English | 中文
LLM 智能体的持久记忆系统 — LLM 监督式、钩子集成、四图架构。
LLM 智能体在会话之间会遗忘一切。上下文压缩丢失关键决策，跨会话知识消失，长对话将早期信息推出窗口。
Mnemon 为你的 LLM 提供持久的跨会话记忆 — 四图知识存储、意图感知检索、重要度衰减、自动去重。单一二进制，零 API 密钥，一条命令完成部署。
Claude Max / Pro 订阅用户？ Mnemon 完全通过你现有的订阅运作——不需要额外的 API 密钥。你的 LLM 订阅本身就是智能层。两条命令即可完成。
多数记忆工具在管线内嵌入自己的 LLM。Mnemon 采用不同路线：你的宿主 LLM 就是监督者。 二进制处理确定性计算（存储、图索引、搜索、衰减）；LLM 做判断（记什么、怎么关联、何时遗忘）。没有中间人，没有额外推理开销。
| 模式 | LLM 角色 | 代表项目 |
|---|---|---|
| LLM-Embedded | 管线内部的执行者 | Mem0, Letta |
| File Injection | 无 — 会话启动时读取文件 | Claude Code Memory |
| MCP Server | 通过 MCP 协议提供工具 | claude-mem |
| LLM-Supervised | 独立二进制的外部监督者 | Mnemon |
Mnemon 同时填补了协议栈中的空白。MCP 标准化了 LLM 如何发现和调用工具，ODBC/JDBC 标准化了应用如何访问数据库，但 LLM 以记忆语义与数据库交互——这一层尚无协议。Mnemon 的三个原语——remember、link、recall——构成一个意图原生协议：命令名称映射到 LLM 的认知词汇（remember 而非 INSERT，recall 而非 SELECT），输出是带有信号透明度的结构化 JSON，而非原始数据库行。
LLM 监督式模式：钩子驱动生命周期，宿主 LLM 做判断，二进制处理确定性计算。
记忆具有复利效应 — 积累越久，价值越大。LLM 引擎不断迭代，技能文件几乎零成本编写，但记忆是随用户一起增长的私有资产。它是智能体生态中唯一值得深度投入的组件。
Mnemon 构建的真实知识图谱 — 87 条洞察，2150 条边，横跨四种图类型。
详见 设计与架构。
Homebrew（macOS / Linux）：
brew install mnemon-dev/tap/mnemonGo install：
go install github.com/mnemon-dev/mnemon@latest从源码构建：
git clone https://github.com/mnemon-dev/mnemon.git && cd mnemon
make install验证安装：
mnemon --versionmnemon setupmnemon setup 自动检测 Claude Code，交互式部署技能文件、钩子和行为引导。启动新会话 — 记忆自动运作。
mnemon setup --target openclaw --yes一条命令将技能文件、钩子、插件和行为引导部署到 ~/.openclaw/。重启 OpenClaw 网关即可激活。
NanoClaw 在 Linux 容器内运行智能体。使用 /add-mnemon 技能集成：
- 在宿主机安装 mnemon（见上方）
- 在 NanoClaw 项目中运行
/add-mnemon— Claude Code 将修改 Dockerfile、添加容器技能、配置卷挂载 - 每个 WhatsApp 群组获得独立的记忆存储，可选全局共享记忆（只读）
技能文件位于 NanoClaw 仓库的 .claude/skills/add-mnemon/ 目录。
mnemon setup --eject设置完成后，记忆透明运作 — 你照常使用 LLM CLI。Mnemon 通过 Claude Code 的钩子系统集成，在关键生命周期节点注入记忆操作：
会话启动
│
▼
Prime（SessionStart）─── prime.sh ──→ 加载 guide.md（记忆执行手册）
│
▼
用户发送消息
│
▼
Remind（UserPromptSubmit）─── user_prompt.sh ──→ 提醒 agent 进行 recall 和 remember
│
▼
LLM 生成回复（遵循技能文件 + guide.md 规则）
│
▼
Nudge（Stop）─── stop.sh ──→ 提醒 agent 进行 remember
│
▼
（上下文压缩时）
Compact（PreCompact）─── compact.sh ──→ 提取关键洞察进行 remember
四个钩子驱动记忆生命周期。Prime 加载行为引导 — 详细的 recall、remember、sub-agent 委派执行手册。Remind 在工作开始前提醒 agent 评估是否需要 recall 和 remember。Nudge 在工作结束后提醒 agent 考虑 remember。Compact 在上下文压缩前指示 agent 提取并保存关键洞察。技能文件教会 agent 命令语法。行为引导（~/.mnemon/prompt/guide.md）定义 recall、remember、委派的详细规则。
你不需要自己运行 mnemon 命令。agent 会自动执行 — 由钩子驱动，受技能文件和行为引导指引。
- 零用户操作 — 安装一次，记忆通过钩子在后台运行
- LLM 监督式 — 宿主 LLM 主动决定记什么、更新什么、遗忘什么；无内嵌 LLM，无 API 密钥
- 钩子集成 — 四个生命周期钩子：Prime（加载引导）、Remind（recall 和 remember）、Nudge（remember）、Compact（压缩前保存）
- 四图架构 — 时序、实体、因果、语义四种边，不仅仅是向量相似度
- 意图原生协议 — 三个原语（
remember、link、recall）映射到 LLM 的认知词汇而非数据库语法；结构化 JSON 输出，带信号透明度 - 意图感知召回 — 图遍历 + 可选向量搜索（RRF 融合），所有查询默认启用
- 内置去重 —
remember自动检测重复和冲突；跳过或自动替换 - 保留度生命周期 — 重要性衰减、访问计数提升、免疫规则、垃圾回收
- 可选嵌入向量 — 本地 Ollama 集成，支持混合向量+关键词搜索
所有本地 AI 智能体 — 跨会话、跨框架 — 共享一个活跃的记忆池。
Claude Code ──┐
│
OpenClaw ─────┤
│
NanoClaw ─────┤
├──▶ ~/.mnemon ◀── 共享记忆
OpenCode ─────┤
│
Gemini CLI ───┘
基础已就绪：一个 ~/.mnemon 数据库，任何 agent 都可以读写。Claude Code 的钩子集成是参考实现；OpenClaw 使用插件方式集成；NanoClaw 通过容器技能和卷挂载集成。同样的模式可以复制到任何支持事件钩子或系统提示的 LLM CLI。
更长远的方向是记忆网关：协议层与存储引擎解耦。当前 SQLite 后端是第一个适配器；协议面（remember / link / recall）可运行在 PostgreSQL、Neo4j 或任何图数据库之上。Agent 侧优化（何时召回、记什么）与存储侧优化（索引、图算法）独立演进。详见未来方向。
不同会话共享记忆吗？
是的。默认情况下，所有会话使用同一个 default 记忆体 — 一个会话中记住的决策在所有未来会话中可用。
能否按项目或 agent 隔离记忆？ 可以。使用命名记忆体（store）隔离数据：
mnemon store create work # 创建新记忆体
mnemon store set work # 设为默认
MNEMON_STORE=work mnemon recall "query" # 或按进程使用环境变量不同 agent/进程可通过 MNEMON_STORE 环境变量使用不同的记忆体 — 无全局状态竞争。
本地模式还是全局模式？
mnemon setup 默认本地（项目级 .claude/），适合大多数用户。全局（mnemon setup --global，安装到 ~/.claude/）在所有项目中激活 mnemon — 如果想让其他框架（如 OpenClaw）通过 Claude Code CLI 共享记忆很方便，但可能增加维护开销。
如何自定义行为？
编辑 ~/.mnemon/prompt/guide.md。该文件控制 agent 何时召回记忆以及什么值得记住。技能文件（SKILL.md）由 setup 自动部署，通常无需手动编辑。
什么是 Sub-agent 委派？
记忆写入不在主对话中进行。宿主 LLM（如 Opus）决定记什么，然后委派实际的 mnemon remember 执行给轻量 sub-agent（如 Sonnet）。这节省 token 并保持记忆操作不污染主上下文。
| 环境变量 | 默认值 | 说明 |
|---|---|---|
MNEMON_DATA_DIR |
~/.mnemon |
基础数据目录 |
MNEMON_STORE |
（active 文件或 default） |
命名记忆体，用于数据隔离 |
MNEMON_EMBED_ENDPOINT |
http://localhost:11434 |
Ollama API 端点 |
MNEMON_EMBED_MODEL |
nomic-embed-text |
嵌入模型名称 |
也可在命令上使用 --data-dir 或 --store 标志覆盖。
make build # 构建二进制
make install # 构建 + 安装到 $GOBIN
make test # 运行 E2E 测试套件
mnemon setup # 交互式设置（检测环境 + 部署钩子/技能/引导）
mnemon setup --eject # 移除所有集成
make help # 显示所有目标依赖：Go 1.24+、modernc.org/sqlite、spf13/cobra、google/uuid
可选：Ollama + nomic-embed-text 嵌入支持
Mnemon 取用了一篇论文的范式和另一篇论文的方法论，并基于图记忆与 LLM 注意力同构这一结构洞察。详见理论基础。
- RLM — Zhang, Kraska & Khattab. Recursive Language Models. 2025. 建立范式：LLM 作为外部环境的 orchestrator 比直接处理数据更有效。
- MAGMA — Zou et al. A Multi-Graph based Agentic Memory Architecture. 2025. 提供方法论：四图模型（temporal、entity、causal、semantic）+ intent-adaptive retrieval。
- Graph-LLM 结构洞察 — Joshi & Zhu. Building Powerful GNNs from Transformers. 2025；及图智能体记忆综述（Chang Yang et al., 2026）。证实 LLM 注意力机制在计算上等价于 GNN 操作——图记忆是结构性匹配，而非工程便利。