aidumei

aiduMEI⚕爱嘟优忆思——智能体通用智慧引擎

aidu Memory Engine Insight

不只是记忆 — 是洞察。

记忆不是记事，而是不忘过往的点点滴滴； 洞察不是看见，而是看懂每一条记忆为何被想起； 引擎不是工具，而是让 AI 会记忆、会思考、会进化。

中文 | 📖 English

---

aiduMEI 是什么？

aiduMEI（爱嘟优忆思，aidu Memory Engine Insight）是一个智能体通用智慧引擎（AI Wisdom Engine）—— 为 AI Agent 提供持久化记忆、推理与可视化洞察能力。它承载着一套完整的认知架构，让 AI 会记忆、会思考、会进化，并通过自带的控制台让一切可见、可调、可追溯。

当前版本 v20.0 —— 架构版：记忆域隔离 · 可复现评测 · 最小权限。 详细的逐版演进请看 CHANGELOG；这一页只讲现在是什么。

品牌演进：aiduMEM（优忆思）→ aiduMEI⚕爱嘟优忆思。从一个记忆中间件，升级为带可视化洞察的智能体通用智慧引擎。"爱嘟"是用户与 AI 助手的亲密呼唤，"优忆思"是记忆·思考·洞察的三重承诺。

基于 mem0 构建，aiduMEI 在其之上搭建了逐版生长的认知体系：

---

为什么 v20.0 是一次大版本

上一版 v19.5.0 和这一版，改的不是同一层东西。

三条理由，一条比一条硬：

① 记忆不再是一个大池子 —— 而且这不是「加个字段」。

v19 之前，「这条记忆属于谁、属于哪个领域」是靠 source / agent_id 这类渠道标记兼职表达的。但渠道不是所有权。两个互不相干的记忆域一旦撞上同一个键，后写的直接盖掉先写的 —— 两边都不报错，没有任何日志，没有任何计数会变，先写的那条就那么没了。

v20 把「作用域」从一种约定变成一份契约：写、查、删、恢复、统计、反馈、后台任务、事件账本、毕业链、人格画像 —— 每一条在线读写路径都必须显式说出自己在哪个域上工作，说不出来的在取数之前就抛错，绝不静默降级成全库扫描。

迁移全程 additive：存量数据一行没改、一行没删，老数据一律落 default 域，键的形状与 v19 逐字相同。

② 评测从「自己说」变成「可复现协议」。

新增 benchmarks/：数据集、模型、judge、prompt、seed、文件哈希全部锁死留证，适配器走真实 HTTP 契约而不是进程内捷径 —— 否则测的是自己的函数，不是这个服务。oracle 只作检索上限诊断，不进 headline。

③ 发货的部署物不再默认以 root 运行。

systemd 单元与容器镜像全程 root 是既成事实。本版把两个单元降到专用账号、容量能力清零、文件系统只读、系统调用受限。生产实机前后对照（都由 systemd-analyze 自己算）：暴露分 9.6 UNSAFE → 1.7 OK，capability 41 项 → 0 项。

---

为什么不再用希腊神话命名

从 v9 到 v19，每个大版本都有一位神：Mnemosyne、Chronos、Aegis、Pantheon、Zeus、Athena…… 神格即架构，这套命名帮我们把架构讲清楚过，它没有错，只是长到了该退场的位置。

退场有三个具体理由，都不是审美问题：

一、代号爬进了机器契约。 代号本该只是给人看的诗意，但它渗进了模块名、日志前缀、健康探针的键名。于是「换个代号」不再是改文案，而是动一次机器契约 —— 生产侧的日志采集按前缀过滤，改名之后服务照常起、日志照常写，只是再也没被采集到。这类改动的代价和它的收益完全不成比例。

二、版本号读不出轻重。 v19.4.2 这样的四段式再挂一个代号，读者无法判断哪个是大版本、哪个是补丁。而版本号的第一职责就是回答这个问题。

三、神格是承诺，堆多了就还不上。 十几位神并列时，每一位都在暗示「这里有一套完整的能力」。但真实的软件是有的地方厚、有的地方薄 —— 用神名把薄的地方也说得很厚，是一种不易察觉的过度宣称。

所以自 v20.0 起：版本号回归两段式，运行时不再设代号。

但这不是否认历史 —— 下方〈诸神谱系〉整张表都留着，因为那些名字对应的能力一个都没删，全都还在跑。它们从"运行时的身份"退回"演进史里的路标"，各归其位。

---

和同类记忆系统比，我们强在哪、弱在哪

先说结论：我们和「零依赖纯本地」那一类，不是同一种产品，不存在谁追赶谁。它们优化的是「一个 pip 装完、不联网、亚毫秒」；我们优化的是「多租户、可治理、每一次改动都留账」。

能力面（定性）

⚠️ 一句必须说清的边界：多租户 ≠ SaaS 安全边界。 aiduMEI 是一个单机自托管引擎。租户维度分的是同一个部署内部不同 Agent / 身份的记忆归属， 它不是用来把互不信任的外部客户放进同一台机器的隔离层。想要那种隔离，请一个客户一个部署实例。 我们把这句写在这里，是因为「租户」这个词很容易被过度理解 —— 而过度理解会带来真实的安全误判。

我们连外部模型换到了什么

这是个取舍，不是缺点，值得说清楚：

• 重排 ≠ 加权融合。 加权融合是把已有的分数加一加；cross-encoder 重排是把问题和文档放在一起重读一遍再打分。长文档检索上这一步通常值 10–20 个点。
• 嵌入模型的档位差是实的。 要塞进「零依赖 + 亚毫秒」，嵌入模型必然是小模型。我们用 bge-m3（1024 维、多语言、中文尤强）。
• LLM 换来了抽取质量。 零依赖意味着没有 LLM，那么「自动整合/总结」只能靠规则或截断。我们的事实抽取、冲突消解、治理评估都由 LLM 承担。

代价我们也照实说：要联网、有延迟、有 API 成本。 想要完全离线、亚毫秒的场景，那一类确实更合适 —— 这句话我们不遮。

读别人的数字时请注意口径

不针对任何一家，这是所有自公布跑分的通病，下面两条都是拿对方自己页面上的两个数字互相对照：

两点结论：

1. 1ms 是数据库裸读一条记录，不是一次语义检索。 你不可能在 1ms 内跑完一次 cross-encoder 重排或一次 LLM 抽取 —— 那个数字本身就是「没做这些」的收据。
2. Recall@k（找得到）和端到端准确率（答得对）不是同一个指标，公开资料里两者常差 30 个点以上。而且一个指标做到接近 99% 通常意味着它已经饱和、失去区分度 —— 拿饱和指标当头条是一种选择。

---

关于跑分：我们的态度

本版没有跑分，所以本页不宣称任何分数。

我们也在积极准备自己的跑分，像其他友商一样努力 —— 区别在于我们打算连复现方法一起交出去。

评测协议已经就位（benchmarks/）：数据集、模型、judge、prompt、seed、文件哈希全部锁定留证，适配器走真实 HTTP 契约。也就是说我们公布分数的那一天，你拿同一份协议应该能跑出同一个数 —— 这才是我们认为分数唯一有意义的形态。

为什么我们宁可先交白卷也不先放个数字：

• 这一版的规矩就是「宣称即承诺」。 我们甚至为了一句措辞专门拆掉过一条断言 —— README 里那句「全轴齐备：推导值，从未实测」在我们真跑出来之后变成了假话，于是当天就改成带日期的实测值。在同一页放一个猜的分数，是自己拆自己的台。
• 第一次跑分的价值是暴露问题，不是拿分数。 开发中我们反复见过「看着能用、实际空转」：推理模型在 token 上限下每题返回空、成绩单却报 0 错误；嵌入维度参数出厂就带着错的发货。真跑分大概率先炸出几个这类问题，第一次的数会明显低于第二次 —— 那也是它该有的样子。

近期完成正式跑分，届时公布完整可复现记录（含失败项，不只贴好看的）。

---

30 秒上手

方式一：Docker 容器运行（GitHub Packages / GHCR）

docker pull ghcr.io/monkey2jack/aidumei:latest
docker run -d -p 8767:8767 --name aidumei ghcr.io/monkey2jack/aidumei:latest

方式二：源码克隆运行（含控制台）

# 1. 克隆
git clone https://github.com/monkey2jack/aiduMEI.git
cd aiduMEI

# 2. 创建虚拟环境
python3.12 -m venv venv
source venv/bin/activate

# 3. 安装依赖
pip install -r requirements.txt

# 4. 配置（复制并编辑）
cp mem0_config_local.json.example mem0_config_local.json
# 编辑 mem0_config_local.json，填入你的 LLM 和 Embedding API Key

# 5. 启动
python api_server.py
# API 运行在 http://localhost:8767
# 控制台打开 http://localhost:8767/ui/

💡 想让相关性闸门认得你自己的人名/项目代号？把它们填进环境变量 AIDUMEM_ENTITY_KEYWORDS，用 | 分隔，重启即生效。

---

📦 部署要求——轻到能塞进一台入门云主机

大家关心的问题：这套东西部署起来重不重、要多少内存 CPU、体积多大？答案是：非常轻。 这本身就是 aiduMEI 的一个设计亮点。

为什么这么轻，是刻意设计：

• 向量库嵌入式落盘，不起独立服务：Qdrant 走 path: ./data/qdrant 本地模式，无独立进程、无 Docker、无额外端口——省掉一整套向量数据库运维。
• 算力外包：LLM、Embedding、Rerank 全部通过 OpenAI 兼容 API 外部调用，本机不加载任何大模型权重，因此不吃 GPU、不吃大内存。
• 相关性闸门先拦一道：日常闲聊不触发检索，Token 与算力消耗直接省掉一个量级。
• SQLite + FTS5 兜底：结构化知识与全文搜索用零依赖的 SQLite，向量服务超时可热切换到本地全文搜索，不会因为向量库抖动而全盘瘫痪。

一句话：一台 1 核 1G 的入门云主机即可跑起来，2 核 2G 从容有余。 重量级的部分（大模型推理）都在云端 API，本地只是一个轻巧的记忆与检索大脑。

---

架构

┌──────────────────────────────────────────────────────────┐
│           aiduMEI⚕爱嘟优忆思 v20.0            │
│              FastAPI REST API :8767                       │
│              控制台 /ui :8767（自带静态托管）              │
│              MCP Server :8768 (41 tools)                  │
├──────────────────────────────────────────────────────────┤
│  v19.3 Engine    → 注入防护 · WAL多仓级联 · 统一打分 · 动态健康
│  Athena          → Reflect反思 · 自编辑 · 精炼 · Skill生长 · 人格基座 │
│  Core (HOT)      → 搜索、添加、CRUD、健康检查              │
│  v8 Pipeline     → 点火 · 工作区 · 广播 · 镜鉴 · 会话      │
│  Clotho/Hyperion → CoreMemory · 检查点 · AutoDream       │
│  Extended        → 15脉外延：自动记忆 · 过期 · 统计        │
│  Federation      → 多 Agent 联邦 · MoE 门控 · 四级降级     │
│  Octopus         → 冲突消解 · 树状记忆 · 技能结晶          │
│  Zeus            → 原味抽屉 · 代码图谱 · 检索自进化         │
│  Themis          → 事件账本 · 敏感分档 · 治理审计          │
│  aiduMEI 控制台  → PULSE · VAULT · MAP · RECALL · EVOLVE · SETTINGS │
├──────────────────────────────────────────────────────────┤
│  mem0 (向量记忆) + Qdrant (向量存储)                       │
│  facts.db (结构化知识 · FTS5 trigram 全文搜索)             │
│  EvolveMem 检索自进化引擎 (后台自动衰减/提权)               │
└──────────────────────────────────────────────────────────┘

---

aiduMEI 的独特之处

🖥️ 自带可视化控制台（v18.2 全新）

别家的记忆引擎给你一坨 API，自己写前端。aiduMEI 把控制台焊在后端里——克隆即用，六个面板覆盖记忆引擎的完整生命周期。RECALL 追忆面板是灵魂：它不只告诉你"存了什么"，而是用召回漏斗 trace 给你看"它凭什么想起这条"——候选池 8 条 → 点火 → 去重 → 时间衰减 → 最终 3 条，每步耗时与命中数全可见。纯静态前端，不装 node、不打包、不编译（MAP 星图面板用到 ECharts CDN，离线环境该面板降级）。

🔮 相关性闸门（Tahoe-Gate）

普通 RAG 系统对每条消息都去搜索记忆。aiduMEI 的相关性闸门（GET /gate）用启发式 + 动态实体匹配判断当前消息是否真的需要记忆检索。日常闲聊直接跳过检索 → 省掉无谓的向量召回开销，节省 Token 与算力。宿主 Agent 在注入记忆上下文前先问一句闸门即可。

🌊 潮浪并忆（Mnemosyne Tidal）

短消息不逐条调用 LLM。异步缓冲后按 session 分组，一次 LLM 调用处理多条。Tech / intimate / default 三档策略，快冲慢攒各取所需。

⏳ 三轨遗忘曲线（Ebbinghaus Decay）

记忆有保质期。Identity 和 Preference 是永久轨道（零衰减），Emotion 是加速衰减（1.5 倍），一般事实按标准遗忘曲线自然消退。让 AI 学会忘记不重要的事。

🕰️ 克罗诺斯双时间轴（Chronos Dual Timeline）

valid_from / valid_to 时间窗口：过期事实降权但不删除，未生效事实排在后面。所有铁律类记忆永不过期。

⚡ 原味抽屉（Raw Drawer — Zeus v18.0）

借鉴 MemPalace (58k⭐) 的 Verbatim Storage 理念。零 LLM 直存原始文本——代码片段、完整对话、原始日志，绕过 LLM 总结，一字不丢。FTS5 全文索引 + Qdrant 向量 + facts 登记，三路并行。

🔍 代码图谱（Code Graph — Zeus v18.0）

借鉴 code-review-graph (29k⭐) 的 AST 爆炸半径分析。用 Python 标准库 ast 解析项目依赖关系，改一个文件一秒告诉你影响范围。

📈 检索自进化（EvolveMem — Zeus v18.2）

借鉴 SimpleMem (3.7k⭐) 的进化理念。用户可对每次检索结果打分（useful / useless / correction），后台每 6 小时自动计算衰减/提权。高频优质词条自动沉淀，低质词条温柔降权。闭环反馈，越用越聪明。

🏛️ 万神殿联邦记忆（Pantheon Federation）

借鉴 MoE（Mixture-of-Experts）思想：底层建成完整的多 Agent 联邦基础设施，日常只激活当前 Agent 的热通道。

• 联邦身份：每条记忆都带 agent_id / profile / shared，多 Agent 共用一套库互不污染
• MoE 门控：默认走热通道（一次 SQL，5ms 级）；仅在显式请求时才唤起其他 Agent
• 四级无缝降级：L1 本 Agent → L2 分层加权 → L3 同 profile 联邦 → L4 跨 profile 全局
• 写入去重：Jaccard 三态判定——≥0.85 合并、≥0.70 更新、<0.70 新增

🐙 冲突消解与技能结晶（Opus Octopod — v16.0）

• ConflictResolver：域名迁移、名称变更自动检测 + 旧值降权。双时间轴失效而非删除，保留完整历史
• TreeMemory：node_path 层级追溯，事实挂载到树状节点，支持向上追溯祖先
• SkillCrystallizer：后台自动感知高频重复事实，提炼为 Skill 候选。LLM 只能建议，人工 approve 才生效

🛡️ 埃癸斯护盾（Aegis — v14.0）

仓库里没有任何硬编码的身份、绝对路径、服务器地址或密钥。一切可变项走环境变量注入。克隆到任何目录、任何机器，python api_server.py 直接跑。

🌈 伊里斯彩虹桥（Iris — v15.0）

aiduMEI 提供 Hermes Agent 官方 MemoryProvider 插件，拿到全套生命周期钩子——turn 开头注入常驻块与相关检索、每轮后台归档、压缩前把即将丢掉的对话先落进长期记忆、镜像宿主内置 MEMORY.md 写入、三个可直接调用的工具。

cp -r integrations/hermes-plugin/aidumem ~/.hermes/plugins/
hermes config set memory.provider aidumem

🔧 零配置混合检索

BM25 trigram（零延迟兜底） + 向量嵌入 + Reranker 重排序 + 召回漏斗相关性排序。向量服务超时自动热切换到本地全文搜索。

---

核心接口

记忆操作

控制台配置（v18.2 新增）

前端控制台以 /api 为调用根（API.base = '/api'）。后端挂了一个 /api 别名子应用，让 /api/stats、/api/config 等直接命中扁平路由，无需改前端。访问 / 自动重定向到 /ui/。

多模态视觉记忆（Zeus v18.3）

/add 原生支持多模态：传入 media_url 或 image_url，后端自动调用 OpenAI 兼容 Vision API 生成图片描述（vision_caption）并入库。支持三种图片输入：

{
  "messages": [{"role": "user", "content": "这张照片是我拍的海边日落"}],
  "metadata": {
    "media_url": "https://example.com/sunset.jpg",
    "category": "moment"
  }
}

• 远程 URL：https://...
• Data URI：data:image/jpeg;base64,...
• 纯 Base64：/9j/4AAQ...（自动补齐 data 前缀）

Vision 模型在 mem0_config_local.json 的独立 vision 配置段指定（缺省 fallback 到 llm 段）。

Obsidian 双链联动（Zeus v18.3）

无损秒级升级（Zeus v18.3）

基于 PRAGMA user_version 的 schema 版本化机制，代码更新与数据重构彻底解耦：纯逻辑更新直接重启生效，表结构变更在启动瞬间以 ALTER TABLE ADD COLUMN 毫秒级完成，不破坏任何存量数据。详见 Fast-Update SOP。

代码图谱（Zeus v18.0）

检索自进化（Zeus v18.2）

八爪鱼治理（Opus v16.0）

🦉 Athena 认知层（v19.0 新增）

🎭 人格记忆基座（Persona Memory Layer · v19.0）

万神殿联邦（Pantheon v13.0）

示例

# 搜索记忆
curl -s -X POST http://localhost:8767/search \
  -H "Content-Type: application/json" \
  -d '{"query": "我之前说过项目截止日期是什么？", "user_id": "me", "limit": 5}'

# 带召回漏斗 trace 的搜索
curl -s -X POST http://localhost:8767/search_trace \
  -H "Content-Type: application/json" \
  -d '{"query": "张伟的职业是什么", "user_id": "default", "limit": 3}'

# 添加记忆
curl -s -X POST http://localhost:8767/add \
  -H "Content-Type: application/json" \
  -d '{"messages": "[{\"role\":\"user\",\"content\":\"项目截止日期是3月15号\"}]", "user_id": "me"}'

# 原味抽屉——直存代码片段，不走 LLM
curl -s -X POST http://localhost:8767/add/raw \
  -H "Content-Type: application/json" \
  -d '{"content": "def hello(): print(\"Hello World\")", "source": "my_script.py", "user_id": "me"}'

# 读取模型配置（控制台用）
curl -s http://localhost:8767/config | python -m json.tool

---

接入 Hermes Agent

两种方式不要同时开（会重复注入白烧 token）。完整步骤、验证方法与回滚见 integrations/INTEGRATION_GUIDE.md。

⚠️ 安全：aiduMEI 服务自身不做鉴权，默认只监听 127.0.0.1。要跨机访问请在前面挂带认证 + TLS 的反向代理，别把服务直接暴露到公网。

---

MCP Server（41 工具）

aiduMEI 内置 MCP Server（:8768），暴露 41 个工具，分组如下：

---

IDE 集成

Cursor

# 将规则文件复制到项目
cp integrations/cursor-hook/cursor-aidumem.mdc .cursor/rules/

# 文件保存时自动存入 Raw Drawer
cp integrations/cursor-hook/aidumem-on-save.sh .git/hooks/post-commit

Claude Code

python integrations/cursor-hook/claude-code-hook.py store --file my_code.py
python integrations/cursor-hook/claude-code-hook.py search --query "database connection"
python integrations/cursor-hook/claude-code-hook.py impact --file ducky/utils.py

---

技术栈

• 运行时：Python 3.12+、FastAPI、Uvicorn
• 记忆内核：mem0 v2.0.18
• 向量存储：Qdrant（通过 qdrant-client）
• 结构化数据：SQLite（facts.db、observations.db、scenes.db、fact_events.db）
• 全文搜索：SQLite FTS5 + trigram 分词器
  • 中文切词策略（v19.4.1 P1-2 更正）：trigram 分词器索引的是 3 字符窗口，因此中文查询按 3-gram 切词才能命中索引。v19.4.0 及之前切 2-gram，与索引失配——中文查询实际一直落在 LIKE 全表扫描上（20 万条原文实测稀有词 32.8 ms）。现已对齐，同量级降至 0.05 ms。
  • trigram 的固有边界：不足 3 字的查询（如「祖母」）无法用 trigram 表达，由 LIKE 兜底。这是分词器定义决定的，不是缺陷；召回结果的 _recall_path 字段（fts / like）会如实标注本次真走的哪条路，降级不再静默。
• 向量化：可配置（兼容 OpenAI Embedding API）
• 重排序：可配置（兼容 OpenAI Rerank API · 多 provider 抽象：OpenAI-compatible / Jina / Cohere）
• 大模型：兼容任何 OpenAI 格式的 API
• MCP：fastmcp stdio + HTTP 双模
• 控制台：零依赖纯静态（HTML + CSS + 原生 JS + ECharts CDN），由后端 /ui 直接托管

---

配置说明

aiduMEI 从 mem0_config_local.json 读取配置。主要字段：

{
  "llm": {
    "provider": "openai",
    "config": {
      "model": "你的模型",
      "api_key": "你的密钥",
      "openai_base_url": "你的接口地址",
      "is_reasoning_model": false,
      "reasoning_effort": "none"
    }
  },
  "embedder": {
    "provider": "openai",
    "config": {
      "model": "your-embedding-model",
      "api_key": "你的密钥",
      "openai_base_url": "你的接口地址"
    }
  },
  "rerank": {
    "enabled": true,
    "provider": "openai_compatible",
    "config": {
      "model": "你的重排模型",
      "api_key": "你的密钥",
      "openai_base_url": "你的接口地址"
    }
  },
  "vector_store": {
    "provider": "qdrant",
    "config": {
      "path": "./data/qdrant",
      "embedding_model_dims": 1024
    }
  }
}

💡 LLM 的 is_reasoning_model: false + reasoning_effort: "none" 是刻意写死关闭的——记忆提取需要快速直答，不需要深度推理。控制台 SETTINGS 面板的"思考模式"区块只读展示这一状态。

---

环境变量

v14 Aegis 起，所有与部署环境相关的可变项都通过环境变量注入，全部可选——不设置就走安全默认值。

完整清单连注释见 .env.example，cp .env.example .env 起步。

---

测试与质量

# 全量回归
pytest tests/
# 编译检查
python -m compileall ducky api_server.py mcp_server.py

测试层级如实说明（v19.4.1 P3-3）

为什么要把 1099 和 1110 都写出来：同一份测试集在不同环境下跑出不同数字，只报其中一个都会误导读者。 1099 是本机实测；1110 是按轴推导（1111 减去 git 工作区那条轴）—— 最后一次真实沙箱实测是 859， 跑在 v20.0 提交树上，那时总数是 860。哪个数是实测、哪个数是推导，必须逐个交代清楚。 引用测试数字时请连带说明运行环境 —— 这本身就是「宣称即承诺」纪律的一部分。

跳过不止一条轴（v20.0 实测补正）：此前这一段只认「宿主 Hermes 源码」一条轴，于是把「全绿」 当成了装上宿主就能拿到的东西。生产实跑打脸 —— 沙箱里宿主明明在场，跑出来仍有 1 条跳过。 全量普查后，跳过其实有九条互不相干的轴：

跳过轴	门控用例数	位点
宿主 Hermes 源码	12	tests/test_hermes_plugin.py 整份
git 工作区	1	tests/test_v20_brand_policy.py（要 git ls-files 当比对基准）
scripts/backup_gate.sh + POSIX shell	7	tests/test_v19_4_1_backup_gate.py 整份
qdrant_client 已安装	1	tests/test_v20_vector_bank_contract.py
LoCoMo 数据集已就位	1	tests/test_v20_locomo_official.py（全量数据集扫描要真文件）
regex 已安装	1	tests/test_v20_locomo_official.py（拿 regex 给标准库 re 对拍）
numpy 已安装	1	tests/test_v20_locomo_official.py（拿 numpy.mean 给 sum/len 对拍）
nltk 已安装	13	tests/test_v20_locomo_official.py 与 tests/test_v20_benchmarks.py（官方 F1 的 PorterStemmer，换实现就不是官方口径）
git 可执行文件在场	6	tests/test_v20_gitignore_guard.py 整份（拿一个临时空仓当 ignore 判据，不碰本仓的 .git）

开发机缺第一条 → 1099 + 12；生产机沙箱缺第二条（白名单拷贝没有 .git）→ 1110 + 1。

「1111 全绿」现在是实测值了（2026-08-24，生产实机九轴齐备、0 跳过）。这一行的来历值得留着： 更早的一版 README 把它写成「生产实跑核验」，而它恰恰被自己引用的那次生产实跑当场证伪； 于是改成「推导值，从未实测」，并配了一条会随环境失效的断言把这句话钉住 —— 真有一天齐备了，那条断言就该红。它在 2026-08-24 按设计红了，这一行才换成实测值。 绝对措辞必须经得起自己引用的那次测量：先让它可证伪，再谈它是真的。 注意这台实机不是上面那行的「沙箱」（沙箱是不含 .git 的白名单拷贝），两个数不是同一棵树。

⚠️ 这一行说的是沙箱，不是线上部署树（v20.0 部署前踏勘发现）：线上那棵树里躺着一份陈旧的 .git（早年 clone 留下的，如今靠文件拷贝更新，索引早已落后于代码），所以 git 工作区这条轴 在那里不会跳 —— 它会拿一份过期的 git ls-files 当基准去比对，那是另一种错，不是同一个数。 上一版把这行叫「生产部署树」，行名和它自己的括注（「生产机沙箱实测」）当场互相矛盾，而我一直 没看见。测的是哪棵树，就只许报哪棵树。

这 12 条不是玄学，自己就能验（v19.4.2 补）：它们全在 tests/test_hermes_plugin.py， 跳过条件是宿主 agent/memory_provider.py 找不到。HERMES_SRC 三态可控，两个方向都能复现：

pip install -r requirements-dev.txt                            # 跑测试要 pytest；requirements.txt 里不含它
pytest tests/ -q -rs | tail -1                                 # 无宿主：1099 passed, 12 skipped
HERMES_SRC=/path/to/hermes-agent pytest tests/ -q | tail -1    # 有宿主：1111 passed
HERMES_SRC=none pytest tests/ -q -rs | tail -1                 # 装了宿主也强制关掉，照旧 1099 passed, 12 skipped

「跳过」必须能被复现成「通过」，反过来也必须成立。机器上恰好装着宿主时（/hermes/hermes-agent 会被自动发现，我们自己的生产机就是这样），上面第一条命令跑出来其实是 1110 passed、1 skipped （这个数是按轴推导的：最后一次真实沙箱实测是 859 passed、1 skipped，跑在总数 860 的 v20.0 提交树上）—— 剩下那 1 条卡在 git 工作区那条轴上（沙箱是白名单拷贝，树里没有 .git）。上面代码块里的 有宿主：1111 passed 要九条轴同时齐备才拿得到 —— 2026-08-24 在生产实机上已经实测到 （九轴齐备、0 跳过）。但别把「装上宿主」当成「全绿」：宿主只是九条轴里的一条。 没有 HERMES_SRC=none 这一档，读者根本无法在自己机器上把我们宣称的「12 跳过」复现出来。 双向可复现才叫可证伪：一个你没法让它跳过的「跳过」，和一个你没法让它通过的「通过」，同样不可信。

另外：HERMES_SRC 指向的路径若不含 agent/memory_provider.py，会直接报错， 而不会静默回退到自动发现的路径 —— 指了 A 却在测 B 还给绿灯，是最难发现的一种假绿灯。

为什么把这些写清楚：v19.4.0 的 README 只写「全量测试 244 通过」，读者会理解为端到端保障。但 244 用例 0.88 秒跑完，显然不含任何真实外部依赖。更关键的是——v19.4.0 的幂等去重测试是绿的，却只覆盖了带显式时间戳的 list[dict] 载荷，而生产实际走的是无时间戳的纯字符串载荷，真 bug 就从这条缝里带着绿灯上线了。

因此 v19.4.1 起执行反假绿灯纪律：涉及载荷形态、凭据形态、查询形态的测试一律多形态并测；性能与索引类断言必须校验 _recall_path 这类自证字段，而不是只看「有没有命中」。

---

已知例外与本版不覆盖

(user_id, bank_id) 作用域契约覆盖的是在线读写路径。以下三处是本版明确不覆盖的边界，写在这里，而不是留给读者自己在生产上撞：

边界的边界：例外 1、2 都不会导致跨域读到别人的数据 —— 1 由唯一索引兜底（写入永不改写归属列），2 不进用户检索路径。例外 3 的影响是「域标签不准」，不是「域与域之间串了」。

这一节的存在本身是一条纪律：只要 README 出现绝对化的隔离表述，就必须同时挂一份已知例外清单。声称「全量」而不列例外，等于把边界留给用户在生产上撞 —— 那正是这个项目反复付过学费的失败形态。

---

🖥️ aiduMEI 控制台（全新）

v18.2 起自带可视化控制台 —— 不再是纯 API 服务，而是一个"看得见记忆如何被想起"的引擎。

aiduMEI 内置一个轻量 Web 控制台，由后端直接托管在 /ui，无需单独部署前端（纯静态 HTML/CSS/JS，仅 MAP 星图面板用到 ECharts CDN）。六个面板覆盖记忆引擎的完整生命周期：

本仓不随附界面截图——截图会随版本迅速过时，且容易把演示数据当成产品承诺。下面用文字说明每一屏实际显示什么；服务起来后访问 /ui 即可自行验证。仓库内 tools/shot.js 是我们自己用的面板截屏脚本（CDP 驱动、支持滚动容器），需要出图时可直接用。

PULSE — 脉搏

服务健康与版本代号；11 个核心模块逐个探针（在线 / 降级 / 离线，降级会指名是哪一个模块，不是「服务活着就绿」）；四层记忆各自的存量与容量水位。

VAULT — 记忆库

语义检索（向量召回 + 重排打分，结果带分数与来源域）；6 个知识域的分类家底（每域实际条数）；最近写入的事实流，时间倒序、可按域筛。

MAP — 知识域星图

ECharts 力导向图，核心 / 知识域 / 分类 / 实体四类节点按真实库存量渲染，滚轮缩放、拖拽节点、悬停查看该节点下挂的事实条数与样例。

RECALL — 追忆漏斗

这一屏是 aiduMEI 最想做好的地方：别家的记忆面板只给你"存了什么"，这里给你"它凭什么想起这条"。

候选池 → 🔥 点火 → 去重 → 时间衰减 → 最终，五个阶段每一步的耗时与进出条数都摆在面上：进来多少、被谁筛掉、剩下多少、最终为什么是这几条。零命中时同样出图——空结果也是结果，能看见空在哪一步发生。

EVOLVE — 检索自进化

7 天检索质量看板：查询数、平均命中数、平均得分、零命中数四条曲线；下方是进化周期日志（每轮调了什么、依据是什么）与用户反馈信号。

SETTINGS — 模型配置

LLM / Embedding / Reranker 配置只读展示，api_key 自动脱敏——面板刻意不提供改密钥的入口，配置只走服务端文件与环境变量；另有思考模式状态、可调参数、核心模块探针、联邦成员列表。

---

诸神谱系

aiduMEI 的大版本曾以希腊神祇命名，神格即架构。自 v20.0 起版本号回归两段式、不再设代号——诸神留在谱系里作历史。

完整版本演进史 →

---

仓库结构

aiduMEI/
├── api_server.py          # 主入口（API + /ui 控制台托管）
├── ducky/                 # 业务逻辑（各神祇模块）
│   ├── hot/               #   搜索/健康/遗留端点
│   ├── pipeline/          #   相关性闸门
│   ├── speed/             #   潮浪合并/速度优化
│   ├── salience/          #   显著性/车道衰减
│   ├── federation/        #   万神殿联邦
│   ├── evolve_mem.py      #   检索自进化
│   ├── routes_config.py   #   控制台 /config 路由
│   └── ...
├── frontend/              # aiduMEI 控制台（零构建纯静态）
│   ├── index.html
│   ├── css/style.css
│   ├── js/                # api.js · panels.js · main.js
│   ├── js/vendor/         # echarts（本地随包分发，不依赖外部 CDN）
│   ├── *.png              # 六面板图标 + logo
│   └── dev_server.py      # 本地开发代理（可选）
├── tests/                 # 回归测试集（pytest）
├── tools/                 # 开发工具（截屏脚本等）
├── seed_demo.py           # 脱敏演示数据种子（虚构人物/公司）
├── seed_facts.py          # 知识树事实种子（6 域 28 条）
├── mem0_config_local.json # 模型配置（gitignored，含密钥）
└── requirements.txt

---

_{aiduMEI⚕爱嘟优忆思｜Powered by monkey²}