{"id":"39668182-af7a-4fff-a3cc-cb03449c16f2","entityType":"agent","slug":"clawhub-dream978-hermes-memory-cn","name":"Hermes Memory CN","canonicalUrl":"https://www.xpersona.co/agent/clawhub-dream978-hermes-memory-cn","canonicalPath":"/agent/clawhub-dream978-hermes-memory-cn","generatedAt":"2026-10-12T08:00:56.724Z","source":"CLAWHUB","claimStatus":"UNCLAIMED","verificationTier":"NONE","summary":{"evidence":{"source":"editorial-content","verified":true,"confidence":"high","updatedAt":"2026-10-11T20:27:33.386Z","emptyReason":null},"description":"给AI装一个「人脑级」记忆系统。它能记住你说过的一切重要信息，下次聊天自动想起来。 不用云端、不用API Key、不花一分钱——全部数据存在你自己的电脑上。 说「记住这个」它就记住，问「我上次说了什么」它就找到。自动整理、自动遗忘过时信息。 适合：想让自己的AI助手拥有长期记忆的用户。 触发词：记忆、记住、之前说... Skill: Hermes Memory CN Owner: dream978 Summary: 给AI装一个「人脑级」记忆系统。它能记住你说过的一切重要信息，下次聊天自动想起来。 不用云端、不用API Key、不花一分钱——全部数据存在你自己的电脑上。 说「记住这个」它就记住，问「我上次说了什么」它就找到。自动整理、自动遗忘过时信息。 适合：想让自己的AI助手拥有长期记忆的用户。 触发词：记忆、记住、之前说... Tags: latest:1.4.0 Version history: v1.4.0 | 2026-04-23T00:39:56.407Z | user 新增Skill进化系统：重复模式自动检测(≥3次)、skill草案生成、用户确认升级 v1.3.0 | 2026-04-20T05:02:30.109Z | user 优化文案：通俗语言描述优势，新增与其他方案对比表 v1.2.0 | 2026-04-20T04:5","descriptionLabel":"Technical summary","evidenceSummary":"Capability contract not published. No trust telemetry is available yet. 997 downloads reported by the source. Last updated 10/11/2026.","installCommand":"clawhub skill install s17872q6gv9w4rw8hsn3fzefhd856e17:hermes-memory-cn","sourceUrl":"https://clawhub.ai/dream978/hermes-memory-cn","homepage":"https://clawhub.ai/dream978/skills/hermes-memory-cn","primaryLinks":[{"label":"View on ClawHub","url":"https://clawhub.ai/dream978/hermes-memory-cn","kind":"source"},{"label":"Homepage","url":"https://clawhub.ai/dream978/skills/hermes-memory-cn","kind":"homepage"}],"safetyScore":84,"overallRank":62,"popularityScore":60,"trustScore":null,"claimedByName":null,"isOwner":false,"seoDescription":"给AI装一个「人脑级」记忆系统。它能记住你说过的一切重要信息，下次聊天自动想起来。 不用云端、不用API Key、不花一分钱——全部数据存在你自己的电脑上。 说「记住这个」它就记住，问「我上次说了什么」它就找到。自动整理、自动遗忘过时信息。 适合：想让自己的AI助手拥有长期记忆的用户。 触发词：记忆、记住、之前说..."},"coverage":{"evidence":{"source":"public-profile","verified":false,"confidence":"medium","updatedAt":"2026-10-11T20:27:33.386Z","emptyReason":null},"protocols":[{"protocol":"OPENCLEW","label":"OpenClaw","status":"self-declared","notes":"Declared in the public agent profile."}],"capabilities":[],"verifiedCount":0,"selfDeclaredCount":1,"capabilityMatrix":{"rows":[{"key":"OPENCLEW","type":"protocol","support":"unknown","confidenceSource":"profile","notes":"Listed on profile"}],"flattenedTokens":"protocol:OPENCLEW|unknown|profile"}},"adoption":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"medium","updatedAt":"2026-10-11T20:27:33.386Z","emptyReason":null},"stars":null,"forks":null,"downloads":997,"likes":null,"task":null,"library":null,"packageName":null,"latestVersion":"1.4.0","tractionLabel":"997 downloads"},"release":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"medium","updatedAt":"2026-10-11T20:27:33.373Z","emptyReason":null},"lastUpdatedAt":"2026-10-11T20:27:33.386Z","lastCrawledAt":"2026-10-11T20:27:33.373Z","lastIndexedAt":null,"nextCrawlAt":"2026-10-12T20:27:33.373Z","lastVerifiedAt":null,"highlights":[{"version":"1.4.0","createdAt":"2026-04-23T00:39:56.407Z","changelog":"新增Skill进化系统：重复模式自动检测(≥3次)、skill草案生成、用户确认升级","fileCount":8,"zipByteSize":21302},{"version":"1.3.0","createdAt":"2026-04-20T05:02:30.109Z","changelog":"优化文案：通俗语言描述优势，新增与其他方案对比表","fileCount":6,"zipByteSize":14516},{"version":"1.2.0","createdAt":"2026-04-20T04:51:33.286Z","changelog":"开放记忆类型系统：内置通用+交易类型，支持自定义扩展，无白名单限制","fileCount":6,"zipByteSize":13781},{"version":"1.1.0","createdAt":"2026-04-20T04:43:20.793Z","changelog":"首个公开版本：基于SQLite+sqlite-vec的中文向量记忆系统，768维本地embedding，自动衰减，多类型记忆管理","fileCount":6,"zipByteSize":13232},{"version":"1.0.1","createdAt":"2026-04-20T04:39:23.931Z","changelog":"移除示例中的个人敏感信息","fileCount":6,"zipByteSize":13235},{"version":"1.0.0","createdAt":"2026-04-20T04:33:28.532Z","changelog":"首个发布版本：基于SQLite+sqlite-vec的中文向量记忆系统，768维本地embedding，自动衰减，多类型记忆管理","fileCount":6,"zipByteSize":13252}]},"execution":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No published capability contract is available yet."},"installCommand":"clawhub skill install s17872q6gv9w4rw8hsn3fzefhd856e17:hermes-memory-cn","setupComplexity":"low","setupSteps":["Setup complexity is classified as HIGH. You must provision dedicated cloud infrastructure or an isolated VM. Do not run this directly on your local workstation.","Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data."],"contract":{"contractStatus":"missing","authModes":[],"requires":[],"forbidden":[],"supportsMcp":false,"supportsA2a":false,"supportsStreaming":false,"inputSchemaRef":null,"outputSchemaRef":null,"dataRegion":null,"contractUpdatedAt":null,"sourceUpdatedAt":null,"freshnessSeconds":null},"invocationGuide":{"preferredApi":{"snapshotUrl":"https://www.xpersona.co/api/v1/agents/clawhub-dream978-hermes-memory-cn/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-dream978-hermes-memory-cn/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-dream978-hermes-memory-cn/trust"},"curlExamples":["curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-dream978-hermes-memory-cn/snapshot\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-dream978-hermes-memory-cn/contract\"","curl -s \"https://www.xpersona.co/api/v1/agents/clawhub-dream978-hermes-memory-cn/trust\""],"jsonRequestTemplate":{"query":"summarize this repo","constraints":{"maxLatencyMs":2000,"protocolPreference":["OPENCLEW"]}},"jsonResponseTemplate":{"ok":true,"result":{"summary":"...","confidence":0.9},"meta":{"source":"CLAWHUB","generatedAt":"2026-10-12T08:00:56.723Z"}},"retryPolicy":{"maxAttempts":3,"backoffMs":[500,1500,3500],"retryableConditions":["HTTP_429","HTTP_503","NETWORK_TIMEOUT"]}},"endpoints":{"dossierUrl":"https://www.xpersona.co/api/v1/agents/clawhub-dream978-hermes-memory-cn/dossier","snapshotUrl":"https://www.xpersona.co/api/v1/agents/clawhub-dream978-hermes-memory-cn/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/clawhub-dream978-hermes-memory-cn/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/clawhub-dream978-hermes-memory-cn/trust"}},"reliability":{"evidence":{"source":"runtime-metrics","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No trust, reliability, or runtime telemetry is available."},"trust":{"status":"unavailable","handshakeStatus":"UNKNOWN","verificationFreshnessHours":null,"reputationScore":null,"p95LatencyMs":null,"successRate30d":null,"fallbackRate":null,"attempts30d":null,"trustUpdatedAt":null,"trustConfidence":"unknown","sourceUpdatedAt":null,"freshnessSeconds":null},"decisionGuardrails":{"doNotUseIf":["Contract metadata is missing or unavailable for deterministic execution."],"safeUseWhen":[],"riskFlags":["missing_or_unavailable_contract","trust_data_unavailable","schema_references_missing"],"operationalConfidence":"low"},"executionMetrics":{"observedLatencyMsP50":null,"observedLatencyMsP95":null,"estimatedCostUsd":null,"uptime30d":null,"rateLimitRpm":null,"rateLimitBurst":null,"lastVerifiedAt":null,"verificationSource":null},"runtimeMetrics":{"successRate":null,"avgLatencyMs":null,"avgCostUsd":null,"hallucinationRate":null,"retryRate":null,"disputeRate":null,"p50Latency":null,"p95Latency":null,"lastUpdated":null}},"benchmarks":{"evidence":{"source":"no-benchmark-data","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No benchmark suites or observed failure patterns are available."},"suites":[],"failurePatterns":[]},"artifacts":{"evidence":{"source":"CLAWHUB","verified":false,"confidence":"high","updatedAt":"2026-10-11T20:27:33.386Z","emptyReason":null},"readme":"Skill: Hermes Memory CN\n\nOwner: dream978\n\nSummary: 给AI装一个「人脑级」记忆系统。它能记住你说过的一切重要信息，下次聊天自动想起来。 不用云端、不用API Key、不花一分钱——全部数据存在你自己的电脑上。 说「记住这个」它就记住，问「我上次说了什么」它就找到。自动整理、自动遗忘过时信息。 适合：想让自己的AI助手拥有长期记忆的用户。 触发词：记忆、记住、之前说...\n\nTags: latest:1.4.0\n\nVersion history:\n\nv1.4.0 | 2026-04-23T00:39:56.407Z | user\n\n新增Skill进化系统：重复模式自动检测(≥3次)、skill草案生成、用户确认升级\n\nv1.3.0 | 2026-04-20T05:02:30.109Z | user\n\n优化文案：通俗语言描述优势，新增与其他方案对比表\n\nv1.2.0 | 2026-04-20T04:51:33.286Z | user\n\n开放记忆类型系统：内置通用+交易类型，支持自定义扩展，无白名单限制\n\nv1.1.0 | 2026-04-20T04:43:20.793Z | user\n\n首个公开版本：基于SQLite+sqlite-vec的中文向量记忆系统，768维本地embedding，自动衰减，多类型记忆管理\n\nv1.0.1 | 2026-04-20T04:39:23.931Z | user\n\n移除示例中的个人敏感信息\n\nv1.0.0 | 2026-04-20T04:33:28.532Z | user\n\n首个发布版本：基于SQLite+sqlite-vec的中文向量记忆系统，768维本地embedding，自动衰减，多类型记忆管理\n\nArchive index:\n\nArchive v1.4.0: 8 files, 21302 bytes\n\nFiles: references/install.md (1600b), references/integration.md (1869b), scripts/memdb.py (24052b), scripts/memory_tool.py (4254b), scripts/skill_evolve.py (9253b), skill-card.md (2337b), SKILL.md (12112b), _meta.json (135b)\n\nFile v1.4.0:SKILL.md\n\n---\nname: hermes-memory\ndescription: >-\n  给AI装一个「人脑级」记忆系统。它能记住你说过的一切重要信息，下次聊天自动想起来。\n  不用云端、不用API Key、不花一分钱——全部数据存在你自己的电脑上。\n  说「记住这个」它就记住，问「我上次说了什么」它就找到。自动整理、自动遗忘过时信息。\n  适合：想让自己的AI助手拥有长期记忆的用户。\n  触发词：记忆、记住、之前说过、上次聊到、搜索记忆、忘了什么。\n---\n\n# Hermes-Memory 本地向量记忆系统\n\n**你的AI助手是不是每次聊天都像失忆了？** 这个skill就是解决这个问题的。\n\nHermes-Memory 给AI装上了长期记忆：记住你的偏好、持仓、策略、教训……下次聊天自动关联上下文，就像跟一个老朋友说话一样。\n\n### 为什么用它？\n- **完全本地，隐私零风险** —— 数据存在你电脑上的SQLite文件里，不传任何云端\n- **零成本** —— 不需要API Key，不需要付费服务，本地embedding模型免费跑\n- **中文优化** —— 专用中文向量模型，搜索准确率远超英文通用模型\n- **开箱即用** —— 安装依赖后直接使用，不需要额外启动数据库服务（不像Qdrant/Milvus那样需要单独部署）\n- **越用越聪明** —— 自动去重、自动衰减过时记忆、实体关系图谱越建越丰富\n- **类型自由定制** —— 内置交易、策略、教训等类型，也可以随时自定义任何新类型\n\n### 和其他方案对比\n\n#### vs 纯文本记忆（MEMORY.md / 每日笔记）\n纯文本是大部分AI助手的默认方案——把记忆写在Markdown文件里，每次对话让AI自己翻。\n\n| 维度 | Hermes-Memory | 纯文本记忆 |\n|---|---|---|\n| 查找方式 | **语义搜索**（\"我之前说过什么止损规则\"→精准命中） | 关键词匹配或全文翻阅 |\n| 记忆容量 | 千条级，搜索毫秒级 | 几百条就开始乱、遗漏 |\n| 去重 | 向量相似度>0.95自动合并 | 手动检查，重复越积越多 |\n| 过期处理 | 自动衰减+归档 | 永远在文件里，越堆越旧 |\n| 结构化 | 按类型/实体/关系组织 | 平铺在一个大文件里 |\n| 实体关系 | 多跳图谱（某股→板块→策略→教训） | 无 |\n| Token消耗 | 只搜索需要的记忆，按需加载 | 每次要把整个文件喂给AI |\n\n**一句话：** 纯文本适合记10条备忘；Hermes-Memory适合构建一个真正可用的知识库。\n\n#### vs AGENTS.md 内置记忆逻辑\n很多用户会在AGENTS.md里写一段记忆规则，让AI自己维护Markdown文件。这个方案能用，但有几个本质限制：\n\n| 维度 | Hermes-Memory | AGENTS.md规则+Markdown |\n|---|---|---|\n| 存储引擎 | SQLite + 向量索引 + FTS5 | 纯文本文件 |\n| 搜索能力 | 向量语义搜索 + 全文搜索 + 关系查询 | 只能靠AI逐行读文件 |\n| 可靠性 | **确定性**——CLI命令执行即写入，不依赖AI\"记得去写\" | **不确定**——AI可能忘写、写错格式、漏写 |\n| 写入触发 | CLI工具一键写入（memdb.py add / memory_tool.py check） | 依赖AI每次对话后主动执行，无强制保证 |\n| 跨会话 | SQLite文件是唯一真相源，任何session读取一致 | 多个daily note + MEMORY.md，容易不一致 |\n| 关系推理 | 实体图谱支持多跳查询（\"跟这只股票相关的所有教训\"） | 无结构化关系，全靠AI自己关联 |\n| 自动维护 | decay归档+去重+export，cron一条命令搞定 | 需要AI手动整理文件，容易堆积垃圾 |\n| 可扩展性 | 类型自定义、关系自由扩展 | 文件越大AI越容易遗漏 |\n\n**核心差异：** AGENTS.md记忆规则是\"靠AI自觉\"——提示词让它记，但执行没有保证。Hermes-Memory是\"工具保证\"——CLI命令执行就写入，搜索就返回，不依赖AI的注意力。\n\n#### vs 云端向量库（Qdrant / Milvus / Pinecone）\n\n| 维度 | Hermes-Memory | 云端向量库 |\n|---|---|---|\n| 部署难度 | pip install即可 | 需要启动独立服务或注册云服务 |\n| 隐私安全 | ✅ 完全本地 | ⚠️ 需自建或信任第三方 |\n| 成本 | 免费 | 云服务按量计费 / 自建服务器成本 |\n| 大规模性能 | 千条级优秀 | 百万级优秀 |\n| 中文支持 | ✅ 专用中文模型 | ⚠️ 需额外配置embedding |\n\n**一句话：** 个人使用千条级别，Hermes-Memory更简单更安全；企业级百万条数据，上云端方案。\n\n## 快速开始\n\n所有命令必须用 Python 3.12+（支持OpenSSL 3.0+），macOS推荐 `/opt/homebrew/bin/python3.12`。\n\n```bash\n# 搜索记忆（语义搜索，支持中文）\npython3 scripts/memdb.py search \"止损策略\" --limit 5\n\n# 添加记忆\npython3 scripts/memdb.py add \"内容\" --type portfolio --entity 某科技股\n\n# 智能检测关键词并写入\npython3 scripts/memory_tool.py check \"用户说的内容\"\n\n# 建立实体关系\npython3 scripts/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n\n# 查看实体关系（支持多跳）\npython3 scripts/memdb.py relations \"某科技股\" --depth 2\n\n# 统计\npython3 scripts/memdb.py stats\n```\n\n## 记忆类型\n\n类型完全开放，可自由扩展。以下是内置推荐类型：\n\n### 通用类型\n| type | 用途 | 示例 |\n|------|------|------|\n| preference | 用户偏好 | 数据源用东财、回复用中文 |\n| user-profile | 用户画像 | 用户基本信息和背景 |\n| fact | 事实/决策 | 用户的重要决定 |\n| note | 笔记 | 其他 |\n| lesson | 教训（带severity） | 缺乏风控导致亏损 |\n\n### 交易/投资类型（内置，可按需使用）\n| type | 用途 | 示例 |\n|------|------|------|\n| portfolio | 持仓变动 | 买入某科技股、清仓某消费股 |\n| strategy | 策略规则 | 主线共振策略买点、情绪周期L4 |\n| market-view | 大盘/板块判断 | 大盘缩量反弹，半导体主线 |\n| trade-plan | 交易计划 | 某股跌破MA20则止损 |\n| stock-note | 个股研究笔记 | 某股：行业龙头，产能扩张期 |\n| watchlist | 关注标的 | 关注某股回调至20日线 |\n| review | 复盘结论 | 本周操作：胜率40%，亏损来自追高 |\n\n**自定义类型：** `--type` 参数接受任意字符串，无需预定义。根据你的使用场景自由创造类型：\n```bash\n# 程序员用户可能用\ntype=bugfix type=architecture type=deploy\n\n# 创作者用户可能用\ntype=idea type=draft type=publish\n\n# 学生用户可能用\ntype=course type=exam type=schedule\n```\n\n## 实时写入规则\n\n每次回复用户后，检查是否有值得长期记住的信息：\n\n**关键词触发（用 memory_tool.py check）：**\n- 买了/卖了/加仓/减仓/清仓/建仓/止盈/止损 → portfolio\n- 新策略/改策略/情绪周期/买点卖点 → strategy\n- 纠正我/不对/错误/教训/踩坑 → lesson\n- 以后用/记住/偏好/改用 → preference\n\n**LLM判断（直接用 memdb.py add）：**\n- 隐含信息（用户随口提到的新方向、生活变化）→ fact\n- 重要决策 → fact\n- **根据对话领域自适应选择类型**，不限于上表\n- **遇到新模式可创造新类型**，`--type` 无白名单限制\n\n**判断标准：** 这条信息1周后还有用吗？是→写入，否→跳过。\n\n## 实体关系图谱\n\n写入记忆时，主动建立实体间关联：\n\n```bash\n# 股票→板块\npython3 scripts/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n# 策略→组件\npython3 scripts/memdb.py relate \"主线共振策略\" \"包含\" \"买点规则\"\n# 教训→应用\npython3 scripts/memdb.py relate \"某股亏损\" \"教训应用于\" \"止损规则\"\n```\n\n## 自动维护\n\n- **衰减：** `memdb.py decay --days 30` 标记30天未更新的记忆为expired\n- **归档：** `memdb.py archive` 将expired记忆移入archive表\n- **导出：** `memdb.py export --dir ./entities` 同步Markdown可读备份\n- **导入：** `memdb.py import --dir ./entities` 从Markdown导入\n\n推荐Cron每晚23点执行：decay → export → stats。\n\n## CLI完整参考\n\n```bash\n# ── 记忆操作 ──\npython3 scripts/memdb.py add \"内容\" --type <type> [--entity <实体>] [--severity high|medium|low] [--source manual|conversation|cron]\npython3 scripts/memdb.py search \"查询\" [--type <type>] [--status active|expired] [--entity <实体>] [--limit N] [--format text|json]\npython3 scripts/memdb.py list [--type <type>] [--status active] [--limit N]\npython3 scripts/memdb.py relate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py relations \"实体\" [--depth 1|2|3] [--direction from|to|both]\npython3 scripts/memdb.py unrelate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py decay [--days 30]\npython3 scripts/memdb.py archive\npython3 scripts/memdb.py export --dir <目录>\npython3 scripts/memdb.py import --dir <目录>\npython3 scripts/memdb.py stats\n\n# ── Skill进化 ──\npython3 scripts/skill_evolve.py record \"操作模式\" --tags \"标签1,标签2\"\npython3 scripts/skill_evolve.py detect\npython3 scripts/skill_evolve.py draft <pattern_id> [--name \"skill-name\"]\npython3 scripts/skill_evolve.py promote <pattern_id> --name \"skill-name\"\npython3 scripts/skill_evolve.py list\n```\n\n## 详细文档\n\n- **安装指南：** 见 [references/install.md](references/install.md)\n- **AGENTS.md集成：** 见 [references/integration.md](references/integration.md)\n\n## Skill进化系统\n\n受 [Hermes Agent](https://github.com/NousResearch/hermes-agent) 的闭环学习启发，hermes-memory-cn 增加了自动模式检测和skill提炼能力。\n\n### 工作流\n```\n完成多步骤任务 → skill_evolve.py record → 向量检测相似模式\n                                                ↓\n                          同一模式出现≥3次 → 自动通知候选\n                                                ↓\n                          skill_evolve.py draft → 生成草案到 skill_drafts/\n                                                ↓\n                          用户审核 → skill_evolve.py promote → 正式skill\n```\n\n### 命令\n```bash\n# 记录操作模式\npython3 scripts/skill_evolve.py record \"步骤1→步骤2→步骤3\" --tags \"标签\"\n\n# 检测候选\npython3 scripts/skill_evolve.py detect\n\n# 生成草案\npython3 scripts/skill_evolve.py draft <id> --name \"skill-name\"\n\n# 确认升级\npython3 scripts/skill_evolve.py promote <id> --name \"skill-name\"\n\n# 查看所有模式\npython3 scripts/skill_evolve.py list\n```\n\n### 与 Hermes Agent 对比\n\n| 维度 | Hermes Agent | Hermes Memory CN |\n|------|-------------|-----------------|\n| **定位** | 完整Agent框架（自研内核+工具+消息平台） | 专注记忆层的工程优化 |\n| **记忆存储** | Markdown(3600字符硬上限) | SQLite+向量DB(千条级) |\n| **检索方式** | FTS5+LLM摘要 | 向量语义搜索+FTS5+关系图谱 |\n| **容量管理** | 硬上限强制精简 | 自动衰减+去重+归档 |\n| **skill进化** | ✅ 自动沉淀（成熟） | ✅ 模式检测+草案生成（新增） |\n| **冻结注入** | ✅ 保护prefix cache | ❌ 无 |\n| **中文优化** | 无 | 专用text2vec-base-chinese |\n| **实体关系** | 无 | 多跳图谱查询 |\n| **部署门槛** | 低（一个CLI） | 中（需装embedding模型） |\n\n**关系定位：** Hermes Agent 定义了\"AI应该有长期记忆\"的范式——反思循环、跨session持久化、skill自动沉淀。Hermes Memory CN 继承这个理念，在记忆存储层做了工程升级：从Markdown到向量数据库，从关键词搜索到语义检索，从几十条到千条级。两者互补，不是替代关系。\n\n## 架构\n\n```\n用户对话 → LLM判断/关键词触发 → memdb.py add/relate → SQLite + 向量DB\n                                                        ↓\n                        Cron每晚 ← decay + export ← entities/ Markdown备份\n```\n\n**技术栈：**\n- 存储层：SQLite（结构化数据）+ sqlite-vec（向量索引）+ FTS5（全文搜索）\n- Embedding：text2vec-base-chinese（768维，本地运行，MPS加速）\n- 关系层：relations表（实体关系图谱，支持多跳BFS查询）\n- 去重：向量余弦相似度 >0.95 自动合并\n\nFile v1.4.0:_meta.json\n\n{\n  \"ownerId\": \"kn7e4kmh53933414x5vhtrr5hx826wk1\",\n  \"slug\": \"hermes-memory-cn\",\n  \"version\": \"1.4.0\",\n  \"publishedAt\": 1776904796407\n}\n\nFile v1.4.0:references/install.md\n\n# 安装指南\n\n## 前置条件\n- macOS（M系列芯片推荐）或 Linux\n- Python 3.12+（需支持 OpenSSL 3.0+）\n- torch（MPS/CPU均可）\n\n## 安装步骤\n\n### 1. 安装依赖\n```bash\npip3 install sqlite-vec pysqlite3 sentence-transformers\n```\n\n### 2. 下载中文embedding模型\n如果网络能访问HuggingFace：\n```bash\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n如果HuggingFace被墙（中国大陆），设置镜像：\n```bash\nexport HF_ENDPOINT=https://hf-mirror.com\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n或手动下载：\n```bash\nmkdir -p ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\ncd ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\n# 用curl从镜像下载config.json, pytorch_model.bin, tokenizer.json, tokenizer_config.json, vocab.txt\n```\n\n### 3. 初始化数据库\n```bash\npython3 scripts/memdb.py stats  # 首次运行自动建库\n```\n\n### 4. 导入现有记忆（可选）\n如果有 Markdown 格式的记忆文件：\n```bash\npython3 scripts/memdb.py import --dir ./entities\n```\n\n### 5. 验证\n```bash\npython3 scripts/memdb.py search \"测试搜索\" --limit 3\n```\n\n## 注意事项\n- Python 3.9 内置 sqlite3 不支持 load_extension，需安装 pysqlite3\n- 推荐用 Homebrew 的 Python 3.12（macOS）：`/opt/homebrew/bin/python3.12`\n- 模型约400MB，首次加载需下载\n- M系列Mac会自动用MPS加速embedding计算\n\nFile v1.4.0:references/integration.md\n\n# AGENTS.md 集成指南\n\n在 AGENTS.md 的 Memory 部分添加以下内容：\n\n```markdown\n### 🧠 记忆系统（Hermes-Memory）\n\n**后端：** SQLite + sqlite-vec + text2vec-base-chinese（768维本地embedding）\n- 数据库：`memory/memory.db`\n- CLI：`/opt/homebrew/bin/python3.12 memory/memdb.py`\n\n**实时写入（每次回复后执行）：**\n检查对话中有没有新的、值得长期记住的信息：\n- 持仓变动（买了/卖了/加仓/减仓/清仓/止盈/止损）→ type=portfolio\n- 策略相关（新策略/改策略/情绪周期/买点卖点）→ type=strategy\n- 教训/纠正（用户纠正你/发现错误/踩坑）→ type=lesson, severity=high\n- 偏好变化（以后用/记住/我喜欢/改用）→ type=preference\n- 隐含信息（新方向/新项目/生活变化/决策）→ type=fact\n- 重要决策 → type=fact\n\n**执行方式：**\n```bash\n# 关键词匹配\n/opt/homebrew/bin/python3.12 memory/memory_tool.py check \"用户说的内容\"\n# 隐含信息直接写入\n/opt/homebrew/bin/python3.12 memory/memdb.py add \"内容\" --type fact\n# 建立实体关系\n/opt/homebrew/bin/python3.12 memory/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n```\n\n**回答问题前：** 涉及过往持仓、策略、教训、偏好，先 search 数据库。\n**Cron：** 每晚23点执行 decay + export Markdown备份。\n```\n\n## Cron 配置\n\n每晚23点的记忆整合 cron payload：\n\n```\n【记忆整合】执行以下步骤：\n1. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py decay --days 30` 标记过期记忆\n2. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py export --dir memory/entities` 同步Markdown备份\n3. 检查 memory/daily/ 今天有无新日志，有则用 `memory_tool.py check` 提取关键信息\n4. 更新 MEMORY.md 索引\n5. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py stats` 确认数据完整\n```\n\nFile v1.4.0:skill-card.md\n\n## Description:\n\nHermes Memory CN gives an AI assistant a local long-term memory layer for storing, searching, organizing, decaying, archiving, importing, and exporting user memories with Chinese-optimized vector search.\n\nThis skill is ready for commercial/non-commercial use.\n\n## Publisher:\n\n[dream978](https://clawhub.ai/user/dream978)\n\n### License/Terms of Use:\n\nMIT-0\n\n## Use Case:\n\nExternal users and developers use this skill to add persistent local memory to an agent, including preferences, facts, portfolio notes, strategies, lessons, and relationship queries. It is especially oriented toward Chinese-language semantic search and local personal knowledge workflows.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: The skill can persist broad conversation memories, including preferences, trading details, and other personal context on disk.\n\nMitigation: Use it only for data you are comfortable storing locally, avoid secrets or regulated data, and periodically review or delete stored memories and exports.\n\nRisk: Markdown exports and generated skill drafts may write files that overwrite existing Markdown or instruction content.\n\nMitigation: Restrict exports and drafts to reviewed directories, inspect generated files before promotion, and keep backups for any directories the scripts can write to.\n\n## Reference(s):\n\n- [Installation guide](artifact/references/install.md)\n- [AGENTS.md integration guide](artifact/references/integration.md)\n- [Hermes Agent](https://github.com/NousResearch/hermes-agent)\n- [Hugging Face mirror endpoint](https://hf-mirror.com)\n\n## Skill Output:\n\n**Output Type(s):** [Text, Markdown, Code, Shell commands, Configuration]\n\n**Output Format:** [Markdown guidance with inline shell commands and optional JSON CLI output]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Produces local SQLite-backed memory records, relationship data, Markdown exports, and skill draft files when the user runs the bundled scripts.]\n\n## Skill Version(s):\n\n1.4.0 (source: release evidence)\n\n## Ethical Considerations:\n\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.\n\nArchive v1.3.0: 6 files, 14516 bytes\n\nFiles: references/install.md (1600b), references/integration.md (1869b), scripts/memdb.py (24052b), scripts/memory_tool.py (4254b), SKILL.md (7142b), _meta.json (135b)\n\nFile v1.3.0:SKILL.md\n\n---\nname: hermes-memory\ndescription: >-\n  给AI装一个「人脑级」记忆系统。它能记住你说过的一切重要信息，下次聊天自动想起来。\n  不用云端、不用API Key、不花一分钱——全部数据存在你自己的电脑上。\n  说「记住这个」它就记住，问「我上次说了什么」它就找到。自动整理、自动遗忘过时信息。\n  适合：想让自己的AI助手拥有长期记忆的用户。\n  触发词：记忆、记住、之前说过、上次聊到、搜索记忆、忘了什么。\n---\n\n# Hermes-Memory 本地向量记忆系统\n\n**你的AI助手是不是每次聊天都像失忆了？** 这个skill就是解决这个问题的。\n\nHermes-Memory 给AI装上了长期记忆：记住你的偏好、持仓、策略、教训……下次聊天自动关联上下文，就像跟一个老朋友说话一样。\n\n### 为什么用它？\n- **完全本地，隐私零风险** —— 数据存在你电脑上的SQLite文件里，不传任何云端\n- **零成本** —— 不需要API Key，不需要付费服务，本地embedding模型免费跑\n- **中文优化** —— 专用中文向量模型，搜索准确率远超英文通用模型\n- **开箱即用** —— 安装依赖后直接使用，不需要额外启动数据库服务（不像Qdrant/Milvus那样需要单独部署）\n- **越用越聪明** —— 自动去重、自动衰减过时记忆、实体关系图谱越建越丰富\n- **类型自由定制** —— 内置交易、策略、教训等类型，也可以随时自定义任何新类型\n\n### 和其他方案对比\n| | Hermes-Memory | 云端向量库(Qdrant/Milvus) | 纯文本记忆(MEMORY.md) |\n|---|---|---|---|\n| 部署难度 | pip install即可 | 需要启动独立服务 | 零部署 |\n| 语义搜索 | ✅ 中文优化 | ✅ 但需额外配置 | ❌ 只能关键词匹配 |\n| 隐私安全 | ✅ 完全本地 | ⚠️ 需自建服务 | ✅ 本地文件 |\n| 成本 | 免费 | 看方案 | 免费 |\n| 大规模性能 | 千条级优秀 | 百万级优秀 | 几百条就乱 |\n| 记忆管理 | 自动衰减+去重 | 手动管理 | 手动维护 |\n\n## 快速开始\n\n所有命令必须用 Python 3.12+（支持OpenSSL 3.0+），macOS推荐 `/opt/homebrew/bin/python3.12`。\n\n```bash\n# 搜索记忆（语义搜索，支持中文）\npython3 scripts/memdb.py search \"止损策略\" --limit 5\n\n# 添加记忆\npython3 scripts/memdb.py add \"内容\" --type portfolio --entity 某科技股\n\n# 智能检测关键词并写入\npython3 scripts/memory_tool.py check \"用户说的内容\"\n\n# 建立实体关系\npython3 scripts/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n\n# 查看实体关系（支持多跳）\npython3 scripts/memdb.py relations \"某科技股\" --depth 2\n\n# 统计\npython3 scripts/memdb.py stats\n```\n\n## 记忆类型\n\n类型完全开放，可自由扩展。以下是内置推荐类型：\n\n### 通用类型\n| type | 用途 | 示例 |\n|------|------|------|\n| preference | 用户偏好 | 数据源用东财、回复用中文 |\n| user-profile | 用户画像 | 用户基本信息和背景 |\n| fact | 事实/决策 | 用户的重要决定 |\n| note | 笔记 | 其他 |\n| lesson | 教训（带severity） | 缺乏风控导致亏损 |\n\n### 交易/投资类型（内置，可按需使用）\n| type | 用途 | 示例 |\n|------|------|------|\n| portfolio | 持仓变动 | 买入某科技股、清仓某消费股 |\n| strategy | 策略规则 | 主线共振策略买点、情绪周期L4 |\n| market-view | 大盘/板块判断 | 大盘缩量反弹，半导体主线 |\n| trade-plan | 交易计划 | 某股跌破MA20则止损 |\n| stock-note | 个股研究笔记 | 某股：行业龙头，产能扩张期 |\n| watchlist | 关注标的 | 关注某股回调至20日线 |\n| review | 复盘结论 | 本周操作：胜率40%，亏损来自追高 |\n\n**自定义类型：** `--type` 参数接受任意字符串，无需预定义。根据你的使用场景自由创造类型：\n```bash\n# 程序员用户可能用\ntype=bugfix type=architecture type=deploy\n\n# 创作者用户可能用\ntype=idea type=draft type=publish\n\n# 学生用户可能用\ntype=course type=exam type=schedule\n```\n\n## 实时写入规则\n\n每次回复用户后，检查是否有值得长期记住的信息：\n\n**关键词触发（用 memory_tool.py check）：**\n- 买了/卖了/加仓/减仓/清仓/建仓/止盈/止损 → portfolio\n- 新策略/改策略/情绪周期/买点卖点 → strategy\n- 纠正我/不对/错误/教训/踩坑 → lesson\n- 以后用/记住/偏好/改用 → preference\n\n**LLM判断（直接用 memdb.py add）：**\n- 隐含信息（用户随口提到的新方向、生活变化）→ fact\n- 重要决策 → fact\n- **根据对话领域自适应选择类型**，不限于上表\n- **遇到新模式可创造新类型**，`--type` 无白名单限制\n\n**判断标准：** 这条信息1周后还有用吗？是→写入，否→跳过。\n\n## 实体关系图谱\n\n写入记忆时，主动建立实体间关联：\n\n```bash\n# 股票→板块\npython3 scripts/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n# 策略→组件\npython3 scripts/memdb.py relate \"主线共振策略\" \"包含\" \"买点规则\"\n# 教训→应用\npython3 scripts/memdb.py relate \"某股亏损\" \"教训应用于\" \"止损规则\"\n```\n\n## 自动维护\n\n- **衰减：** `memdb.py decay --days 30` 标记30天未更新的记忆为expired\n- **归档：** `memdb.py archive` 将expired记忆移入archive表\n- **导出：** `memdb.py export --dir ./entities` 同步Markdown可读备份\n- **导入：** `memdb.py import --dir ./entities` 从Markdown导入\n\n推荐Cron每晚23点执行：decay → export → stats。\n\n## CLI完整参考\n\n```bash\npython3 scripts/memdb.py add \"内容\" --type <type> [--entity <实体>] [--severity high|medium|low] [--source manual|conversation|cron]\npython3 scripts/memdb.py search \"查询\" [--type <type>] [--status active|expired] [--entity <实体>] [--limit N] [--format text|json]\npython3 scripts/memdb.py list [--type <type>] [--status active] [--limit N]\npython3 scripts/memdb.py relate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py relations \"实体\" [--depth 1|2|3] [--direction from|to|both]\npython3 scripts/memdb.py unrelate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py decay [--days 30]\npython3 scripts/memdb.py archive\npython3 scripts/memdb.py export --dir <目录>\npython3 scripts/memdb.py import --dir <目录>\npython3 scripts/memdb.py stats\n```\n\n## 详细文档\n\n- **安装指南：** 见 [references/install.md](references/install.md)\n- **AGENTS.md集成：** 见 [references/integration.md](references/integration.md)\n\n## 架构\n\n```\n用户对话 → LLM判断/关键词触发 → memdb.py add/relate → SQLite + 向量DB\n                                                        ↓\n                        Cron每晚 ← decay + export ← entities/ Markdown备份\n```\n\n**技术栈：**\n- 存储层：SQLite（结构化数据）+ sqlite-vec（向量索引）+ FTS5（全文搜索）\n- Embedding：text2vec-base-chinese（768维，本地运行，MPS加速）\n- 关系层：relations表（实体关系图谱，支持多跳BFS查询）\n- 去重：向量余弦相似度 >0.95 自动合并\n\nFile v1.3.0:_meta.json\n\n{\n  \"ownerId\": \"kn7e4kmh53933414x5vhtrr5hx826wk1\",\n  \"slug\": \"hermes-memory-cn\",\n  \"version\": \"1.3.0\",\n  \"publishedAt\": 1776661350109\n}\n\nFile v1.3.0:references/install.md\n\n# 安装指南\n\n## 前置条件\n- macOS（M系列芯片推荐）或 Linux\n- Python 3.12+（需支持 OpenSSL 3.0+）\n- torch（MPS/CPU均可）\n\n## 安装步骤\n\n### 1. 安装依赖\n```bash\npip3 install sqlite-vec pysqlite3 sentence-transformers\n```\n\n### 2. 下载中文embedding模型\n如果网络能访问HuggingFace：\n```bash\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n如果HuggingFace被墙（中国大陆），设置镜像：\n```bash\nexport HF_ENDPOINT=https://hf-mirror.com\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n或手动下载：\n```bash\nmkdir -p ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\ncd ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\n# 用curl从镜像下载config.json, pytorch_model.bin, tokenizer.json, tokenizer_config.json, vocab.txt\n```\n\n### 3. 初始化数据库\n```bash\npython3 scripts/memdb.py stats  # 首次运行自动建库\n```\n\n### 4. 导入现有记忆（可选）\n如果有 Markdown 格式的记忆文件：\n```bash\npython3 scripts/memdb.py import --dir ./entities\n```\n\n### 5. 验证\n```bash\npython3 scripts/memdb.py search \"测试搜索\" --limit 3\n```\n\n## 注意事项\n- Python 3.9 内置 sqlite3 不支持 load_extension，需安装 pysqlite3\n- 推荐用 Homebrew 的 Python 3.12（macOS）：`/opt/homebrew/bin/python3.12`\n- 模型约400MB，首次加载需下载\n- M系列Mac会自动用MPS加速embedding计算\n\nFile v1.3.0:references/integration.md\n\n# AGENTS.md 集成指南\n\n在 AGENTS.md 的 Memory 部分添加以下内容：\n\n```markdown\n### 🧠 记忆系统（Hermes-Memory）\n\n**后端：** SQLite + sqlite-vec + text2vec-base-chinese（768维本地embedding）\n- 数据库：`memory/memory.db`\n- CLI：`/opt/homebrew/bin/python3.12 memory/memdb.py`\n\n**实时写入（每次回复后执行）：**\n检查对话中有没有新的、值得长期记住的信息：\n- 持仓变动（买了/卖了/加仓/减仓/清仓/止盈/止损）→ type=portfolio\n- 策略相关（新策略/改策略/情绪周期/买点卖点）→ type=strategy\n- 教训/纠正（用户纠正你/发现错误/踩坑）→ type=lesson, severity=high\n- 偏好变化（以后用/记住/我喜欢/改用）→ type=preference\n- 隐含信息（新方向/新项目/生活变化/决策）→ type=fact\n- 重要决策 → type=fact\n\n**执行方式：**\n```bash\n# 关键词匹配\n/opt/homebrew/bin/python3.12 memory/memory_tool.py check \"用户说的内容\"\n# 隐含信息直接写入\n/opt/homebrew/bin/python3.12 memory/memdb.py add \"内容\" --type fact\n# 建立实体关系\n/opt/homebrew/bin/python3.12 memory/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n```\n\n**回答问题前：** 涉及过往持仓、策略、教训、偏好，先 search 数据库。\n**Cron：** 每晚23点执行 decay + export Markdown备份。\n```\n\n## Cron 配置\n\n每晚23点的记忆整合 cron payload：\n\n```\n【记忆整合】执行以下步骤：\n1. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py decay --days 30` 标记过期记忆\n2. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py export --dir memory/entities` 同步Markdown备份\n3. 检查 memory/daily/ 今天有无新日志，有则用 `memory_tool.py check` 提取关键信息\n4. 更新 MEMORY.md 索引\n5. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py stats` 确认数据完整\n```\n\nArchive v1.2.0: 6 files, 13781 bytes\n\nFiles: references/install.md (1600b), references/integration.md (1869b), scripts/memdb.py (24052b), scripts/memory_tool.py (4254b), SKILL.md (5700b), _meta.json (135b)\n\nFile v1.2.0:SKILL.md\n\n---\nname: hermes-memory\ndescription: >-\n  本地向量记忆数据库系统，类Hermes架构。支持语义搜索、实体关系图谱、自动衰减、关键词触发+LLM实时判断。\n  当需要：(1) 记住用户信息/偏好/决策，(2) 搜索过往记忆，(3) 管理长期记忆的增删改查，\n  (4) 建立实体间关联关系，(5) 回答涉及历史上下文的问题时使用。\n  触发词：记忆、记住、之前说过、上次聊到、搜索记忆、忘了什么、持仓历史。\n---\n\n# Hermes-Memory 本地向量记忆系统\n\n类Hermes架构的记忆系统：SQLite + sqlite-vec向量检索 + 本地embedding + 实体关系图谱。\n\n## 快速开始\n\n所有命令必须用 Python 3.12+（支持OpenSSL 3.0+），macOS推荐 `/opt/homebrew/bin/python3.12`。\n\n```bash\n# 搜索记忆（语义搜索，支持中文）\npython3 scripts/memdb.py search \"止损策略\" --limit 5\n\n# 添加记忆\npython3 scripts/memdb.py add \"内容\" --type portfolio --entity 某科技股\n\n# 智能检测关键词并写入\npython3 scripts/memory_tool.py check \"用户说的内容\"\n\n# 建立实体关系\npython3 scripts/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n\n# 查看实体关系（支持多跳）\npython3 scripts/memdb.py relations \"某科技股\" --depth 2\n\n# 统计\npython3 scripts/memdb.py stats\n```\n\n## 记忆类型\n\n类型完全开放，可自由扩展。以下是内置推荐类型：\n\n### 通用类型\n| type | 用途 | 示例 |\n|------|------|------|\n| preference | 用户偏好 | 数据源用东财、回复用中文 |\n| user-profile | 用户画像 | 用户基本信息和背景 |\n| fact | 事实/决策 | 用户的重要决定 |\n| note | 笔记 | 其他 |\n| lesson | 教训（带severity） | 缺乏风控导致亏损 |\n\n### 交易/投资类型（内置，可按需使用）\n| type | 用途 | 示例 |\n|------|------|------|\n| portfolio | 持仓变动 | 买入某科技股、清仓某消费股 |\n| strategy | 策略规则 | 主线共振策略买点、情绪周期L4 |\n| market-view | 大盘/板块判断 | 大盘缩量反弹，半导体主线 |\n| trade-plan | 交易计划 | 某股跌破MA20则止损 |\n| stock-note | 个股研究笔记 | 某股：行业龙头，产能扩张期 |\n| watchlist | 关注标的 | 关注某股回调至20日线 |\n| review | 复盘结论 | 本周操作：胜率40%，亏损来自追高 |\n\n**自定义类型：** `--type` 参数接受任意字符串，无需预定义。根据你的使用场景自由创造类型：\n```bash\n# 程序员用户可能用\ntype=bugfix type=architecture type=deploy\n\n# 创作者用户可能用\ntype=idea type=draft type=publish\n\n# 学生用户可能用\ntype=course type=exam type=schedule\n```\n\n## 实时写入规则\n\n每次回复用户后，检查是否有值得长期记住的信息：\n\n**关键词触发（用 memory_tool.py check）：**\n- 买了/卖了/加仓/减仓/清仓/建仓/止盈/止损 → portfolio\n- 新策略/改策略/情绪周期/买点卖点 → strategy\n- 纠正我/不对/错误/教训/踩坑 → lesson\n- 以后用/记住/偏好/改用 → preference\n\n**LLM判断（直接用 memdb.py add）：**\n- 隐含信息（用户随口提到的新方向、生活变化）→ fact\n- 重要决策 → fact\n- **根据对话领域自适应选择类型**，不限于上表\n- **遇到新模式可创造新类型**，`--type` 无白名单限制\n\n**判断标准：** 这条信息1周后还有用吗？是→写入，否→跳过。\n\n## 实体关系图谱\n\n写入记忆时，主动建立实体间关联：\n\n```bash\n# 股票→板块\npython3 scripts/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n# 策略→组件\npython3 scripts/memdb.py relate \"主线共振策略\" \"包含\" \"买点规则\"\n# 教训→应用\npython3 scripts/memdb.py relate \"某股亏损\" \"教训应用于\" \"止损规则\"\n```\n\n## 自动维护\n\n- **衰减：** `memdb.py decay --days 30` 标记30天未更新的记忆为expired\n- **归档：** `memdb.py archive` 将expired记忆移入archive表\n- **导出：** `memdb.py export --dir ./entities` 同步Markdown可读备份\n- **导入：** `memdb.py import --dir ./entities` 从Markdown导入\n\n推荐Cron每晚23点执行：decay → export → stats。\n\n## CLI完整参考\n\n```bash\npython3 scripts/memdb.py add \"内容\" --type <type> [--entity <实体>] [--severity high|medium|low] [--source manual|conversation|cron]\npython3 scripts/memdb.py search \"查询\" [--type <type>] [--status active|expired] [--entity <实体>] [--limit N] [--format text|json]\npython3 scripts/memdb.py list [--type <type>] [--status active] [--limit N]\npython3 scripts/memdb.py relate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py relations \"实体\" [--depth 1|2|3] [--direction from|to|both]\npython3 scripts/memdb.py unrelate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py decay [--days 30]\npython3 scripts/memdb.py archive\npython3 scripts/memdb.py export --dir <目录>\npython3 scripts/memdb.py import --dir <目录>\npython3 scripts/memdb.py stats\n```\n\n## 详细文档\n\n- **安装指南：** 见 [references/install.md](references/install.md)\n- **AGENTS.md集成：** 见 [references/integration.md](references/integration.md)\n\n## 架构\n\n```\n用户对话 → LLM判断/关键词触发 → memdb.py add/relate → SQLite + 向量DB\n                                                        ↓\n                        Cron每晚 ← decay + export ← entities/ Markdown备份\n```\n\n**技术栈：**\n- 存储层：SQLite（结构化数据）+ sqlite-vec（向量索引）+ FTS5（全文搜索）\n- Embedding：text2vec-base-chinese（768维，本地运行，MPS加速）\n- 关系层：relations表（实体关系图谱，支持多跳BFS查询）\n- 去重：向量余弦相似度 >0.95 自动合并\n\nFile v1.2.0:_meta.json\n\n{\n  \"ownerId\": \"kn7e4kmh53933414x5vhtrr5hx826wk1\",\n  \"slug\": \"hermes-memory-cn\",\n  \"version\": \"1.2.0\",\n  \"publishedAt\": 1776660693286\n}\n\nFile v1.2.0:references/install.md\n\n# 安装指南\n\n## 前置条件\n- macOS（M系列芯片推荐）或 Linux\n- Python 3.12+（需支持 OpenSSL 3.0+）\n- torch（MPS/CPU均可）\n\n## 安装步骤\n\n### 1. 安装依赖\n```bash\npip3 install sqlite-vec pysqlite3 sentence-transformers\n```\n\n### 2. 下载中文embedding模型\n如果网络能访问HuggingFace：\n```bash\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n如果HuggingFace被墙（中国大陆），设置镜像：\n```bash\nexport HF_ENDPOINT=https://hf-mirror.com\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n或手动下载：\n```bash\nmkdir -p ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\ncd ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\n# 用curl从镜像下载config.json, pytorch_model.bin, tokenizer.json, tokenizer_config.json, vocab.txt\n```\n\n### 3. 初始化数据库\n```bash\npython3 scripts/memdb.py stats  # 首次运行自动建库\n```\n\n### 4. 导入现有记忆（可选）\n如果有 Markdown 格式的记忆文件：\n```bash\npython3 scripts/memdb.py import --dir ./entities\n```\n\n### 5. 验证\n```bash\npython3 scripts/memdb.py search \"测试搜索\" --limit 3\n```\n\n## 注意事项\n- Python 3.9 内置 sqlite3 不支持 load_extension，需安装 pysqlite3\n- 推荐用 Homebrew 的 Python 3.12（macOS）：`/opt/homebrew/bin/python3.12`\n- 模型约400MB，首次加载需下载\n- M系列Mac会自动用MPS加速embedding计算\n\nFile v1.2.0:references/integration.md\n\n# AGENTS.md 集成指南\n\n在 AGENTS.md 的 Memory 部分添加以下内容：\n\n```markdown\n### 🧠 记忆系统（Hermes-Memory）\n\n**后端：** SQLite + sqlite-vec + text2vec-base-chinese（768维本地embedding）\n- 数据库：`memory/memory.db`\n- CLI：`/opt/homebrew/bin/python3.12 memory/memdb.py`\n\n**实时写入（每次回复后执行）：**\n检查对话中有没有新的、值得长期记住的信息：\n- 持仓变动（买了/卖了/加仓/减仓/清仓/止盈/止损）→ type=portfolio\n- 策略相关（新策略/改策略/情绪周期/买点卖点）→ type=strategy\n- 教训/纠正（用户纠正你/发现错误/踩坑）→ type=lesson, severity=high\n- 偏好变化（以后用/记住/我喜欢/改用）→ type=preference\n- 隐含信息（新方向/新项目/生活变化/决策）→ type=fact\n- 重要决策 → type=fact\n\n**执行方式：**\n```bash\n# 关键词匹配\n/opt/homebrew/bin/python3.12 memory/memory_tool.py check \"用户说的内容\"\n# 隐含信息直接写入\n/opt/homebrew/bin/python3.12 memory/memdb.py add \"内容\" --type fact\n# 建立实体关系\n/opt/homebrew/bin/python3.12 memory/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n```\n\n**回答问题前：** 涉及过往持仓、策略、教训、偏好，先 search 数据库。\n**Cron：** 每晚23点执行 decay + export Markdown备份。\n```\n\n## Cron 配置\n\n每晚23点的记忆整合 cron payload：\n\n```\n【记忆整合】执行以下步骤：\n1. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py decay --days 30` 标记过期记忆\n2. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py export --dir memory/entities` 同步Markdown备份\n3. 检查 memory/daily/ 今天有无新日志，有则用 `memory_tool.py check` 提取关键信息\n4. 更新 MEMORY.md 索引\n5. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py stats` 确认数据完整\n```\n\nArchive v1.1.0: 6 files, 13232 bytes\n\nFiles: references/install.md (1600b), references/integration.md (1869b), scripts/memdb.py (24052b), scripts/memory_tool.py (4254b), SKILL.md (4694b), _meta.json (135b)\n\nFile v1.1.0:SKILL.md\n\n---\nname: hermes-memory\ndescription: >-\n  本地向量记忆数据库系统，类Hermes架构。支持语义搜索、实体关系图谱、自动衰减、关键词触发+LLM实时判断。\n  当需要：(1) 记住用户信息/偏好/决策，(2) 搜索过往记忆，(3) 管理长期记忆的增删改查，\n  (4) 建立实体间关联关系，(5) 回答涉及历史上下文的问题时使用。\n  触发词：记忆、记住、之前说过、上次聊到、搜索记忆、忘了什么、持仓历史。\n---\n\n# Hermes-Memory 本地向量记忆系统\n\n类Hermes架构的记忆系统：SQLite + sqlite-vec向量检索 + 本地embedding + 实体关系图谱。\n\n## 快速开始\n\n所有命令必须用 Python 3.12+（支持OpenSSL 3.0+），macOS推荐 `/opt/homebrew/bin/python3.12`。\n\n```bash\n# 搜索记忆（语义搜索，支持中文）\npython3 scripts/memdb.py search \"止损策略\" --limit 5\n\n# 添加记忆\npython3 scripts/memdb.py add \"内容\" --type portfolio --entity 某科技股\n\n# 智能检测关键词并写入\npython3 scripts/memory_tool.py check \"用户说的内容\"\n\n# 建立实体关系\npython3 scripts/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n\n# 查看实体关系（支持多跳）\npython3 scripts/memdb.py relations \"某科技股\" --depth 2\n\n# 统计\npython3 scripts/memdb.py stats\n```\n\n## 记忆类型\n\n| type | 用途 | 示例 |\n|------|------|------|\n| portfolio | 持仓变动 | 买入某科技股、清仓某消费股 |\n| strategy | 策略规则 | 主线共振策略买点、情绪周期L4 |\n| preference | 用户偏好 | 数据源用东财、回复用中文 |\n| lesson | 教训（带severity） | 缺乏风控导致亏损 |\n| user-profile | 用户画像 | 用户基本信息和背景 |\n| fact | 事实/决策 | 用户的重要决定 |\n| note | 笔记 | 其他 |\n\n## 实时写入规则\n\n每次回复用户后，检查是否有值得长期记住的信息：\n\n**关键词触发（用 memory_tool.py check）：**\n- 买了/卖了/加仓/减仓/清仓/建仓/止盈/止损 → portfolio\n- 新策略/改策略/情绪周期/买点卖点 → strategy\n- 纠正我/不对/错误/教训/踩坑 → lesson\n- 以后用/记住/偏好/改用 → preference\n\n**LLM判断（直接用 memdb.py add）：**\n- 隐含信息（用户随口提到的新方向、生活变化）→ fact\n- 重要决策 → fact\n\n**判断标准：** 这条信息1周后还有用吗？是→写入，否→跳过。\n\n## 实体关系图谱\n\n写入记忆时，主动建立实体间关联：\n\n```bash\n# 股票→板块\npython3 scripts/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n# 策略→组件\npython3 scripts/memdb.py relate \"主线共振策略\" \"包含\" \"买点规则\"\n# 教训→应用\npython3 scripts/memdb.py relate \"某股亏损\" \"教训应用于\" \"止损规则\"\n```\n\n## 自动维护\n\n- **衰减：** `memdb.py decay --days 30` 标记30天未更新的记忆为expired\n- **归档：** `memdb.py archive` 将expired记忆移入archive表\n- **导出：** `memdb.py export --dir ./entities` 同步Markdown可读备份\n- **导入：** `memdb.py import --dir ./entities` 从Markdown导入\n\n推荐Cron每晚23点执行：decay → export → stats。\n\n## CLI完整参考\n\n```bash\npython3 scripts/memdb.py add \"内容\" --type <type> [--entity <实体>] [--severity high|medium|low] [--source manual|conversation|cron]\npython3 scripts/memdb.py search \"查询\" [--type <type>] [--status active|expired] [--entity <实体>] [--limit N] [--format text|json]\npython3 scripts/memdb.py list [--type <type>] [--status active] [--limit N]\npython3 scripts/memdb.py relate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py relations \"实体\" [--depth 1|2|3] [--direction from|to|both]\npython3 scripts/memdb.py unrelate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py decay [--days 30]\npython3 scripts/memdb.py archive\npython3 scripts/memdb.py export --dir <目录>\npython3 scripts/memdb.py import --dir <目录>\npython3 scripts/memdb.py stats\n```\n\n## 详细文档\n\n- **安装指南：** 见 [references/install.md](references/install.md)\n- **AGENTS.md集成：** 见 [references/integration.md](references/integration.md)\n\n## 架构\n\n```\n用户对话 → LLM判断/关键词触发 → memdb.py add/relate → SQLite + 向量DB\n                                                        ↓\n                        Cron每晚 ← decay + export ← entities/ Markdown备份\n```\n\n**技术栈：**\n- 存储层：SQLite（结构化数据）+ sqlite-vec（向量索引）+ FTS5（全文搜索）\n- Embedding：text2vec-base-chinese（768维，本地运行，MPS加速）\n- 关系层：relations表（实体关系图谱，支持多跳BFS查询）\n- 去重：向量余弦相似度 >0.95 自动合并\n\nFile v1.1.0:_meta.json\n\n{\n  \"ownerId\": \"kn7e4kmh53933414x5vhtrr5hx826wk1\",\n  \"slug\": \"hermes-memory-cn\",\n  \"version\": \"1.1.0\",\n  \"publishedAt\": 1776660200793\n}\n\nFile v1.1.0:references/install.md\n\n# 安装指南\n\n## 前置条件\n- macOS（M系列芯片推荐）或 Linux\n- Python 3.12+（需支持 OpenSSL 3.0+）\n- torch（MPS/CPU均可）\n\n## 安装步骤\n\n### 1. 安装依赖\n```bash\npip3 install sqlite-vec pysqlite3 sentence-transformers\n```\n\n### 2. 下载中文embedding模型\n如果网络能访问HuggingFace：\n```bash\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n如果HuggingFace被墙（中国大陆），设置镜像：\n```bash\nexport HF_ENDPOINT=https://hf-mirror.com\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n或手动下载：\n```bash\nmkdir -p ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\ncd ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\n# 用curl从镜像下载config.json, pytorch_model.bin, tokenizer.json, tokenizer_config.json, vocab.txt\n```\n\n### 3. 初始化数据库\n```bash\npython3 scripts/memdb.py stats  # 首次运行自动建库\n```\n\n### 4. 导入现有记忆（可选）\n如果有 Markdown 格式的记忆文件：\n```bash\npython3 scripts/memdb.py import --dir ./entities\n```\n\n### 5. 验证\n```bash\npython3 scripts/memdb.py search \"测试搜索\" --limit 3\n```\n\n## 注意事项\n- Python 3.9 内置 sqlite3 不支持 load_extension，需安装 pysqlite3\n- 推荐用 Homebrew 的 Python 3.12（macOS）：`/opt/homebrew/bin/python3.12`\n- 模型约400MB，首次加载需下载\n- M系列Mac会自动用MPS加速embedding计算\n\nFile v1.1.0:references/integration.md\n\n# AGENTS.md 集成指南\n\n在 AGENTS.md 的 Memory 部分添加以下内容：\n\n```markdown\n### 🧠 记忆系统（Hermes-Memory）\n\n**后端：** SQLite + sqlite-vec + text2vec-base-chinese（768维本地embedding）\n- 数据库：`memory/memory.db`\n- CLI：`/opt/homebrew/bin/python3.12 memory/memdb.py`\n\n**实时写入（每次回复后执行）：**\n检查对话中有没有新的、值得长期记住的信息：\n- 持仓变动（买了/卖了/加仓/减仓/清仓/止盈/止损）→ type=portfolio\n- 策略相关（新策略/改策略/情绪周期/买点卖点）→ type=strategy\n- 教训/纠正（用户纠正你/发现错误/踩坑）→ type=lesson, severity=high\n- 偏好变化（以后用/记住/我喜欢/改用）→ type=preference\n- 隐含信息（新方向/新项目/生活变化/决策）→ type=fact\n- 重要决策 → type=fact\n\n**执行方式：**\n```bash\n# 关键词匹配\n/opt/homebrew/bin/python3.12 memory/memory_tool.py check \"用户说的内容\"\n# 隐含信息直接写入\n/opt/homebrew/bin/python3.12 memory/memdb.py add \"内容\" --type fact\n# 建立实体关系\n/opt/homebrew/bin/python3.12 memory/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n```\n\n**回答问题前：** 涉及过往持仓、策略、教训、偏好，先 search 数据库。\n**Cron：** 每晚23点执行 decay + export Markdown备份。\n```\n\n## Cron 配置\n\n每晚23点的记忆整合 cron payload：\n\n```\n【记忆整合】执行以下步骤：\n1. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py decay --days 30` 标记过期记忆\n2. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py export --dir memory/entities` 同步Markdown备份\n3. 检查 memory/daily/ 今天有无新日志，有则用 `memory_tool.py check` 提取关键信息\n4. 更新 MEMORY.md 索引\n5. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py stats` 确认数据完整\n```\n\nArchive v1.0.1: 6 files, 13235 bytes\n\nFiles: references/install.md (1600b), references/integration.md (1869b), scripts/memdb.py (24052b), scripts/memory_tool.py (4254b), SKILL.md (4694b), _meta.json (135b)\n\nFile v1.0.1:SKILL.md\n\n---\nname: hermes-memory\ndescription: >-\n  本地向量记忆数据库系统，类Hermes架构。支持语义搜索、实体关系图谱、自动衰减、关键词触发+LLM实时判断。\n  当需要：(1) 记住用户信息/偏好/决策，(2) 搜索过往记忆，(3) 管理长期记忆的增删改查，\n  (4) 建立实体间关联关系，(5) 回答涉及历史上下文的问题时使用。\n  触发词：记忆、记住、之前说过、上次聊到、搜索记忆、忘了什么、持仓历史。\n---\n\n# Hermes-Memory 本地向量记忆系统\n\n类Hermes架构的记忆系统：SQLite + sqlite-vec向量检索 + 本地embedding + 实体关系图谱。\n\n## 快速开始\n\n所有命令必须用 Python 3.12+（支持OpenSSL 3.0+），macOS推荐 `/opt/homebrew/bin/python3.12`。\n\n```bash\n# 搜索记忆（语义搜索，支持中文）\npython3 scripts/memdb.py search \"止损策略\" --limit 5\n\n# 添加记忆\npython3 scripts/memdb.py add \"内容\" --type portfolio --entity 常山药业\n\n# 智能检测关键词并写入\npython3 scripts/memory_tool.py check \"用户说的内容\"\n\n# 建立实体关系\npython3 scripts/memdb.py relate \"常山药业\" \"属于\" \"医药板块\"\n\n# 查看实体关系（支持多跳）\npython3 scripts/memdb.py relations \"常山药业\" --depth 2\n\n# 统计\npython3 scripts/memdb.py stats\n```\n\n## 记忆类型\n\n| type | 用途 | 示例 |\n|------|------|------|\n| portfolio | 持仓变动 | 买入常山药业、清仓上海机场 |\n| strategy | 策略规则 | 主线共振策略买点、情绪周期L4 |\n| preference | 用户偏好 | 数据源用东财、回复用中文 |\n| lesson | 教训（带severity） | 缺乏风控导致亏损 |\n| user-profile | 用户画像 | 用户基本信息和背景 |\n| fact | 事实/决策 | 用户的重要决定 |\n| note | 笔记 | 其他 |\n\n## 实时写入规则\n\n每次回复用户后，检查是否有值得长期记住的信息：\n\n**关键词触发（用 memory_tool.py check）：**\n- 买了/卖了/加仓/减仓/清仓/建仓/止盈/止损 → portfolio\n- 新策略/改策略/情绪周期/买点卖点 → strategy\n- 纠正我/不对/错误/教训/踩坑 → lesson\n- 以后用/记住/偏好/改用 → preference\n\n**LLM判断（直接用 memdb.py add）：**\n- 隐含信息（用户随口提到的新方向、生活变化）→ fact\n- 重要决策 → fact\n\n**判断标准：** 这条信息1周后还有用吗？是→写入，否→跳过。\n\n## 实体关系图谱\n\n写入记忆时，主动建立实体间关联：\n\n```bash\n# 股票→板块\npython3 scripts/memdb.py relate \"常山药业\" \"属于\" \"医药板块\"\n# 策略→组件\npython3 scripts/memdb.py relate \"主线共振策略\" \"包含\" \"买点规则\"\n# 教训→应用\npython3 scripts/memdb.py relate \"某股亏损\" \"教训应用于\" \"止损规则\"\n```\n\n## 自动维护\n\n- **衰减：** `memdb.py decay --days 30` 标记30天未更新的记忆为expired\n- **归档：** `memdb.py archive` 将expired记忆移入archive表\n- **导出：** `memdb.py export --dir ./entities` 同步Markdown可读备份\n- **导入：** `memdb.py import --dir ./entities` 从Markdown导入\n\n推荐Cron每晚23点执行：decay → export → stats。\n\n## CLI完整参考\n\n```bash\npython3 scripts/memdb.py add \"内容\" --type <type> [--entity <实体>] [--severity high|medium|low] [--source manual|conversation|cron]\npython3 scripts/memdb.py search \"查询\" [--type <type>] [--status active|expired] [--entity <实体>] [--limit N] [--format text|json]\npython3 scripts/memdb.py list [--type <type>] [--status active] [--limit N]\npython3 scripts/memdb.py relate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py relations \"实体\" [--depth 1|2|3] [--direction from|to|both]\npython3 scripts/memdb.py unrelate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py decay [--days 30]\npython3 scripts/memdb.py archive\npython3 scripts/memdb.py export --dir <目录>\npython3 scripts/memdb.py import --dir <目录>\npython3 scripts/memdb.py stats\n```\n\n## 详细文档\n\n- **安装指南：** 见 [references/install.md](references/install.md)\n- **AGENTS.md集成：** 见 [references/integration.md](references/integration.md)\n\n## 架构\n\n```\n用户对话 → LLM判断/关键词触发 → memdb.py add/relate → SQLite + 向量DB\n                                                        ↓\n                        Cron每晚 ← decay + export ← entities/ Markdown备份\n```\n\n**技术栈：**\n- 存储层：SQLite（结构化数据）+ sqlite-vec（向量索引）+ FTS5（全文搜索）\n- Embedding：text2vec-base-chinese（768维，本地运行，MPS加速）\n- 关系层：relations表（实体关系图谱，支持多跳BFS查询）\n- 去重：向量余弦相似度 >0.95 自动合并\n\nFile v1.0.1:_meta.json\n\n{\n  \"ownerId\": \"kn7e4kmh53933414x5vhtrr5hx826wk1\",\n  \"slug\": \"hermes-memory-cn\",\n  \"version\": \"1.0.1\",\n  \"publishedAt\": 1776659963931\n}\n\nFile v1.0.1:references/install.md\n\n# 安装指南\n\n## 前置条件\n- macOS（M系列芯片推荐）或 Linux\n- Python 3.12+（需支持 OpenSSL 3.0+）\n- torch（MPS/CPU均可）\n\n## 安装步骤\n\n### 1. 安装依赖\n```bash\npip3 install sqlite-vec pysqlite3 sentence-transformers\n```\n\n### 2. 下载中文embedding模型\n如果网络能访问HuggingFace：\n```bash\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n如果HuggingFace被墙（中国大陆），设置镜像：\n```bash\nexport HF_ENDPOINT=https://hf-mirror.com\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n或手动下载：\n```bash\nmkdir -p ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\ncd ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\n# 用curl从镜像下载config.json, pytorch_model.bin, tokenizer.json, tokenizer_config.json, vocab.txt\n```\n\n### 3. 初始化数据库\n```bash\npython3 scripts/memdb.py stats  # 首次运行自动建库\n```\n\n### 4. 导入现有记忆（可选）\n如果有 Markdown 格式的记忆文件：\n```bash\npython3 scripts/memdb.py import --dir ./entities\n```\n\n### 5. 验证\n```bash\npython3 scripts/memdb.py search \"测试搜索\" --limit 3\n```\n\n## 注意事项\n- Python 3.9 内置 sqlite3 不支持 load_extension，需安装 pysqlite3\n- 推荐用 Homebrew 的 Python 3.12（macOS）：`/opt/homebrew/bin/python3.12`\n- 模型约400MB，首次加载需下载\n- M系列Mac会自动用MPS加速embedding计算\n\nFile v1.0.1:references/integration.md\n\n# AGENTS.md 集成指南\n\n在 AGENTS.md 的 Memory 部分添加以下内容：\n\n```markdown\n### 🧠 记忆系统（Hermes-Memory）\n\n**后端：** SQLite + sqlite-vec + text2vec-base-chinese（768维本地embedding）\n- 数据库：`memory/memory.db`\n- CLI：`/opt/homebrew/bin/python3.12 memory/memdb.py`\n\n**实时写入（每次回复后执行）：**\n检查对话中有没有新的、值得长期记住的信息：\n- 持仓变动（买了/卖了/加仓/减仓/清仓/止盈/止损）→ type=portfolio\n- 策略相关（新策略/改策略/情绪周期/买点卖点）→ type=strategy\n- 教训/纠正（用户纠正你/发现错误/踩坑）→ type=lesson, severity=high\n- 偏好变化（以后用/记住/我喜欢/改用）→ type=preference\n- 隐含信息（新方向/新项目/生活变化/决策）→ type=fact\n- 重要决策 → type=fact\n\n**执行方式：**\n```bash\n# 关键词匹配\n/opt/homebrew/bin/python3.12 memory/memory_tool.py check \"用户说的内容\"\n# 隐含信息直接写入\n/opt/homebrew/bin/python3.12 memory/memdb.py add \"内容\" --type fact\n# 建立实体关系\n/opt/homebrew/bin/python3.12 memory/memdb.py relate \"常山药业\" \"属于\" \"医药板块\"\n```\n\n**回答问题前：** 涉及过往持仓、策略、教训、偏好，先 search 数据库。\n**Cron：** 每晚23点执行 decay + export Markdown备份。\n```\n\n## Cron 配置\n\n每晚23点的记忆整合 cron payload：\n\n```\n【记忆整合】执行以下步骤：\n1. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py decay --days 30` 标记过期记忆\n2. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py export --dir memory/entities` 同步Markdown备份\n3. 检查 memory/daily/ 今天有无新日志，有则用 `memory_tool.py check` 提取关键信息\n4. 更新 MEMORY.md 索引\n5. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py stats` 确认数据完整\n```\n\nArchive v1.0.0: 6 files, 13252 bytes\n\nFiles: references/install.md (1600b), references/integration.md (1869b), scripts/memdb.py (24052b), scripts/memory_tool.py (4254b), SKILL.md (4713b), _meta.json (135b)\n\nFile v1.0.0:SKILL.md\n\n---\nname: hermes-memory\ndescription: >-\n  本地向量记忆数据库系统，类Hermes架构。支持语义搜索、实体关系图谱、自动衰减、关键词触发+LLM实时判断。\n  当需要：(1) 记住用户信息/偏好/决策，(2) 搜索过往记忆，(3) 管理长期记忆的增删改查，\n  (4) 建立实体间关联关系，(5) 回答涉及历史上下文的问题时使用。\n  触发词：记忆、记住、之前说过、上次聊到、搜索记忆、忘了什么、持仓历史。\n---\n\n# Hermes-Memory 本地向量记忆系统\n\n类Hermes架构的记忆系统：SQLite + sqlite-vec向量检索 + 本地embedding + 实体关系图谱。\n\n## 快速开始\n\n所有命令必须用 Python 3.12+（支持OpenSSL 3.0+），macOS推荐 `/opt/homebrew/bin/python3.12`。\n\n```bash\n# 搜索记忆（语义搜索，支持中文）\npython3 scripts/memdb.py search \"止损策略\" --limit 5\n\n# 添加记忆\npython3 scripts/memdb.py add \"内容\" --type portfolio --entity 常山药业\n\n# 智能检测关键词并写入\npython3 scripts/memory_tool.py check \"用户说的内容\"\n\n# 建立实体关系\npython3 scripts/memdb.py relate \"常山药业\" \"属于\" \"医药板块\"\n\n# 查看实体关系（支持多跳）\npython3 scripts/memdb.py relations \"常山药业\" --depth 2\n\n# 统计\npython3 scripts/memdb.py stats\n```\n\n## 记忆类型\n\n| type | 用途 | 示例 |\n|------|------|------|\n| portfolio | 持仓变动 | 买入常山药业、清仓上海机场 |\n| strategy | 策略规则 | 主线共振策略买点、情绪周期L4 |\n| preference | 用户偏好 | 数据源用东财、回复用中文 |\n| lesson | 教训（带severity） | 无止损+越跌越补=灾难 |\n| user-profile | 用户画像 | 35岁、前贝壳数据分析师 |\n| fact | 事实/决策 | 用户决定做自媒体 |\n| note | 笔记 | 其他 |\n\n## 实时写入规则\n\n每次回复用户后，检查是否有值得长期记住的信息：\n\n**关键词触发（用 memory_tool.py check）：**\n- 买了/卖了/加仓/减仓/清仓/建仓/止盈/止损 → portfolio\n- 新策略/改策略/情绪周期/买点卖点 → strategy\n- 纠正我/不对/错误/教训/踩坑 → lesson\n- 以后用/记住/偏好/改用 → preference\n\n**LLM判断（直接用 memdb.py add）：**\n- 隐含信息（用户随口提到的新方向、生活变化）→ fact\n- 重要决策 → fact\n\n**判断标准：** 这条信息1周后还有用吗？是→写入，否→跳过。\n\n## 实体关系图谱\n\n写入记忆时，主动建立实体间关联：\n\n```bash\n# 股票→板块\npython3 scripts/memdb.py relate \"常山药业\" \"属于\" \"医药板块\"\n# 策略→组件\npython3 scripts/memdb.py relate \"主线共振策略\" \"包含\" \"买点规则\"\n# 教训→应用\npython3 scripts/memdb.py relate \"上海机场亏损\" \"教训应用于\" \"止损规则\"\n```\n\n## 自动维护\n\n- **衰减：** `memdb.py decay --days 30` 标记30天未更新的记忆为expired\n- **归档：** `memdb.py archive` 将expired记忆移入archive表\n- **导出：** `memdb.py export --dir ./entities` 同步Markdown可读备份\n- **导入：** `memdb.py import --dir ./entities` 从Markdown导入\n\n推荐Cron每晚23点执行：decay → export → stats。\n\n## CLI完整参考\n\n```bash\npython3 scripts/memdb.py add \"内容\" --type <type> [--entity <实体>] [--severity high|medium|low] [--source manual|conversation|cron]\npython3 scripts/memdb.py search \"查询\" [--type <type>] [--status active|expired] [--entity <实体>] [--limit N] [--format text|json]\npython3 scripts/memdb.py list [--type <type>] [--status active] [--limit N]\npython3 scripts/memdb.py relate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py relations \"实体\" [--depth 1|2|3] [--direction from|to|both]\npython3 scripts/memdb.py unrelate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py decay [--days 30]\npython3 scripts/memdb.py archive\npython3 scripts/memdb.py export --dir <目录>\npython3 scripts/memdb.py import --dir <目录>\npython3 scripts/memdb.py stats\n```\n\n## 详细文档\n\n- **安装指南：** 见 [references/install.md](references/install.md)\n- **AGENTS.md集成：** 见 [references/integration.md](references/integration.md)\n\n## 架构\n\n```\n用户对话 → LLM判断/关键词触发 → memdb.py add/relate → SQLite + 向量DB\n                                                        ↓\n                        Cron每晚 ← decay + export ← entities/ Markdown备份\n```\n\n**技术栈：**\n- 存储层：SQLite（结构化数据）+ sqlite-vec（向量索引）+ FTS5（全文搜索）\n- Embedding：text2vec-base-chinese（768维，本地运行，MPS加速）\n- 关系层：relations表（实体关系图谱，支持多跳BFS查询）\n- 去重：向量余弦相似度 >0.95 自动合并\n\nFile v1.0.0:_meta.json\n\n{\n  \"ownerId\": \"kn7e4kmh53933414x5vhtrr5hx826wk1\",\n  \"slug\": \"hermes-memory-cn\",\n  \"version\": \"1.0.0\",\n  \"publishedAt\": 1776659608532\n}\n\nFile v1.0.0:references/install.md\n\n# 安装指南\n\n## 前置条件\n- macOS（M系列芯片推荐）或 Linux\n- Python 3.12+（需支持 OpenSSL 3.0+）\n- torch（MPS/CPU均可）\n\n## 安装步骤\n\n### 1. 安装依赖\n```bash\npip3 install sqlite-vec pysqlite3 sentence-transformers\n```\n\n### 2. 下载中文embedding模型\n如果网络能访问HuggingFace：\n```bash\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n如果HuggingFace被墙（中国大陆），设置镜像：\n```bash\nexport HF_ENDPOINT=https://hf-mirror.com\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n或手动下载：\n```bash\nmkdir -p ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\ncd ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\n# 用curl从镜像下载config.json, pytorch_model.bin, tokenizer.json, tokenizer_config.json, vocab.txt\n```\n\n### 3. 初始化数据库\n```bash\npython3 scripts/memdb.py stats  # 首次运行自动建库\n```\n\n### 4. 导入现有记忆（可选）\n如果有 Markdown 格式的记忆文件：\n```bash\npython3 scripts/memdb.py import --dir ./entities\n```\n\n### 5. 验证\n```bash\npython3 scripts/memdb.py search \"测试搜索\" --limit 3\n```\n\n## 注意事项\n- Python 3.9 内置 sqlite3 不支持 load_extension，需安装 pysqlite3\n- 推荐用 Homebrew 的 Python 3.12（macOS）：`/opt/homebrew/bin/python3.12`\n- 模型约400MB，首次加载需下载\n- M系列Mac会自动用MPS加速embedding计算\n\nFile v1.0.0:references/integration.md\n\n# AGENTS.md 集成指南\n\n在 AGENTS.md 的 Memory 部分添加以下内容：\n\n```markdown\n### 🧠 记忆系统（Hermes-Memory）\n\n**后端：** SQLite + sqlite-vec + text2vec-base-chinese（768维本地embedding）\n- 数据库：`memory/memory.db`\n- CLI：`/opt/homebrew/bin/python3.12 memory/memdb.py`\n\n**实时写入（每次回复后执行）：**\n检查对话中有没有新的、值得长期记住的信息：\n- 持仓变动（买了/卖了/加仓/减仓/清仓/止盈/止损）→ type=portfolio\n- 策略相关（新策略/改策略/情绪周期/买点卖点）→ type=strategy\n- 教训/纠正（用户纠正你/发现错误/踩坑）→ type=lesson, severity=high\n- 偏好变化（以后用/记住/我喜欢/改用）→ type=preference\n- 隐含信息（新方向/新项目/生活变化/决策）→ type=fact\n- 重要决策 → type=fact\n\n**执行方式：**\n```bash\n# 关键词匹配\n/opt/homebrew/bin/python3.12 memory/memory_tool.py check \"用户说的内容\"\n# 隐含信息直接写入\n/opt/homebrew/bin/python3.12 memory/memdb.py add \"内容\" --type fact\n# 建立实体关系\n/opt/homebrew/bin/python3.12 memory/memdb.py relate \"常山药业\" \"属于\" \"医药板块\"\n```\n\n**回答问题前：** 涉及过往持仓、策略、教训、偏好，先 search 数据库。\n**Cron：** 每晚23点执行 decay + export Markdown备份。\n```\n\n## Cron 配置\n\n每晚23点的记忆整合 cron payload：\n\n```\n【记忆整合】执行以下步骤：\n1. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py decay --days 30` 标记过期记忆\n2. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py export --dir memory/entities` 同步Markdown备份\n3. 检查 memory/daily/ 今天有无新日志，有则用 `memory_tool.py check` 提取关键信息\n4. 更新 MEMORY.md 索引\n5. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py stats` 确认数据完整\n```","readmeExcerpt":"Skill: Hermes Memory CN Owner: dream978 Summary: 给AI装一个「人脑级」记忆系统。它能记住你说过的一切重要信息，下次聊天自动想起来。 不用云端、不用API Key、不花一分钱——全部数据存在你自己的电脑上。 说「记住这个」它就记住，问「我上次说了什么」它就找到。自动整理、自动遗忘过时信息。 适合：想让自己的AI助手拥有长期记忆的用户。 触发词：记忆、记住、之前说... Tags: latest:1.4.0 Version history: v1.4.0 | 2026-04-23T00:39:56.407Z | user 新增Skill进化系统：重复模式自动检测(≥3次)、skill草案生成、用户确认升级 v1.3.0 | 2026-04-20T05:02:30.109Z | user 优化文案：通俗语言描述优势，新增与其他方案对比表 v1.2.0 | 2026-04-20T04:5","codeSnippets":[],"executableExamples":[{"language":"bash","snippet":"# 搜索记忆（语义搜索，支持中文）\npython3 scripts/memdb.py search \"止损策略\" --limit 5\n\n# 添加记忆\npython3 scripts/memdb.py add \"内容\" --type portfolio --entity 某科技股\n\n# 智能检测关键词并写入\npython3 scripts/memory_tool.py check \"用户说的内容\"\n\n# 建立实体关系\npython3 scripts/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n\n# 查看实体关系（支持多跳）\npython3 scripts/memdb.py relations \"某科技股\" --depth 2\n\n# 统计\npython3 scripts/memdb.py stats"},{"language":"bash","snippet":"# 程序员用户可能用\ntype=bugfix type=architecture type=deploy\n\n# 创作者用户可能用\ntype=idea type=draft type=publish\n\n# 学生用户可能用\ntype=course type=exam type=schedule"},{"language":"bash","snippet":"# 股票→板块\npython3 scripts/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n# 策略→组件\npython3 scripts/memdb.py relate \"主线共振策略\" \"包含\" \"买点规则\"\n# 教训→应用\npython3 scripts/memdb.py relate \"某股亏损\" \"教训应用于\" \"止损规则\""},{"language":"bash","snippet":"# ── 记忆操作 ──\npython3 scripts/memdb.py add \"内容\" --type <type> [--entity <实体>] [--severity high|medium|low] [--source manual|conversation|cron]\npython3 scripts/memdb.py search \"查询\" [--type <type>] [--status active|expired] [--entity <实体>] [--limit N] [--format text|json]\npython3 scripts/memdb.py list [--type <type>] [--status active] [--limit N]\npython3 scripts/memdb.py relate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py relations \"实体\" [--depth 1|2|3] [--direction from|to|both]\npython3 scripts/memdb.py unrelate \"实体A\" \"关系\" \"实体B\"\npython3 scripts/memdb.py decay [--days 30]\npython3 scripts/memdb.py archive\npython3 scripts/memdb.py export --dir <目录>\npython3 scripts/memdb.py import --dir <目录>\npython3 scripts/memdb.py stats\n\n# ── Skill进化 ──\npython3 scripts/skill_evolve.py record \"操作模式\" --tags \"标签1,标签2\"\npython3 scripts/skill_evolve.py detect\npython3 scripts/skill_evolve.py draft <pattern_id> [--name \"skill-name\"]\npython3 scripts/skill_evolve.py promote <pattern_id> --name \"skill-name\"\npython3 scripts/skill_evolve.py list"},{"language":"text","snippet":"完成多步骤任务 → skill_evolve.py record → 向量检测相似模式\n                                                ↓\n                          同一模式出现≥3次 → 自动通知候选\n                                                ↓\n                          skill_evolve.py draft → 生成草案到 skill_drafts/\n                                                ↓\n                          用户审核 → skill_evolve.py promote → 正式skill"},{"language":"bash","snippet":"# 记录操作模式\npython3 scripts/skill_evolve.py record \"步骤1→步骤2→步骤3\" --tags \"标签\"\n\n# 检测候选\npython3 scripts/skill_evolve.py detect\n\n# 生成草案\npython3 scripts/skill_evolve.py draft <id> --name \"skill-name\"\n\n# 确认升级\npython3 scripts/skill_evolve.py promote <id> --name \"skill-name\"\n\n# 查看所有模式\npython3 scripts/skill_evolve.py list"}],"parameters":null,"dependencies":[],"permissions":[],"extractedFiles":[{"path":"SKILL.md","content":"---\nname: hermes-memory\ndescription: >-\n  给AI装一个「人脑级」记忆系统。它能记住你说过的一切重要信息，下次聊天自动想起来。\n  不用云端、不用API Key、不花一分钱——全部数据存在你自己的电脑上。\n  说「记住这个」它就记住，问「我上次说了什么」它就找到。自动整理、自动遗忘过时信息。\n  适合：想让自己的AI助手拥有长期记忆的用户。\n  触发词：记忆、记住、之前说过、上次聊到、搜索记忆、忘了什么。\n---\n\n# Hermes-Memory 本地向量记忆系统\n\n**你的AI助手是不是每次聊天都像失忆了？** 这个skill就是解决这个问题的。\n\nHermes-Memory 给AI装上了长期记忆：记住你的偏好、持仓、策略、教训……下次聊天自动关联上下文，就像跟一个老朋友说话一样。\n\n### 为什么用它？\n- **完全本地，隐私零风险** —— 数据存在你电脑上的SQLite文件里，不传任何云端\n- **零成本** —— 不需要API Key，不需要付费服务，本地embedding模型免费跑\n- **中文优化** —— 专用中文向量模型，搜索准确率远超英文通用模型\n- **开箱即用** —— 安装依赖后直接使用，不需要额外启动数据库服务（不像Qdrant/Milvus那样需要单独部署）\n- **越用越聪明** —— 自动去重、自动衰减过时记忆、实体关系图谱越建越丰富\n- **类型自由定制** —— 内置交易、策略、教训等类型，也可以随时自定义任何新类型\n\n### 和其他方案对比\n\n#### vs 纯文本记忆（MEMORY.md / 每日笔记）\n纯文本是大部分AI助手的默认方案——把记忆写在Markdown文件里，每次对话让AI自己翻。\n\n| 维度 | Hermes-Memory | 纯文本记忆 |\n|---|---|---|\n| 查找方式 | **语义搜索**（\"我之前说过什么止损规则\"→精准命中） | 关键词匹配或全文翻阅 |\n| 记忆容量 | 千条级，搜索毫秒级 | 几百条就开始乱、遗漏 |\n| 去重 | 向量相似度>0.95自动合并 | 手动检查，重复越积越多 |\n| 过期处理 | 自动衰减+归档 | 永远在文件里，越堆越旧 |\n| 结构化 | 按类型/实体/关系组织 | 平铺在一个大文件里 |\n| 实体关系 | 多跳图谱（某股→板块→策略→教训） | 无 |\n| Token消耗 | 只搜索需要的记忆，按需加载 | 每次要把整个文件喂给AI |\n\n**一句话：** 纯文本适合记10条备忘；Hermes-Memory适合构建一个真正可用的知识库。\n\n#### vs AGENTS.md 内置记忆逻辑\n很多用户会在AGENTS.md里写一段记忆规则，让AI自己维护Markdown文件。这个方案能用，但有几个本质限制：\n\n| 维度 | Hermes-Memory | AGENTS.md规则+Markdown |\n|---|---|---|\n| 存储引擎 | SQLite + 向量索引 + FTS5 | 纯文本文件 |\n| 搜索能力 | 向量语义搜索 + 全文搜索 + 关系查询 | 只能靠AI逐行读文件 |\n| 可靠性 | **确定性**——CLI命令执行即写入，不依赖AI\"记得去写\" | **不确定**——AI可能忘写、写错格式、漏写 |\n| 写入触发 | CLI工具一键写入（memdb.py add / memory_tool.py check） | 依赖AI每次对话后主动执行，无强制保证 |\n| 跨会话 | SQLite文件是唯一真相源，任何session读取一致 | 多个daily note + MEMORY.md，容易不一致 |\n| 关系推理 | 实体图谱支持多跳查询（\"跟这只股票相关的所有教训\"） | 无结构化关系，全靠AI自己关联 |\n| 自动维护 | decay归档+去重+export，cron一条命令搞定 | 需要AI手动整理文件，容易堆积垃圾 |\n| 可扩展性 | 类型自定义、关系自由扩展 | 文件越大AI越容易遗漏 |\n\n**核心差异：** AGENTS.md记忆规则是\"靠AI自觉\"——提示词让它记，但执行没有保证。Hermes-Memory是\"工具保证\"——CLI命令执行就写入，搜索就返回，不依赖AI的注意力。\n\n#### vs 云端向量库（Qdrant / Milvus / Pinecone）\n\n| 维度 | Hermes-Memory | 云端向量库 |\n|---|---|---|\n| 部署难度 | pip install即可 | 需要启动独立服务或注册云服务 |\n| 隐私安全 | ✅ 完全本地 | ⚠️ 需自建或信任第三方 |\n| 成本 | 免费 | 云服务按量计费 / 自建服务器成本 |\n| 大规模性能 | 千条级优秀 | 百万级优秀 |\n| 中文支持 | ✅ 专用中文模型 | ⚠️ 需额外配置embedding |\n\n**一句话：** 个人使用千条级别，Hermes-Memory更简单更安全；企业级百万条数据，上云端方案。\n\n## 快速开始\n\n所有命令必须用 Python 3.12+（支持OpenSSL 3.0+），macOS推荐 `/opt/homebrew/bin/python3.12`。\n\n```bash\n# 搜索记忆（语义搜索，支持中文）\npython3 scripts/memdb.py search \"止损策略\" --limit 5\n\n# 添加记忆\npython3 scripts/memdb.py add \"内容\" --type portfolio --entity 某科技股\n\n# 智能检测关键词并写入\npython3 scripts/memory_tool.py check \"用户说的内容\"\n\n# 建立实体关系\npython3 scripts/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n\n# 查看实体关系（支持多跳）\npython3 scripts/memdb.py relations \"某科技股\" --depth 2\n\n# 统计\npython3 scripts/memdb.py stats\n```\n\n## 记忆类型\n\n类型完全开放，可自由扩展。以下是内置推荐类型：\n\n### 通用类型\n| type | 用途 | 示例 |\n|------|------|------|\n| preference | 用户偏好 | 数据源用东财、回复用中文 |\n| user-profile | 用户画像 | 用户基本信息和背景 |\n| fact | 事实/决策 | 用户的重要决定 |\n| note | 笔记 | 其他 |\n| lesson | 教训（带severity） | 缺乏风控导致亏损 |\n\n### 交易/投资类型（内置，可按需使用）\n| type | 用途 | 示例 |\n|------|------|------|\n| portfolio | 持仓变动 | 买入某科技股、清仓某消费股 |\n| strategy | 策略规则 | 主线共振策略买点、情绪周期L4 |\n| market-view "},{"path":"_meta.json","content":"{\n  \"ownerId\": \"kn7e4kmh53933414x5vhtrr5hx826wk1\",\n  \"slug\": \"hermes-memory-cn\",\n  \"version\": \"1.4.0\",\n  \"publishedAt\": 1776904796407\n}"},{"path":"references/install.md","content":"# 安装指南\n\n## 前置条件\n- macOS（M系列芯片推荐）或 Linux\n- Python 3.12+（需支持 OpenSSL 3.0+）\n- torch（MPS/CPU均可）\n\n## 安装步骤\n\n### 1. 安装依赖\n```bash\npip3 install sqlite-vec pysqlite3 sentence-transformers\n```\n\n### 2. 下载中文embedding模型\n如果网络能访问HuggingFace：\n```bash\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n如果HuggingFace被墙（中国大陆），设置镜像：\n```bash\nexport HF_ENDPOINT=https://hf-mirror.com\npython3 -c \"from sentence_transformers import SentenceTransformer; SentenceTransformer('shibing624/text2vec-base-chinese')\"\n```\n\n或手动下载：\n```bash\nmkdir -p ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\ncd ~/.cache/huggingface/hub/models--shibing624--text2vec-base-chinese/snapshots/local\n# 用curl从镜像下载config.json, pytorch_model.bin, tokenizer.json, tokenizer_config.json, vocab.txt\n```\n\n### 3. 初始化数据库\n```bash\npython3 scripts/memdb.py stats  # 首次运行自动建库\n```\n\n### 4. 导入现有记忆（可选）\n如果有 Markdown 格式的记忆文件：\n```bash\npython3 scripts/memdb.py import --dir ./entities\n```\n\n### 5. 验证\n```bash\npython3 scripts/memdb.py search \"测试搜索\" --limit 3\n```\n\n## 注意事项\n- Python 3.9 内置 sqlite3 不支持 load_extension，需安装 pysqlite3\n- 推荐用 Homebrew 的 Python 3.12（macOS）：`/opt/homebrew/bin/python3.12`\n- 模型约400MB，首次加载需下载\n- M系列Mac会自动用MPS加速embedding计算"},{"path":"references/integration.md","content":"# AGENTS.md 集成指南\n\n在 AGENTS.md 的 Memory 部分添加以下内容：\n\n```markdown\n### 🧠 记忆系统（Hermes-Memory）\n\n**后端：** SQLite + sqlite-vec + text2vec-base-chinese（768维本地embedding）\n- 数据库：`memory/memory.db`\n- CLI：`/opt/homebrew/bin/python3.12 memory/memdb.py`\n\n**实时写入（每次回复后执行）：**\n检查对话中有没有新的、值得长期记住的信息：\n- 持仓变动（买了/卖了/加仓/减仓/清仓/止盈/止损）→ type=portfolio\n- 策略相关（新策略/改策略/情绪周期/买点卖点）→ type=strategy\n- 教训/纠正（用户纠正你/发现错误/踩坑）→ type=lesson, severity=high\n- 偏好变化（以后用/记住/我喜欢/改用）→ type=preference\n- 隐含信息（新方向/新项目/生活变化/决策）→ type=fact\n- 重要决策 → type=fact\n\n**执行方式：**\n```bash\n# 关键词匹配\n/opt/homebrew/bin/python3.12 memory/memory_tool.py check \"用户说的内容\"\n# 隐含信息直接写入\n/opt/homebrew/bin/python3.12 memory/memdb.py add \"内容\" --type fact\n# 建立实体关系\n/opt/homebrew/bin/python3.12 memory/memdb.py relate \"某科技股\" \"属于\" \"医药板块\"\n```\n\n**回答问题前：** 涉及过往持仓、策略、教训、偏好，先 search 数据库。\n**Cron：** 每晚23点执行 decay + export Markdown备份。\n```\n\n## Cron 配置\n\n每晚23点的记忆整合 cron payload：\n\n```\n【记忆整合】执行以下步骤：\n1. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py decay --days 30` 标记过期记忆\n2. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py export --dir memory/entities` 同步Markdown备份\n3. 检查 memory/daily/ 今天有无新日志，有则用 `memory_tool.py check` 提取关键信息\n4. 更新 MEMORY.md 索引\n5. 运行 `/opt/homebrew/bin/python3.12 memory/memdb.py stats` 确认数据完整\n```"},{"path":"skill-card.md","content":"## Description:\n\nHermes Memory CN gives an AI assistant a local long-term memory layer for storing, searching, organizing, decaying, archiving, importing, and exporting user memories with Chinese-optimized vector search.\n\nThis skill is ready for commercial/non-commercial use.\n\n## Publisher:\n\n[dream978](https://clawhub.ai/user/dream978)\n\n### License/Terms of Use:\n\nMIT-0\n\n## Use Case:\n\nExternal users and developers use this skill to add persistent local memory to an agent, including preferences, facts, portfolio notes, strategies, lessons, and relationship queries. It is especially oriented toward Chinese-language semantic search and local personal knowledge workflows.\n\n### Deployment Geography for Use:\n\nGlobal\n\n## Known Risks and Mitigations:\n\nRisk: The skill can persist broad conversation memories, including preferences, trading details, and other personal context on disk.\n\nMitigation: Use it only for data you are comfortable storing locally, avoid secrets or regulated data, and periodically review or delete stored memories and exports.\n\nRisk: Markdown exports and generated skill drafts may write files that overwrite existing Markdown or instruction content.\n\nMitigation: Restrict exports and drafts to reviewed directories, inspect generated files before promotion, and keep backups for any directories the scripts can write to.\n\n## Reference(s):\n\n- [Installation guide](artifact/references/install.md)\n- [AGENTS.md integration guide](artifact/references/integration.md)\n- [Hermes Agent](https://github.com/NousResearch/hermes-agent)\n- [Hugging Face mirror endpoint](https://hf-mirror.com)\n\n## Skill Output:\n\n**Output Type(s):** [Text, Markdown, Code, Shell commands, Configuration]\n\n**Output Format:** [Markdown guidance with inline shell commands and optional JSON CLI output]\n\n**Output Parameters:** [1D]\n\n**Other Properties Related to Output:** [Produces local SQLite-backed memory records, relationship data, Markdown exports, and skill draft files when the user runs the bundled scripts.]\n\n## Skill Version(s):\n\n1.4.0 (source: release evidence)\n\n## Ethical Considerations:\n\nUsers should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment."}],"languages":[],"docsSourceLabel":"CLAWHUB","editorialOverview":"给AI装一个「人脑级」记忆系统。它能记住你说过的一切重要信息，下次聊天自动想起来。 不用云端、不用API Key、不花一分钱——全部数据存在你自己的电脑上。 说「记住这个」它就记住，问「我上次说了什么」它就找到。自动整理、自动遗忘过时信息。 适合：想让自己的AI助手拥有长期记忆的用户。 触发词：记忆、记住、之前说... Skill: Hermes Memory CN Owner: dream978 Summary: 给AI装一个「人脑级」记忆系统。它能记住你说过的一切重要信息，下次聊天自动想起来。 不用云端、不用API Key、不花一分钱——全部数据存在你自己的电脑上。 说「记住这个」它就记住，问「我上次说了什么」它就找到。自动整理、自动遗忘过时信息。 适合：想让自己的AI助手拥有长期记忆的用户。 触发词：记忆、记住、之前说... Tags: latest:1.4.0 Version history: v1.4.0 | 2026-04-23T00:39:56.407Z | user 新增Skill进化系统：重复模式自动检测(≥3次)、skill草案生成、用户确认升级 v1.3.0 | 2026-04-20T05:02:30.109Z | user 优化文案：通俗语言描述优势，新增与其他方案对比表 v1.2.0 | 2026-04-20T04:5","editorialQuality":{"score":100,"threshold":65,"status":"ready","wordCount":853,"uniquenessScore":56,"reasons":[]}},"media":{"evidence":{"source":"no-media","verified":false,"confidence":"low","updatedAt":"2026-10-11T20:27:33.386Z","emptyReason":"No screenshots, media assets, or demo links are available."},"primaryImageUrl":null,"mediaAssetCount":0,"assets":[],"demoUrl":null},"ownerResources":{"evidence":{"source":"unclaimed","verified":false,"confidence":"low","updatedAt":"2026-10-11T20:27:33.386Z","emptyReason":"This page has not been claimed by the agent owner."},"hasCustomPage":false,"customPageUpdatedAt":null,"customLinks":[],"structuredLinks":{"docsUrl":null,"demoUrl":null,"supportUrl":null,"pricingUrl":null,"statusUrl":null},"customPage":null},"relatedAgents":{"evidence":{"source":"protocol-neighbors","verified":false,"confidence":"medium","updatedAt":"2026-10-12T08:00:56.724Z","emptyReason":null},"items":[{"id":"8ebccd8e-3863-4187-8355-c3f14e1f9edf","entityType":"agent","canonicalPath":"/agent/iofficeai-aionui","slug":"iofficeai-aionui","name":"AionUi","description":"Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!","url":"https://github.com/iOfficeAI/AionUi","homepage":"https://www.aionui.com","source":"GITHUB_REPOS","protocols":["MCP","OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-10-09T19:11:12.944Z","createdAt":"2026-02-25T03:38:16.584Z","downloads":null},{"id":"b917f68a-ebff-438e-84f8-3f4b2494c0bc","entityType":"agent","canonicalPath":"/agent/activepieces-activepieces","slug":"activepieces-activepieces","name":"activepieces","description":"AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents","url":"https://github.com/activepieces/activepieces","homepage":"https://www.activepieces.com","source":"GITHUB_REPOS","protocols":["OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-15T02:22:12.426Z","createdAt":"2026-02-25T03:38:12.412Z","downloads":null},{"id":"5cb26759-3a39-483f-94cf-276a98c13bb8","entityType":"agent","canonicalPath":"/agent/cherryhq-cherry-studio","slug":"cherryhq-cherry-studio","name":"cherry-studio","description":"AI productivity studio with smart chat, autonomous agents, and 300+ assistants. Unified access to frontier LLMs","url":"https://github.com/CherryHQ/cherry-studio","homepage":"https://cherry-ai.com","source":"GITHUB_REPOS","protocols":["MCP","OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-11T14:38:40.986Z","createdAt":"2026-02-25T03:38:19.379Z","downloads":null},{"id":"6f6582d0-5d76-4f0f-b81d-86520247950b","entityType":"agent","canonicalPath":"/agent/copilotkit-copilotkit","slug":"copilotkit-copilotkit","name":"CopilotKit","description":"The Frontend for Agents & Generative UI. React + Angular","url":"https://github.com/CopilotKit/CopilotKit","homepage":"https://docs.copilotkit.ai","source":"GITHUB_REPOS","protocols":["OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-03-25T09:50:57.846Z","createdAt":"2026-02-25T03:39:14.617Z","downloads":null}],"links":{"hub":"/agent","source":"/agent/source/clawhub","protocols":[{"label":"OpenClaw","href":"/agent/protocol/openclew"}]}}}