自己出题，自己训练
mini-clash 从零冷启动训练加蒸馏，用真人裁决过的 462 道冲突考卷验收：argmax 准确率 0.9004；高门档下 227 条真冲突召回 185 条，误报只有 3 条。
mema 总览
完整了解 mema
从核心收益到判定原理、写入质量、接入路径与安全边界，一页读完。
核心收益
用 mema 之后，变化发生在三处
大幅提升模型使用效果
关键事实、项目口径和用户偏好可被持续召回，Agent 少猜、少跑偏，回答更稳定。
大幅降低 token 消耗
不用每次把历史背景整段塞进 prompt，只召回当前任务真正相关的记忆。
大幅降低跨 session 沟通成本
换窗口、换工具、隔天继续，Agent 仍然知道你是谁、项目到哪一步。
mini-clash · 自训练判定内核
记忆会不会打架，交给一个自己练出来的裁判。
mema 0.17.1 把写入时的冲突判定，从“让生成式小模型写小作文再抽字段”，换成 mini-clash 自训练的三分类判别模型：更快、更准、更省，而且完全跑在你自己机器上。
判别式，不再“写小作文”
不再生成 JSON 再抽字段，直接读两句原文出三分类概率。单对耗时从 0.68s 压到约 0.1s，单次判定窗口从 10 对放大到 500 对——同一笔写入，能查过去 50 倍的候选。
12 类冲突机制，讲清为什么
除三分类外还带机制头：数值、时效、义务、口径、指代……不只告诉你“冲突”，还给出结构化理由，Agent 和你一眼看懂该信谁。
纯本地，无网络，无提示词
1.1GB 权重，CPU fp32 常驻，模型只看两句原文——不看元数据、不跑提示词工程、不联网，判定过程数据不出机器。
公开评测
LoCoMo-Refined：文本类 65.6%，榜眼
官方判分 Qwen3-14B，1,382 题全量，方法论与消融全公开。
| 总体 | 文本类 | |
|---|---|---|
| mema + 写入代理（最便宜档模型 + 公开规则） | 61.00% | 65.62% |
| mema 零抽取（写入端无 LLM，原话照存） | 43.13% | 49.48% |
| 对照：Mem0 完整管线（组委会重判） | 48.91% | 48.91% |
写入路径同时检出 552 对语义冲突——榜单上没有第二家在写入时做冲突检测。
完整报告与复现步骤 ↗ 写入质量 · 召回精度
记得住还不够，要记得干净、找得准。
大多数记忆层只做“存进去、搜出来”。mema 在写入那一刻就把关：这条和已有记忆是冲突、是重复，还是全新；检索时也不止给你整篇，而是精确到句子。
矛盾当场拦下
新事实与旧记忆打架时，写入漏斗先做确定性筛选，再交给自训练判定内核出三分类结论与机制。不覆盖、不静默，交给你裁决。
重复当场点破
近似重复、同义改写、同一件事换个说法——双轴阈值（主题相似度 + 正文重合度）在写入时就给出 similar_active_memory 提示，不用等到库里堆出一堆平行副本。
召回精确到句
返回的是命中的那一句（或那一段表格行）的原文切片，带 start_offset/end_offset，可直接用 read 按 span 取回；命中覆盖过半则自动升为全文，绝不替你挑“重点”。
字面与语义并行
FTS5 全文、主题/标签 LIKE、向量证据多路独立召回，再按记忆做倒数排名融合，叠加信任度、时效与工作区调整；向量缺失也能沿降级链继续跑。
mema 生态
一个记忆内核，一个正在生长的生态
mema 负责让 Agent 记住，并且记得可信。围绕这个内核长出的开源项目，让 Agent 干活像你、做事有章法、协作有流程。
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：从日常产出里一条条认出来，存进 mema，夜里自动编译成版本化 persona prompt。写砸了回滚一版，旧版不删、来源可溯；计划先立、步骤打卡、经验回灌，干活的章法也一起编译进去。交付物拿回来，你几乎分不清是自己写的还是分身写的。
- 版本化 persona
- 夜间自动编译
- 一键回滚
- 经验回灌 playbook
两个版本，一个记忆内核
个人版 与 Team 版
同一个记忆内核，不同的部署边界与治理范围。
个人版
给个人开发者和单 Agent：本地优先，一个 SQLite，让 AI 持续懂你和当前项目。
- 本地优先
- 自己的记忆
- 本地治理
Team 版
给团队和公司：共享的是授权，不是复制。让团队 Agent 在边界内继承共同上下文。
- 自己的记忆 + 团队共享
- owner + grant 授权链
- 成员自助生成
共享不是标签，是授权链。
为什么 mema 能让 Agent 变强
不是多存几条记录，而是让记忆可用、可信、可治理。
普通上下文靠你反复解释，普通 RAG 只管“找得到”。mema 让 Agent 知道什么该记、何时该用、冲突时听谁的。
跨 session 继承项目上下文
项目背景、决策历史、你的偏好和禁忌不会随着窗口关闭消失。Agent 继续工作时先召回长期事实，再进入当前任务。
少塞上下文，减少 token 浪费
不用每次把 README、聊天历史和项目说明整段贴给模型。mema 先筛选相关记忆，再把必要事实带入上下文。
每条记忆都可治理、可回溯
四类工具覆盖记忆全生命周期：memory 存取、memory_review 巡检、memory_govern 授权变更、memory_repair 修索引。原文只存一份，向量与检索都是可重建的派生索引；谁改的、为什么改，审计里都留痕。
Agent 接入
两条路径，同一个记忆内核
个人版本地装，Team 版用 Key 接入。MCP 兼容客户端都能用。
本地安装 MCP Server
本地安装 mema，配置 MCP Server。任何兼容 MCP 的客户端都能接入——Claude Code、Cursor、Codex、ZCode。
- 本地 SQLite，数据在自己机器上
- 兼容 Claude Code、Cursor、Codex、ZCode
- 详细安装命令见“开始使用”
用 Agent Key 调用
管理员创建团队、邀请成员。每个成员在 Team Portal 自助生成 Agent Key，绑定自己的身份。Agent 通过 Key 调用 MCP，默认搜索范围：自己的记忆 + 本团队共享。
- Agent Key 绑定成员身份
- 默认范围：自己的记忆 + 团队共享
- 共享走授权链，不复制团队副本
诚实边界
什么时候帮不上
把能力边界写清楚——这些是记忆层解决不了的问题，我们不想吹过头。
不替代模型能力
推理短板、代码能力短板，记忆补不了。复杂算法题，带记忆的 60 分照样输给失忆的 95 分——在「与你的合作」之外的所有战场。
不提供工具调用
Agent 能干什么活，取决于它自己接了什么工具；mema 是 MCP 工具之一，不是工具的来源。
不管上下文管理
当前会话内的上下文压缩与取舍，是宿主 Agent 的职责；mema 管的是跨会话持久层。
治理需要人偶尔在场
冲突裁决、过期确认，设计上就是留给用户拍板的——这不是缺陷，是「知道何时问人」的具体实现。完全托管记忆的可信度，今天还没有人敢宣称。
Team 版安全边界
共享不是标签，是授权链。
Team 版的安全模型围绕三条原则展开。
owner + grant
个人记忆仍归个人所有。团队共享只表达“谁被授权使用”，撤回后团队 Agent 不再可见。
项目分类不是权限边界
项目、workspace、事实域用于组织记忆；真正的可见性由明确授权决定，避免“放进某个项目就默认共享”。
身份从 Agent Key 解析
Team 版请求不相信客户端自己声明的身份或团队范围，服务端只根据 Key 解析可访问边界。
开始使用
一句话，交给 Agent 安装。
复制下面的任务给 Codex、Claude Code、Cursor、OpenClaw、WorkBuddy、DeepSeek Harness 或其他能操作终端的 Agent。mema 同时支持本地 stdio 与 HTTP MCP 服务：单 Agent 建议使用 stdio，多个 Agent 建议使用 HTTP。
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。
需要自己动手？展开手动安装命令
01
推荐：PyPI 默认向量版（含 sqlite_vec）
优先从 PyPI 安装带向量召回的个人版。包含 sqlite_vec 语义召回能力，适合大多数本地用户；需要接 MCP 时再运行 mema setup。
# 零安装启动
uvx --from memory-arbiter-mcp mema
# 或安装带 sqlite_vec / 向量召回能力的 PyPI 包
python3.11 -m venv .venv && source .venv/bin/activate
pip install -U pip
pip install "memory-arbiter-mcp[vec]"
# 可选：需要生成 MCP 配置时再运行
# mema setup
python -c "import sqlite_vec; print('sqlite_vec ok')"
# 然后让 Agent 先读中文 README：https://github.com/billy12151/memory-arbiter-mcp/blob/main/README.zh-CN.md# 零安装启动
uvx --from memory-arbiter-mcp mema
# 或安装带 sqlite_vec / 向量召回能力的 PyPI 包
py -3.11 -m venv .venv
.\.venv\Scripts\python.exe -m pip install -U pip
.\.venv\Scripts\python.exe -m pip install "memory-arbiter-mcp[vec]"
# 可选：需要生成 MCP 配置时再运行
# .\.venv\Scripts\mema.exe setup
.\.venv\Scripts\python.exe -c "import sqlite_vec; print('sqlite_vec ok')"
# 然后让 Agent 先读中文 README：https://github.com/billy12151/memory-arbiter-mcp/blob/main/README.zh-CN.md 02
增强：mDeBERTa 自训练判定内核
可选安装 mdeberta extra（torch + transformers），下载 1.1GB 判定权重，写入时的冲突判定即刻升级为 mini-clash 自训练三分类：三分类 + 12 类机制 + 校准概率。不装也能用核心能力，冲突发现由后台扫描兜底。
python3.11 -m venv .venv && source .venv/bin/activate
pip install -U pip
pip install "memory-arbiter-mcp[vec]"
pip install "memory-arbiter-mcp[mdeberta]"
# 再把 semantic_conflict.mdeberta_ckpt 指向下载好的 ckpt（1.1GB，配置即启用）
# 然后让 Agent 先读中文 README：https://github.com/billy12151/memory-arbiter-mcp/blob/main/README.zh-CN.md 03
最小：PyPI 核心安装
不装向量、不装判定模型，只安装核心包和本地 setup。适合先跑通 MCP Server 或低性能机器。
python3.11 -m venv .venv && source .venv/bin/activate
pip install -U pip
pip install memory-arbiter-mcp
# 可选：需要生成 MCP 配置时再运行
# mema setup
# 然后让 Agent 先读中文 README：https://github.com/billy12151/memory-arbiter-mcp/blob/main/README.zh-CN.md 04
源码安装：调试 / 二次开发
源码安装单独放在最后，只建议需要调试、改代码或手动控制依赖时使用。
git clone https://github.com/billy12151/memory-arbiter-mcp.git
cd memory-arbiter-mcp
python3.11 -m venv .venv && source .venv/bin/activate
pip install -U pip
pip install -e .
# 可选：需要生成 MCP 配置时再运行
# mema setup
# 然后让 Agent 先读中文 README：https://github.com/billy12151/memory-arbiter-mcp/blob/main/README.zh-CN.md联系邮箱：memarbiter@sina.com