Memory Master 是一款专为 AI 智能体设计的本地记忆系统，旨在解决传统 AI 在对话中常见的‘记忆健忘’问题。许多 AI 助手无法记住之前的讨论内容，或在搜索信息时因加载整个文件而浪费大量 token，导致效率低下且结果模糊。Memory Master 通过结构化的记忆格式、自动索引同步和启发式召回机制，显著提升了记忆的精准度和响应速度。该系统完全本地化运行，无需依赖外部向量数据库或 API，所有数据保存在用户本地工作区文件中，确保隐私与安全。其核心理念是‘当意识到自己不知道时，立即去查索引’，从而实现主动记忆与学习。 该系统的记忆采用标准化的‘因→改→待’三段式结构，每条记录清晰标明原因、行动和后续任务，便于快速定位和理解。每日记忆以日期命名文件存入 daily/ 目录，并通过 daily-index.md 实现主题级索引；知识库则按技术领域分类存储于 knowledge/ 目录下，由 knowledge-index.md 维护关键字映射。这种设计使得系统在读取时只加载必要内容，避免 token 浪费，同时支持零延迟的上下文恢复。此外，Memory Master 具备自动学习能力：当本地知识不足以回答问题时，会先告知用户并主动进行网络搜索，将新学到的知识写入本地知识库，形成闭环的知识积累流程。 Memory Master v1.2.4 强调透明可控的操作体验——用户可随时查看、编辑或删除任意记忆与知识文件，所有网络调用均需显式授权（如用户说‘我去查一下’），杜绝后台自动上传。系统还提供初始化脚本，能自动迁移原有配置文件（如 AGENTS.md、MEMORY.md）至优化结构，并创建完整的记忆目录体系。无论是日常对话中的上下文延续，还是技术问题的深度解答，Memory Master 都能在不牺牲性能的前提下，让 AI 真正拥有‘照相般’的记忆能力。
核心功能特点
- 结构化记忆格式：采用‘因→改→待’模板，每条记录清晰标注背景、行动与后续任务
- 自动索引同步：写入记忆后自动更新索引文件，实现主题与日期的快速关联
- 启发式主动召回：在上下文缺失时主动触发记忆查询，而非等待用户提醒
- 零 token 浪费读取：仅加载相关片段，避免全量文件解析带来的资源消耗
- 本地知识库 + 自动学习：本地知识不足时自动联网学习，并将新知识写入本地文件
- 完全本地部署：所有数据存于本地 workspace，无需外部 API 或向量数据库
适用场景
Memory Master 特别适用于需要长期维持对话连贯性的智能助手场景。例如，在一个持续数周的软件开发项目中，AI 助手可以准确记住上次讨论的功能模块、已完成的修改以及待办事项，并在后续对话中主动引用这些信息，避免重复提问或遗漏关键细节。当用户提及‘那个 skill’、‘之前的项目’或‘昨天的配置’时，系统能迅速从 daily-index 定位到对应日期的记忆文件，恢复完整上下文，使对话自然流畅。 在知识密集型任务中，Memory Master 表现尤为突出。假设用户询问如何实现 OAuth 认证，而当前会话中并无相关信息，系统不会强行猜测答案，而是先检查本地知识库索引。若未找到对应条目，便会向用户说明‘我还不会，先去查一下’，随后执行网络搜索，将获取的技术方案写入 knowledge/oauth.md，并更新知识库索引。此后同类问题即可直接调用已有知识，形成可持续进化的知识资产库。 对于频繁处理技能操作（如部署服务、调试接口）的 AI 代理，Memory Master 支持技能事件自动记录。每当 skill_complete 或 skill_error 发生时，系统会自动将学习成果或错误解决方案写入知识库，确保每次失败都转化为可复用的经验。结合压缩检测功能（v2.6.3+），系统会在每次响应后提示上下文使用率，督促用户在数据被清理前及时归档重要进展，防止关键信息丢失。这种机制尤其适合高频率交互的自动化工作流，保障 AI 始终基于最新、最准确的记忆做出决策。