Persistent AI Memory：为AI助手提供持久化本地记忆存储

Persistent AI Memory 是一个开源项目，旨在为AI助手、语言模型（LLM）和VS Code中的Copilot提供持久化的本地记忆存储。它通过SQLite数据库存储对话、记忆和工具调用记录，支持语义搜索和实时文件监控。该系统跨平台运行，兼容Windows、macOS和Linux，安装简单，开箱即用。用户可以轻松存储和检索AI交互数据，适合开发者、研究者和需要本地化AI记忆的场景。项目采用MIT许可证，允许自由使用和修改。

功能列表

• 持久化存储：使用SQLite数据库保存AI的对话、记忆和工具调用记录。
• 语义搜索：通过LM Studio的嵌入技术，支持对记忆和对话的语义搜索。
• 实时监控：利用watchdog监控对话文件，自动捕获ChatGPT等导出的对话。
• 工具调用日志：记录模型上下文协议（MCP）工具的使用情况，支持AI自我反思。
• 跨平台支持：兼容Windows、macOS和Linux，适配多种开发环境。
• 简单安装：提供一键脚本、pip安装等多种方式，快速部署。
• VS Code集成：与VS Code中的Copilot无缝协作，提升开发效率。
• 系统健康检查：提供接口查看数据库和系统状态，确保稳定运行。

使用帮助

安装流程

Persistent AI Memory 提供多种安装方式，适合不同用户需求。以下是详细步骤：

一键安装（推荐）

1. Linux/macOS：运行以下命令：

   curl -sSL https://raw.githubusercontent.com/savantskie/persistent-ai-memory/main/install.sh | bash
   

   该脚本自动下载并配置依赖，适合快速上手。

2. Windows：下载并运行批处理文件：

   curl -sSL https://raw.githubusercontent.com/savantskie/persistent-ai-memory/main/install.bat -o install.bat && install.bat
   

   脚本会自动设置环境，安装完成后即可使用。

3. 手动安装：
   • 克隆仓库：

     git clone https://github.com/savantskie/persistent-ai-memory.git
     cd persistent-ai-memory
     

   • 安装依赖：

     pip install -r requirements.txt
     pip install -e .
     

   • 可选开发依赖：

     pip install -e ".[dev]"
     

4. 通过pip直接安装：

   pip install git+https://github.com/savantskie/persistent-ai-memory.git
   

   适合希望直接集成到现有项目的用户。

安装完成后，系统默认使用SQLite数据库，存储路径为custom_memory.db（可自定义）。若需使用自定义嵌入服务，需配置embedding_service_url，例如：

memory = PersistentAIMemorySystem(db_path="custom_memory.db", embedding_service_url="http://localhost:1234/v1/embeddings")

主要功能操作

1. 存储记忆：
   • 使用store_memory函数保存AI学习的知识。例如：

     import asyncio
     from ai_memory_core import PersistentAIMemorySystem
     async def main():
     memory = PersistentAIMemorySystem()
     await memory.store_memory("今天学习了Python异步编程")
     asyncio.run(main())
     

   • 记忆会存储在SQLite数据库中，带可选元数据。
2. 语义搜索：
   • 通过search_memories函数查找相关记忆：

     results = await memory.search_memories("Python编程")
     print(f"找到 {len(results)} 条相关记忆")
     

   • 系统使用LM Studio的嵌入技术，返回语义相关的结果，默认返回10条。
3. 对话存储与检索：
   • 存储对话：

     await memory.store_conversation("user", "什么是异步编程？")
     await memory.store_conversation("assistant", "异步编程允许...")
     

   • 检索对话历史：

     history = await memory.get_conversation_history(limit=100)
     

   • 支持搜索特定对话：

     conversations = await memory.search_conversations("异步编程", limit=10)
     

4. 实时监控对话文件：
   • 监控ChatGPT导出的对话文件：

     memory.start_conversation_monitoring("/path/to/conversation/files")
     

   • 系统会自动捕获文件变化，存储到数据库。
5. 工具调用日志：
   • 记录MCP工具调用：

     await memory.log_tool_call("tool_name", {"arg": "value"}, "result", metadata={"key": "value"})
     

   • 查看工具使用历史：

     tool_history = await memory.get_tool_call_history(tool_name="tool_name", limit=100)
     

   • AI可通过reflect_on_tool_usage进行自我反思，分析工具使用模式。
6. 系统健康检查：
   • 检查系统状态：

     status = await memory.get_system_health()
     print(status)
     

   • 返回数据库连接状态和系统运行信息。

特色功能操作

• VS Code集成：将项目集成到VS Code的Copilot中，需确保安装了Python扩展和Copilot插件。运行项目后，Copilot可直接访问本地记忆数据库，提升代码补全的上下文准确性。
• 跨平台兼容性：系统自动适配不同操作系统，无需额外配置。Windows用户可能需安装Git Bash以运行shell脚本。
• 语义搜索优化：通过LM Studio的嵌入服务，搜索结果更精准。例如，搜索“Python”会返回与Python相关的所有记忆，而非仅精确匹配。

注意事项

• 确保网络连接稳定，以访问LM Studio嵌入服务（默认http://localhost:1234/v1/embeddings）。
• 定期备份SQLite数据库文件，避免数据丢失。
• 若使用VS Code，建议检查Python环境是否与项目依赖兼容。

应用场景

1. 开发者调试AI助手
   开发者可用Persistent AI Memory存储AI助手的交互数据，分析对话模式，优化模型表现。例如，调试聊天机器人时，检索历史对话以改进回答逻辑。
2. 研究者分析语言模型
   研究者可利用语义搜索和工具调用日志，分析语言模型在特定任务中的行为，生成实验数据。例如，研究AI在编程任务中的工具使用频率。
3. 个人知识管理
   用户可将学习笔记或灵感存储为记忆，通过语义搜索快速检索。例如，学生存储课程笔记，搜索“机器学习”即可找到相关内容。
4. VS Code效率提升
   程序员可将代码相关知识存储到系统中，与Copilot结合，提升代码补全的上下文准确性。例如，存储项目API文档，快速获取相关函数说明。

QA

1. 如何确保数据隐私？
   数据存储在本地SQLite数据库中，无需联网上传，保障隐私。用户可自定义数据库路径，进一步控制数据访问。
2. 支持哪些AI模型？
   系统与支持MCP协议的模型兼容，如Claude、GPT、Llama等，也可通过VS Code与Copilot集成。
3. 安装失败怎么办？
   检查Python版本（建议3.8+）和pip依赖是否完整。参考GitHub仓库的issue页面，或尝试手动安装。
4. 语义搜索的准确性如何？
   依赖LM Studio的嵌入模型，准确性较高。用户可调整嵌入服务URL以使用更强大的模型。