执行层
不只是经验：执行纪律空库即生效
- 任务分解：带依赖的步骤计划，防跳步门禁拦住闷头狂奔
- 循环纠错：失败必记反思与对策，重试、降级路径留档复用
- 工具踩坑：非常规路径记 tool_log，沉淀成 playbook 下次自动注入
创新性自训练冲突判定引擎
迷码 · 一个拥有干净记忆的AI助理 迷码 · 分身 一个自我进化，自我学习的AI助手
把 AI 从临时聊天升级成懂你的超级助手
模型决定上限，记忆决定斜率
怎么提高斜率？ 执行层 · 记忆层 · 协作层给 AI Agent 的长期记忆层：跨 session 记住项目与偏好，冲突当场判定，召回精确到句。
怎么提高斜率
不只是记忆：大幅提升 Agent 能力
mema 给任何 Agent 补上三层——执行层、记忆层、协作层。执行层让它按你的方式做事，记忆层让它记得你，协作层让所有 Agent 共享同一份可信记忆。一次接入，越用越强。
记忆层
个人记忆，也是知识库
- 跨会话记住项目背景、偏好与决策
- 文档、结论、踩坑照样入库，当知识库用
- 向量 + 全文混合检索，召回精确到句
协作层
多个 Agent，同一份可信记忆
- 任何 MCP 客户端带身份接入，共享同一库
- 记忆跟着用户走，不跟着 Agent 走
- 冲突当场判定，治理让记忆越攒越干净
提升有多大：复利曲线
普通 Agent + mema：积累直接继承，起点即在顶级之上，继续复利 冷启动（空库）：任务拆解、循环重试、验证纠错第一天就在 顶级 Agent 无记忆：每个会话从零爬回 95，长期期望是一条平线
读完整论证 →
失忆问题 · 四层能力框架 · 复利曲线 · 诚实边界
mini-clash · 自训练判定内核
写入冲突：自训练判定内核当场出结论
写入质量 · 召回精度
写入闸门与句子级召回
mema 生态
mema-twin：把「你」编译成 prompt
mema-twin · 迷码分身
把「你」编译成 prompt——每个 Agent 开工前，先成为你。
模板、口径、语气、禁忌，一条条沉淀，夜里编译成版本化 persona。
开始使用
一句话，交给 Agent 安装。
复制任务粘贴给 Codex、Claude Code、Cursor 等能操作终端的 Agent。
推荐方式
复制任务，粘贴给你的 Agent
它会判断操作系统、Python 环境和当前 MCP 客户端，并按使用规模配置传输方式：单 Agent 优先 stdio，多个 Agent 优先 HTTP。已有配置与数据库会被保留，完成后必须运行 doctor 验收。
- 01复制安装任务
- 02粘贴给 Agent
- 03查看 doctor 结果
请阅读 https://github.com/billy12151/memory-arbiter-mcp/blob/main/README.zh-CN.md#交给-ai-agent-安装 的最新说明，根据我的操作系统和当前 AI 客户端安装并配置最新版 mema。 请确认我要接入的 Agent 数量并选择合适的 MCP 传输方式：单 Agent 优先使用本地 stdio，多个 Agent 建议使用 HTTP MCP 服务。 请保留已有配置和数据库，不要覆盖或删除现有数据；需要我选择不同安装模式、修改已有配置，或执行任何破坏性、提权操作时先询问我。 完成后运行 mema doctor，并向我报告安装方式、配置路径、数据库路径、客户端接入方式和验收结果。
Agent 会以 GitHub README 为事实来源，并在修改已有配置、选择关键安装模式或执行敏感操作前询问你。