【免费下载链接】ProximaMulti-AI MCP Server - Connect ChatGPT, Claude, Gemini Perplexity to your coding tools without any API项目地址https://gitcode.com/gh_mirrors/proxima1/Proxima点击查看免费下载核心关键词Proxima 跨会话记忆、SQLite 记忆引擎、AI Agent 记忆系统长尾关键词AI 编程助手如何记住用户偏好、Agent 上下文压缩、跨会话经验学习、记忆库自动清理机制用 AI 编程助手时你是否遇到过这样的尴尬上周刚告诉过它我的项目用 Python FastAPI这周它又从头问起更糟的是长对话里聊到后面它甚至忘了自己刚做过什么。Proxima 就是为解决这类问题而生的开源 Multi-AI MCP Server——它把 ChatGPT、Claude、Gemini、Perplexity 接入你的编程工具并内置了四套基于 SQLite 的跨会话记忆引擎Vault / Insights / Memory / Skills让 AI 真正做到越用越懂你。为什么跨会话记忆是 Agent 的核心竞争力 普通聊天窗口里对话历史只活在当前会话的上下文窗口中窗口有限聊得越长越早的对话越会被挤出上下文AI 随之失忆会话隔离每次新开一个对话AI 对你的偏好、项目环境一无所知失败不复盘同一个坑比如某网站的选择器变了AI 每次都重新踩一遍。Proxima 的答案是把记忆从易失的上下文迁移到本地 SQLite 数据库中数据永远留在你自己的机器上如界面提示 Your data stays local and secure既能跨会话检索又可通过容量上限自动清理避免无限膨胀。四套记忆引擎一览表 引擎数据库文件记什么容量上限Vault对话金库vault.db完整的会话与消息记录500 个会话Insights洞察库insights.dbLLM 提取的跨会话事实偏好/环境/模式200 条洞察Memory经验记忆memory.db哪些代码/操作成功过、哪些失败过300 条经验Skills技能库skills.db可复用的多步骤工作流技能每轮最多注入 3 个四者分工清晰Vault 管发生过什么Insights 管你是谁Memory 管什么管用Skills 管整套流程怎么做。下面逐一拆解。引擎一Vault 对话金库——完整会话存档实现位于 vault.py底层是~/.proxima-agent/vault.db包含两张核心表sessions会话元数据开始/结束时间、使用的模型、标题、消息数、父会话 IDmessages每条消息的角色、内容、工具调用记录和时间戳。几个值得新手注意的设计会话血缘Lineage每个会话可以指向前一个父会话。当上下文过长触发压缩时Proxima 会开启一个子会话并把摘要作为新上下文注入——历史记录通过parent_session_id链条完整保留回溯时能顺藤摸瓜读回祖先会话见 compactor.py 中的rollover_session逻辑全文检索search_messages支持按关键词跨所有历史会话模糊搜索相当于给你的 AI 聊天记录建了搜索引擎自动瘦身会话数超过 500 时最老的会话连同消息一起被自动清理_auto_prune数据库不会无限膨胀。引擎二Insights 洞察库——AI 学会你是谁这是最有记忆味道的一层实现在 insights.py。它的工作分两步① 提取对话结束时把本次对话浓缩成一份简短转录稿上限 3000 字符交给 LLM 提取在未来对话中仍有用的稳定事实分成三类user_pref你的语言偏好、沟通风格、习惯workspace技术栈、项目类型、常用工具pattern对你反复有效的做事方式。② 注入新对话开始时每条洞察都有hits命中次数和updated_at字段。新一轮对话中Insights 引擎会按与当前问题的相关度 历史命中次数排序最多取 8 条格式化成[USER CONTEXT — from past interactions]块注入到系统提示词里。举个例子你说过回复请用中文代码注释保留英文这条偏好被存成一条洞察后之后每一个新会话里的 AI 都会自动遵守——这就是跨会话记忆的直观体验。当洞察超过 200 条时系统优先删除命中次数最少、最久未更新的条目保证高价值偏好永不被误伤。引擎三Memory 经验记忆——失败代码不再踩第二遍实现在 memory.py对应~/.proxima-agent/memory.db的lessons表。它记录的结构非常特别每条经验包含四要素字段含义ctx_key场景上下文如某个网站域名经归一化后作为检索键goal当时要完成的目标worked最终成功的代码/做法截断到 600 字符failed曾经失败的代码/做法检索时按ctx_key匹配并按命中次数排序注入提示词的格式是- 目标: this WORKED → 成功做法avoid — failed before: 失败做法也就是说AI 下次遇到同类任务时会直接看到上次什么有效、什么无效相当于把试错成本一次性摊平。经验超过 300 条时同样按少用 久未更新优先清理。引擎四Skills 技能库——会自我进化的工作流这是四套引擎里最智能的一个实现在 skills.py使用~/.proxima/skills.db。它存储的不是零散事实而是结构化的多步骤工作流技能每个技能自带触发条件triggers、所需能力capabilities、操作指引guidance、负面指引neg_guidance、验证方式verification以及证据与失败模式记录。它的进化机制值得一看EMA 成功率追踪每次使用技能后用指数移动平均权重 0.3更新成功率新结果影响大、历史结果影响小状态晋升/降级成功率 ≥ 80% 且使用 ≥ 3 次的技能晋升为proven已验证掉到 50% 以下退回candidate20% 以下标记deprecated预算控制每轮对话最多注入 3 个技能、约 200 token 的试用品预算避免技能堆太多反而挤占上下文定期清理180 天未使用的技能自动清除。配合 agent.py 中的注入逻辑AI 等于随身携带一本经过统计验证的操作手册而不是凭感觉干活。四套引擎如何协同RecallEngine 总调度 四套引擎并非孤立运行而是由 recall/init.py 中的RecallEngine统一编排典型生命周期如下启动会话→start_session()在 Vault 创建新会话记录每轮对话→ 新消息增量刷入 Vaultflush_new_messages同时 Insights 按用户输入检索相关偏好注入提示词上下文变长→ 消息数超过软阈值默认 30 条时做轻量裁剪超过硬阈值50 条时触发 LLM 摘要 会话滚动旧会话封存新子会话继承摘要继续血缘链保证历史可回溯会话结束→end_session()封存会话并调用extract_insights_from_conversation()把本次对话沉淀为跨会话洞察任务成败→ 结果回写到 Memory成功/失败代码和 SkillsEMA 成功率为下一次对话积累经验。整个循环形成闭环记录 → 压缩 → 提炼 → 注入 → 再记录这就是跨会话记忆完整运转的方式。记忆文件都在哪里如何验证它在生效 所有数据都以本地文件形式存在方便你亲自检查~/.proxima-agent/vault.db—— 会话与消息金库~/.proxima-agent/insights.db—— 用户洞察~/.proxima-agent/memory.db—— 成功/失败经验~/.proxima/skills.db—— 自生成技能库若通过 Electron 桌面端BYOK 模式使用paths.cjs 会将 Brain 数据recall/experience/skills存放在userData/byok-brain目录下。给新手的三个快速验证方法看数据用任意 SQLite 工具打开insights.db执行SELECT * FROM insights;你能看到 AI 从对话中提取出的偏好与项目事实测偏好在会话 A 里告诉它你的回复语言偏好然后新开一个会话 B 提问观察它是否天然遵守——背后就是 Insights 注入看源码从 proxima-agent/README.md 入手配合本文提到的四个文件可以快速读懂整套记忆链路。小结 Proxima 的四套 SQLite 记忆引擎各有明确分工Vault 保全文、Insights 记偏好、Memory 存经验、Skills 沉淀流程再由RecallEngine统一调度形成记录—压缩—提炼—注入的闭环。对新手来说理解这套机制的关键词只有三个本地化数据不出机器、有上限每套库都有自动清理策略、自进化命中次数与成功率驱动内容升降级。当 AI 助手开始记得你编程体验就从每次重新开始变成了持续积累——这正是跨会话记忆的价值所在。赞分享【免费下载链接】ProximaMulti-AI MCP Server - Connect ChatGPT, Claude, Gemini Perplexity to your coding tools without any API项目地址https://gitcode.com/gh_mirrors/proxima1/Proxima点击查看免费下载相关推荐DLSS Swapper9 种 DLL、8 个游戏库不更新游戏也能切换缩放版本DLSS Swapper9 种 DLL、8 个游戏库不更新游戏也能切换缩放版本 如果你的游戏还停在上一代 DLSS而新版早就发布你又不想等厂商推送补丁、桌面应用AutoGen Core 记忆系统深入解析用 Memory 与 ListMemory 实现跨会话长期记忆AutoGen Core 记忆系统深入解析用 Memory 与 ListMemory 实现跨会话长期记忆 导读 在多智能体应用中智能体Agent不仅需要人工智能AI 应用AI Agentruflo-rag-memory 记忆命令实战基于 HNSW 向量检索的跨会话 RAG 记忆 CRUD 全解析ruflo rag memory 记忆命令实战基于 HNSW 向量检索的跨会话 RAG 记忆 CRUD 全解析 本指南围绕 ruflo rag memory人工智能AI Agent多智能体Agent 编排Agent 记忆工具调用代码智能体MCP 服务AI 评测创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考