Elite Longterm Memory

• 你在会话中途丢失上下文 — WAL（预写日志）协议确保在智能体响应之前将状态写入，因此压缩和崩溃不会抹去重要内容。
• 你在长期运行或多会话项目中工作 — 经过整理的 MEMORY.md 加上每日日志，为智能体和人类都提供了一份持久且易于阅读的决策记录。
• 你的智能体反复犯错或遗忘偏好设置 — Mem0 自动从对话中提取事实并去重，相比原始历史记录可将 token 用量减少约 80%。
• 你运行子智能体或并行工作流 — 分层架构让你可以通过 git-notes 和语义搜索传递结构化上下文，而无需重复解释一切。

• 你只需要一次性、单会话的任务 — 完整的 5 层架构会带来额外开销，对于临时脚本或短期任务来说并不划算。
• 你没有使用兼容 OpenAI 的 LLM 密钥 — 语义向量搜索（LanceDB）和 Mem0 集成需要 OPENAI_API_KEY；没有它，该技能将无法发挥其全部潜力。

状态在代理响应之前写入 SESSION-STATE.md，而非之后。这可以防止在压缩、崩溃或对话中断期间丢失上下文——这是普通记忆方案无法提供的保障。

所有记忆均被索引至本地 LanceDB 向量存储中。自动召回功能会将最相关的历史上下文注入每次响应，而手动 memory_store / memory_recall 命令则允许您按类别和重要性评分进行查询或筛选。

结构化的决策、学习成果以及分支感知上下文以 git notes 的形式存储——静默运行、版本受控，并可导出为 JSON。它们与您的代码仓库历史永久共存。

Mem0 能自动从原始对话历史中提取事实、偏好和决策，对其进行去重处理，并按需调取相关记忆。这一机制无需传递完整的聊天历史，可将 Token 消耗最多降低 80%。

可选择将您的知识库同步到 SuperMemory，以实现跨设备访问并对存储的上下文进行自然语言查询。需要提供 SUPERMEMORY_API_KEY。

根目录下的 MEMORY.md 文件以及存放于 memory/YYYY-MM-DD.md 的每日日志，为智能体和开发者提供了一份清晰、可浏览的记录，涵盖所有已决策、已学习和已记忆的内容——无需任何不透明的数据库。

随着项目在数天或数周内不断演进，智能体会将技术决策（例如"使用 Tailwind，而非原生 CSS"）写入 git-notes 和 SESSION-STATE.md 文件。每次新会话开始时，它会自动读取之前的上下文，因此再也不会重复询问你使用的是哪个框架。

当上下文窗口填满并触发代理压缩时，SESSION-STATE.md 充当在重置后仍能保留的"热内存"。WAL 协议确保在压缩触发之前，最后一次交互中所说的任何内容都已被持久化。

存储在 git-notes 和 LanceDB 中的上下文可以在任务开始时被任何派生的子智能体查询，因此并行智能体无需手动重新说明即可共享相同的决策和偏好。

用户偏好、周期性截止日期和已纠正的错误由 Mem0 自动提取，并跨会话存储。该智能体随着时间的推移构建出准确、去重的用户模型，而无需扩展提示词。