Web 看板（/api/*）    │          │
   │  └──────────────┘           └─────┬──────┘     └────────┬───────────┘          │
   │                                  │                      │                      │
   │   记忆层   ┌──────────────────────┼──────────────────────┘                      │
   │            ▼                      ▼                                             │
   │      统一事件流         bundle 生成（memos.py，幂等/价值启发式）                    │
   │            │                      │                                             │
   │            │                      ▼                                             │
   │            │             ┌────────────────┐    ┌─────────────────┐              │
   │            │             │ 引擎托管        │    │ 上游引擎 MemOS    │              │
   │            └────────────▶│ memos_daemon.py│──▶│ (项目内 memOS/)   │              │
   │          （检索/看板/导出）│ 启停/状态/密码/开关│    │ 记忆库+进化链      │              │
   │                          └────────────────┘    └─────────────────┘              │
   │                                                                                 │
   │   配置层：agentmemhub.yaml（全路径可配置）＋ 环境变量覆盖                           │
   └─────────────────────────────────────────────────────────────────────────────────┘

目录结构

AgentMemHub/
├── agentmemhub/                  # 核心包
│   ├── cli.py                    # 命令行入口（无参数进控制台）
│   ├── console.py                # 交互式控制台（环境检测/提取/检索/看板/记忆推送）
│   ├── config.py                 # 统一配置体系（YAML + 环境变量 + 默认）
│   ├── store.py + schema.sql     # SQLite 会话库（conversations/events/events_fts）
│   ├── watermarks.py             # 增量同步水位/变更集（delta）状态
│   ├── memos.py                  # MemOS bundle 桥接（幂等导入/价值/rebuild）
│   ├── memos_daemon.py           # 记忆引擎托管（启停/状态/密码自动登录/轻量开关）
│   ├── adapters/                 # 8 个 Agent 数据源适配器（src_id/turn_key/注入识别）
│   └── web/                      # FastAPI 看板 + 前端 + /api/memos 记忆网关
├── memOS/                        # 上游记忆引擎（已平移进项目，gitignore）
│   ├── apps/memos-local-plugin/  #   引擎程序 + npm 依赖 + 本地嵌入模型
│   └── home/                     #   引擎数据：记忆库 memos.db / viewer 密码 / 引擎配置
├── database/                     # 默认数据目录（gitignore）：SQLite 会话库 / watermarks / 评分状态
├── agentmemhub.yaml(.example)    # 统一配置文件（复制 example 修改；yaml 本体 gitignore）
├── exports/                      # 导出产物（gitignore）
├── scripts/                      # 工具脚本（download_embedding_model 模型恢复 /
│                                #   cleanup_empty_traces 空trace清理 / sensitive_scan 敏感扫描）
├── tests/                        # pytest（121 项）
├── AGENTS.md                     # Agent 协作约定（记忆保存纪律硬规则 + 项目约束速查）
├── ClearData.bat                 # 清空应用数据（database/+logs/exports；不动引擎与 Agent 源）
├── ClearTest.bat                 # 测试环境重置（应用数据+引擎数据；保留配置与嵌入模型）
└── start.bat                     # Windows 一键入口（双击进控制台）

数据流（三阶段闭环）

  1. 采集：ingest 从各 Agent 的官方数据位置读取会话（路径可经 agents.* 配置覆盖），归一为全量事件流（含工具链/思维链/Shell/补丁，每事件带 src_id/turn_key 稳定锚与系统注入标记）写入本地 SQLite
  2. 消费：CLI/控制台/Web 看板检索、浏览、导出、管理会话——全部读本地库，不上传任何数据
  3. 记忆：memos 把事件流转成 MemOS bundle（幂等、按轮分组、带价值信号）→ 经引擎托管通道导入项目内 memOS/，之后对话时可被语义检索命中

快速开始

方式 A — 控制台（推荐，新用户入口）

# Windows 双击 start.bat，或命令行无参数直接进入菜单：
uv run python -m agentmemhub

菜单涵盖：环境检测（各 Agent 数据源/库规模/记忆引擎在线状态）→ 提取入库 → 检索 → 启动看板 → 推送记忆 → 引擎启停 → 退出。

方式 B — 命令行

# 1. 提取所有 Agent 并入库
uv run python -m agentmemhub ingest

# 2. 搜索（FTS5 英文 + 中文子串）
uv run python -m agentmemhub search "登录"

# 3. 查看某个会话（Markdown，含思维链+工具）
uv run python -m agentmemhub show zcode sess_xxxx

# 4. 导出全量（JSONL 每行一事件 / Markdown 可读）
uv run python -m agentmemhub export --format jsonl --out exports/
uv run python -m agentmemhub export --format markdown --out exports_md/

# 5. 生成 MemOS 导入 bundle
uv run python -m agentmemhub memos --out exports/memos_bundle.json

# 6. 推送到运行中的 MemOS 记忆引擎
uv run python -m agentmemhub memos --push http://127.0.0.1:18800

查询示例

# ---- 关键词搜索 ----
# 中文自动走 LIKE 子串匹配，英文/词组走 FTS5 全文索引
python -m agentmemhub search "登录"                        # 全部 8 个来源
python -m agentmemhub search "登录" --source zcode         # 只搜某个来源
python -m agentmemhub search "登录" --role tool            # 只搜工具事件
python -m agentmemhub search "登录" --role reasoning       # 只搜思维链
python -m agentmemhub search "登录" --limit 50             # 条数限制（默认 20）

# ---- 查看单个会话（Markdown，含思维链/工具/补丁渲染）----
python -m agentmemhub show zcode sess_d8648672-3cc8-4bbc-8e4f-3e50afc6b032
python -m agentmemhub show opencode ses_0b10aad95ffe70V5

# ---- 列出会话 ----
python -m agentmemhub list                        # 全部来源
python -m agentmemhub list --source hermes        # 只列某个来源

导出示例

# 导出为 JSONL：每个会话一个 <source>__<session_id>.jsonl，每行一个事件
python -m agentmemhub export --format jsonl --out exports/
# → exports/zcode__sess_d86486....jsonl, exports/opencode__ses_0b10....jsonl, ...

# 导出为 Markdown：人类可读，含 👤用户/💭思考/🔧工具/📝修改 渲染
python -m agentmemhub export --format markdown --out exports_md/
# → exports_md/zcode__sess_d86486....md, ...

# 只导出某个来源、指定输出目录
python -m agentmemhub export --format markdown --source zcode --out exports_zcode/

# 导出后导入 MemOS（先启动 MemOS Local Plugin）
python -m agentmemhub memos --out exports/memos_bundle.json              # 生成 bundle
python -m agentmemhub memos --push http://127.0.0.1:18800              # 或直接推送

导出的 JSONL 每行就是一个标准事件：

{"role":"user","content":"帮我修复登录页面","time":1750000001}
{"role":"reasoning","content":"登录按钮没反应，先看代码","time":1750000002}
{"role":"tool","tool_name":"Bash","tool_input":{"command":"npm test"},"tool_output":"FAIL src/login.ts","tool_status":"completed","time":1750000003}

数据与文件存放位置

内容 默认位置 覆盖方式
数据目录（db / watermarks / 评分状态） 项目内 database/ 环境变量 AGENTMEM_HUB_DATA_DIR 或 yaml data_dir
SQLite 数据库 database/agentmemhub.db 环境变量 AGENTMEMHUB_DB
导出目录 项目下 exports/ --out 参数
MemOS bundle exports/memos_bundle.json --out 参数

默认数据已收进项目内 database/（已 gitignore，随项目走，备份/整机迁移只需带走项目目录）。 从旧版 ~/.agentmemhub 迁移：把旧目录内容整体复制到 database/ 即可 （agentmemhub.db 连同 -wal/-shm、scored_traces.json、config.json）； 不迁移则视为全新环境，由增量 ingest 从各 Agent 源自动重建。

数据库三张核心表：

  • conversations — 会话元数据（source / id / title / cwd / model / 时间）
  • events — 全量事件流（role / content / tool / reasoning / patch / shell，含 raw_json 原始保底）
  • events_fts — FTS5 全文索引（英文检索）

本地 SQLite 数据库结构 — conversations / events / events_fts 三张核心表

exports/ 已加入 .gitignore，含真实对话的导出不会进入仓库。

编程访问（Python）

核心存储层可直接编程调用：

from agentmemhub.store import Store

store = Store()                                  # 默认 <项目根>/database/agentmemhub.db
convs = store.list_conversations("zcode")        # 列出 zcode 的会话
events = store.get_events("zcode", "<session-id>")  # 读取某会话事件流
hits = store.search("登录", role="tool")          # 搜索工具事件

统一事件流（全量保留）

不丢弃工具链、思维链、Shell 执行、代码补丁——每行一个 JSON 事件：

{"role":"user","content":"帮我修复登录页面","time":1750000001}
{"role":"reasoning","content":"登录按钮没反应，先看代码","time":1750000002}
{"role":"tool","tool_name":"Bash","tool_input":{"command":"npm test"},"tool_output":"FAIL src/login.ts","tool_status":"completed","time":1750000003}
{"role":"assistant","content":"是事件监听器问题","model":"claude-x","time":1750000004}
{"role":"patch","patch_file":"src/login.ts","patch_diff":"@@ -12,3 +12,5 @@","time":1750000005}

每个事件保留 raw_json（各 Agent 原始 JSON）实现无损保底。

命令行

命令 说明
ingest [--source x] [--full] 提取全部/指定 adapter 并入库（默认会话级增量：只重读变化会话，见下文「增量同步架构」；--full 整源清空重建）
list [--source x] 列出会话
show <source> <id> 查看会话（Markdown）
search <q> [--source] [--role] [--limit] 全文搜索事件正文
export --format jsonl|markdown [--source] [--out dir] 导出
folders [--source] [--limit] 按文件夹统计各 Agent 会话数
memos [--source] [--out] [--push url] [--no-rebuild] 生成/推送 MemOS bundle（push 自动分批 + 补向量）
memos-daemon start|stop|status|logs 记忆引擎托管（见下文「记忆引擎管理」）
mcp [--http] [--bind H] [--port P] MCP 记忆网关：默认 stdio（Agent 拉起）；--http 常驻为 Streamable HTTP 供团队共享
sync [--push URL] [--no-rebuild] [--full] 增量同步：ingest 增量 → 清洗变更会话 → 只推送变更会话的 traces（watermarks 变更集，无变更自动跳过；--full 强制全量）→ 补向量（幂等，引擎离线跳过推送且变更集保留待补推）
clean [--source x] [--apply] 记忆清洗：删除系统注入事件（默认预览，--apply 才执行并重建 FTS/计数；sync 会自动只清变更会话）
score [--pending] [--limit N] [--dry-run] [--workers N] [--ids id1,id2] [--unscored-count] [--sync-episodes] LLM 批量自动评分历史记忆（增量优先：pending_score 队列非空只评队列·定点读零全量枚举，队列空则先筛未评 id 再读正文；--pending 仅评队列，--ids 只评指定条（写后即评），--unscored-count 统计未评条数（只读 id），--sync-episodes 回填 episode.r_task；三档 verdict 均记入跳过清单——positive/negative 写 value、neutral 不写值但仍标记「已评」避免下次重评（dry-run 一律不记录）；网关内容审核拒评（如智谱 1301）自动归 neutral 并记账，不再每次卡该条报错；LLM 调用强制直连、不受系统代理影响，确需代理设 AGENTMEMHUB_LLM_PROXY）
rebuild [--mode repair|rebuild] 补向量：触发引擎 embedding rebuild（导入记忆后修复语义检索）
stats / adapters 统计 / adapter 状态

更完整的代码与 SQL 示例（按 Agent 查询、按文件夹跨 Agent 统计、会话角色分布、直连数据库等）见 docs/EXAMPLES.md。

增量同步架构

提取入库、清洗、推送、评分不再全量扫描——整条链路围绕一个**变更集（delta）**运转：

adapter.list_sessions(轻量清单) ──对比──▶ 库内 updated_at
        │ 只重读变化会话（load(only_ids)）
        ▼
store.upsert_sessions（会话级 upsert，单事务，源端已删会话保留=历史保全）
        │ 变更集写入 <data_dir>/watermarks.json
        ▼
clean（只清变更会话的注入事件） → push（只构建/推送变更会话的 traces）
        │ 推送成功的 trace id 入 pending_score 队列
        ▼
score（增量优先：队列非空只评队列·定点读引擎库，队列空才全量筛未评——零无谓全表枚举）

适配器三级增量策略（新 adapter 按数据源能力自选层级，见 adapters/base.py）：

层级 机制 适用
会话级清单 list_sessions() 只读 id/时间（单 SELECT / rglob+stat / 首行 peek），精确对比逐会话 zcode、opencode、hermes、workbuddy(表)、qwen、qodercn、dsh(peek 首行)
源级新鲜度 source_freshness() 最大 mtime > 上次水位 → 整源重扫（force upsert），兜底清单看不见的变更 workbuddy 审计日志追加
整源重扫 无轻量清单 → 整源 load，upsert 按 updated_at 幂等对比 trae（快照 git 仓库，量小）

watermarks.json（<data_dir>/，version 化，扩展点：新流水线阶段读 delta、登记自己的 consumed 时间戳即可接入）：

  • last_ingest.sources — 每源上次同步水位（新鲜度信号对比基准）
  • delta.conversations — 变更会话集 [{source, id, status}]；连续两次 ingest 之间下游未消费时自动合并防丢；超 cap(5000) 标记 oversized，下游该轮回退全量扫描（正确性优先）
  • pending_score — 待评分 trace id 队列（评分入口增量优先消费：面板/控制台/score/score --pending 队列非空即只定点评这批，成功后出队、有失败整队列保留下次重试）
  • consumed — 各阶段消费水位；推送有失败批次时不标记，下次 sync 重试

水位文件缺失/损坏 = 无状态，下一次 ingest 仍可运行（对比基准是库本身），下游回退全量——任何时候 ingest --full 都是逃生口。

数据默认存放在项目内（database/）

可写数据（SQLite 库、watermarks、评分状态、托管 pid）默认落 <项目根>/database/ ——随项目走，备份/整机迁移只需带走项目目录；database/ 已 gitignore，严禁入库。 环境变量 AGENTMEM_HUB_DATA_DIR 或 yaml data_dir 仍可覆盖（测试隔离/自定义位置， 测试套件由 conftest 强制指向临时目录）。 ClearData.bat Y 一键清空应用数据重新开始（不动引擎与 Agent 源数据）； 旧版数据在 ~/.agentmemhub，整体复制进 database/ 即完成迁移。

MCP 记忆网关（实时记忆读写）

把本地记忆引擎（MemOS）的语义检索/写入包装成 MCP server，挂在 ZCode / OpenCode / Claude Code 等支持 MCP 的 Agent harness 上——模型在会话进行中即可检索历史记忆、 主动保存值得长期保留的结论。与离线链路（统一提取 → bundle → 导入）互补。 ⚠️ 本网关必须与 save-memory Skill 配套安装（触发纪律所在，见下文「必装组件」），只配 MCP 不装 Skill 不算接入完成。

工具 说明
memory_search(query, topK) 语义检索历史记忆（转发引擎 /api/v1/memory/search），返回命中条目 + 注入上下文
memory_recent(limit) 最近写入的记忆时间线，快速了解近期积累
memory_stats() 引擎在线状态 / 记忆总量 / 语义检索与 LLM 评分可用性 / 记忆模式
memory_save(content) 写一条记忆（即时入库并补向量，写后验证 imported，失败明确报错不伪装）
memory_score(trace_id, polarity) 对刚写入/任意一条记忆写后即评（feedback → 引擎即时重算 value/priority，检索排序生效） 
# 0. 先常驻记忆引擎（网关绝不代管其生命周期）：
python -m agentmemhub memos-daemon start

# 用法一：本地个人（stdio，Agent 拉起子进程）——见下方「注册配置」
# 用法二：团队共享（Streamable HTTP，一台机器常驻网关）：
python -m agentmemhub mcp --http --bind 0.0.0.0 --port 9100

# 验证：在 Agent 会话里调用 memory_stats / memory_search

注册配置（两种传输的 MCP 配置直接贴这里）

⚠️ 记得把下方 <项目根> 替换为你机器上的实际路径（例如 D:/path/to/AgentMemHub）。 不要用 uv run python——MCP 子进程在项目目录之外启动时会解析到错误的 python（No module named agentmemhub）。 ZCode 写在 mcp.json 的 mcpServers 段；OpenCode 写在 opencode.json 的 mcp 段（模板另见 docs/mcp-register.example.json）。

A. 本地个人（stdio）

{
  "mcpServers": {
    "agentmemhub": {
      "type": "stdio",
      "command": "<项目根>/.venv/Scripts/python.exe",
      "args": ["-m", "agentmemhub", "mcp"],
      "env": {}
    }
  }
}

OpenCode 对应写法（含裸命令备选：pip install -e . 后把 .venv/Scripts 加入 PATH，command 直接用 agentmemhub-mcp）：

{
  "mcp": {
    "agentmemhub": {
      "type": "stdio",
      "command": "<项目根>/.venv/Scripts/python.exe",
      "args": ["-m", "agentmemhub", "mcp"],
      "enabled": true
    }
  }
}

B. 团队共享（Streamable HTTP）

服务端先常驻：python -m agentmemhub mcp --http --bind 0.0.0.0 --port 9100（默认只监听 127.0.0.1，开放局域网需显式 --bind 0.0.0.0 并自行做好访问控制）。客户端注册：

{
  "mcpServers": {
    "agentmemhub": {
      "type": "http",
      "url": "http://<服务器IP或hostname>:9100/mcp"
    }
  }
}

两种传输的工具完全一致（memory_search / memory_recent / memory_stats / memory_save / memory_score），按场景选一种即可。

⚠️ 必装组件：save-memory Skill（与本项目强绑定）

MCP 网关只提供「做得到」（执行层工具），不解决「何时必须做」——Agent 主动保存记忆并 写后即评的触发纪律，由独立 Skill 仓库承载：

https://github.com/MerlinShieh/Agent-skill-save-memory

该 Skill 是本记忆链路的必装组件（不装则模型保存记忆行为不可靠：漏保存、保存不评分， 本项目实测踩过）。完整启用需要三件套，缺一不可：

  1. MCP 服务（执行层，本仓库）——按下方「注册配置」接入 harness；
  2. save-memory Skill（行为协议层）——克隆到当前 harness 的 skills 目录：
    # ZCode
git clone https://github.com/MerlinShieh/Agent-skill-save-memory ~/.zcode/skills/save-memory
# OpenCode（或 ~/.agents/skills/）
git clone https://github.com/MerlinShieh/Agent-skill-save-memory ~/.config/opencode/skills/save-memory
  3. AGENTS.md 硬规则（触发保障）——把 SKILL.md「生效前提」中的规则原文粘贴进项目 AGENTS.md 或 harness 全局指令文件（如 ~/.zcode/AGENTS.md）。

三层边界：AGENTS.md 管「必须做」、SKILL.md 管「怎么做」、MCP 管「做得到」。 Skill 与 MCP 强绑定、无降级路径——MCP 不可用时 Skill 会明确提醒配置而非改用别的方式保存。

设计要点：

  • 引擎由用户常驻控制（看板 / memos-daemon）；网关只转发请求，引擎离线时所有工具 返回明确错误与启动指引（isError），不做启停决策
  • 协议层与传输层分离：stdio 零新依赖；Streamable HTTP 复用 web 依赖 （fastapi/uvicorn），POST /mcp 单端点（GET 405、DELETE 结束会话）， 兼容 MCP 2024-11-05 / 2025-06-18
  • 复用引擎网关的自动登录（已保存密码时免密直连）；不写本地库、不改引擎源码

数据模型

  • conversations：会话元数据（source/id/title/cwd/model/时间/signature）
  • events：全量事件流（role/content/tool/reasoning/patch/shell/raw_json）
  • events_fts：FTS5 全文索引（英文走 FTS，中文子串走 LIKE 兜底）

详见 ARCHITECTURE.md。

记忆引擎管理（MemOS 已集成进项目）

本项目把 MemOS Local Plugin 作为上游记忆引擎集成——AgentMemHub 只负责调用其接口与托管其进程，不修改其源码。MemOS 默认平移到项目内 memOS/ 目录（repo_dir 可配置到任意位置）：

AgentMemHub/
├── agentmemhub/                 ← 本项目代码
├── memOS/                       ← 上游引擎（已 gitignore，不入库）
│   ├── apps/memos-local-plugin/ ← 引擎程序（npm 依赖 + 本地嵌入模型随项目）
│   └── home/                    ← 引擎数据：记忆库 memos.db、viewer 密码、引擎配置
└── agentmemhub.yaml             ← 可选：统一配置文件（复制自 example）

引擎托管（启动/停止/巡检/日志/配置开关）：

uv run python -m agentmemhub memos-daemon start        # 拉起引擎（memOS/home 自动注入）
uv run python -m agentmemhub memos-daemon stop         # 停止（仅停本工具拉起的实例）
uv run python -m agentmemhub memos-daemon status       # 巡检：在线/鉴权/路径/记忆规模/轻量模式
uv run python -m agentmemhub memos-daemon logs         # 查看引擎日志
uv run python -m agentmemhub memos-daemon --lightweight off   # 完整进化链（新对话自动评分/归纳）
uv run python -m agentmemhub memos-daemon --lightweight on    # 轻量模式（只写记忆不进化）
uv run python -m agentmemhub memos-daemon --set-password <密码>  # 引擎 viewer 设了密码时保存（网关自动登录）

要点：

  • 密码自动登录：引擎 viewer 设置了密码（.auth.json）后，网关遇 401 会用保存的密码自动登录，看板/检索不受影响
  • MemOS 页面：平移后需构建一次 viewer（cd memOS\apps\memos-local-plugin && npm run build:viewer）；升级引擎或重装 node_modules 后重跑
  • 本地嵌入模型（npm install 会清掉）：引擎的本地嵌入模型文件在 memOS/apps/memos-local-plugin/node_modules/@huggingface/transformers/models/Xenova/bge-small-zh-v1.5/，不属于 npm 依赖——重装依赖会被删除，嵌入会失效；重装后执行 uv run python scripts/download_embedding_model.py 恢复（断点续传 + 大小校验，默认回填本项目的 bge-small-zh-v1.5；换模型用 --model Xenova/…，镜像源用 --base https://hf-mirror.com）
  • 完整进化链：--lightweight off 后新对话自动跑 reward 打分 / 经验归纳 / 技能结晶（需要引擎配置了 LLM）；历史导入记忆保持价值 0，仍可被检索

统一配置

所有路径/端口默认采用官方默认；需要覆盖时创建 agentmemhub.yaml（模板见 agentmemhub.yaml.example）。优先级：环境变量 > 配置文件 > 内置默认。

data_dir: "database"                  # 本地库/水位/评分/托管状态（默认项目内 database/）
db_path: ""                           # 会话库 SQLite（默认 <data_dir>/agentmemhub.db）
agents:
  zcode: ""                           # 各 harness 会话位置；留空=官方默认自动发现
  hermes: ""                          # 例：系统盘不在 C: 时指向 D 盘镜像数据
  ...
memos:
  repo_dir: ""                        # MemOS 项目根（默认 <项目根>/memOS）
  plugin_dir: ""                      # 留空自动推导 <repo_dir>/apps/memos-local-plugin
  home: ""                            # 引擎数据目录（默认 <repo_dir>/home）
  base_url: "http://127.0.0.1:18800"
  password: ""                        # caller viewer 密码（自动登录用）
  lightweight: ""                     # true/false 强制；留空=引擎自身配置
web:
  port: 8086

相对路径相对项目根解析，~ 展开为用户目录。

需求

  • Python 3.10+
  • pip install zstandard（仅 DSH 需要）

Web 页面（可选）

不想敲命令行？启动本地 Web 仪表盘，在浏览器里浏览/搜索/管理所有 Agent 会话：

# 首次：安装 web 可选依赖（fastapi + uvicorn）
uv pip install -e ".[web]"

# 启动（默认 http://127.0.0.1:8086，--open 自动打开浏览器）
uv run python -m agentmemhub serve
uv run python -m agentmemhub serve --port 9000 --no-open --db D:/path/to/agentmemhub.db

功能：Agent/工作空间多选筛选 · 服务端分页列表 · 全文搜索（FTS5+LIKE）· 统计卡与图表 · 会话详情抽屉（用户消息/思维链/工具调用/代码补丁 全渲染，按记忆轮次分组）· 标题编辑与会话删除（真实写库）。 引擎在线时画面下方有**「记忆引擎」板块**：运行状态（含托管标识/记忆规模/向量就绪）、 语义检索框（直接搜历史记忆）、最近记忆列表（value 正负标注 + 👍/👎 单条打分）、 一键启动/停止与打开引擎页面链接。下方还有**「数据操作」（按流程排序）： 提取会话入库 → 清洗数据（删系统注入，带确认弹窗）→ 推送记忆到 MemOS（幂等导入 + 自动补向量）→ 补向量（embedding rebuild）→ 自动评分（LLM 三轴批量补价值分，进度条 + 百分比，未完成封顶 99%）—— 全部为后台任务，进度条按百分比分级配色、结果实时回显、同一时刻只允许一个任务； 顶部与数据操作区均有「操作日志」**入口（引擎启停/任务提交执行/打分等记录，留存于 <程序根>/logs/，重启可查）。 MemOS 未安装时板块自动隐藏。

AgentMemHub 主看板 — 筛选栏、统计卡、趋势/占比图与会话列表

会话详情抽屉 — 按时间顺序展示事件流，支持多选角色筛选（用户输入/Agent Output/System）

设计要点：

  • 大库友好：事件流不预载——只有点开某条会话的抽屉时才从后端按需加载该会话的事件； 超长会话自动截断（前 88 + 后 12 条）并标注；统计聚合下推 SQL 且带 TTL 缓存
  • 离线可用：Tailwind / lucide / Chart.js 已本地化到 agentmemhub/web/static/vendor/
  • 只绑定 127.0.0.1，不上传任何数据；Swagger 文档在 /api/docs
  • 前端由 WebsiteDesign 设计稿改造而来，接口契约见 docs/ 与 /api/docs

隐私与脱敏

本项目本地运行、不上传任何数据。推送到公开仓库的部分严格脱敏：

  • 代码用 Path.home() / 环境变量在运行时发现路径，不硬编码真实用户名或绝对路径
  • 敏感配置用示例文件给出：.env.example（环境变量占位）、scripts/sensitive_scan.py（敏感扫描）
  • 真实会话导出默认为 exports/（已在 .gitignore，勿强制推送）
  • 详细规则见 SECURITY.md

Roadmap

  • 统一事件模型 + SQLite 存储（FTS5）
  • 8 个 Agent Adapter（含 src_id/turn_key 稳定锚与系统注入识别）
  • Trae 适配器（最小可用：会话清单 + 每轮快照 diff + 项目记忆；对话正文等官方开放接口）
  • 全量检索 + JSONL/Markdown 导出
  • MemOS bundle 桥接（幂等导入 + 价值启发式 + embedding 自动补齐）
  • Web 仪表盘（FastAPI + 原生 JS，服务端分页、事件按需加载、真删改）
  • 交互式控制台入口（start.bat / 无参数菜单）
  • 记忆引擎一体化管理（MemOS 平移进项目 + 启停/巡检/看板记忆板块）
  • 统一配置体系（agentmemhub.yaml：全路径可配置）
  • MCP 记忆网关（stdio / Streamable HTTP 双传输，供 ZCode/OpenCode 等 harness 检索/写入记忆）
  • 记忆清洗（clean：删除系统注入事件，预览→执行并重建 FTS/计数）
  • LLM 批量自动评分（score：三轴评估写价值分、跳过已评、面板进度条）
  • 统一日志（<程序根>/logs/：web/cli/engine/tasks 分文件，面板可查历史）
  • MCP 写后即评（memory_score 工具 + save-memory Skill 独立仓：触发纪律/生效前提/逻辑归属）
  • 导入数据质量（meta 幽灵轮剔除、纯工具轮标题兜底、恢复环境整源丢失修复、cleanup_empty_traces 清理脚本）
  • 增量同步架构（会话级清单对比 → upsert → watermarks 变更集贯通 clean/push；评分增量优先·定点读零全量枚举；cap 超限回退全量；默认数据目录收进项目内 database/）
  • 更多 Agent（Claude Code / Cursor / Gemini CLI / CodeBuddy）
  • 记忆折叠压缩（超长会话压缩、相邻轮折叠）
  • 存储扩展（单库增长的按 source 分片/归档；data_root 已参数化，见 watermarks 扩展点设计）
—/ 5

No ratings yet

Manifest verification required

Commit fa17884e687a

Community comments

No comments yet. Be the first to write one.

DSH HUB

A community index for DSH plugins. Not an official GitHub or DeepSeek AI product.

CommunityResourcesAPIAbout