📄 工具详情 ⚙️ 安装教程 📚 使用教程

能力标签

🔌 MCP 🤖 Agent 🔄 工作流 🐳 Docker 💻 CLI 🔗 REST API 🧬 Embedding 🧠 Claude ✨ GPT 🖥 本地 LLM

🔌

MCP工具

超级本地记忆工具

Q: superlocalmemory 如何安装和开始使用？

访问 superlocalmemory 的 GitHub 仓库或官方网站，按照 README 文档中的步骤安装依赖并运行。通常需要 Python 3.8+ 或 Node.js 16+ 基础环境。

Q: superlocalmemory 是否免费？许可证是什么？

superlocalmemory 完全免费，采用 AGPL-3.0 许可证开源发布，任何人都可以免费使用、修改和分发。

Q: superlocalmemory 适合哪些用户使用？

superlocalmemory 主要面向有一定技术基础的用户，包括开发者、数据分析师、AI 工程师等专业人士。

Q: superlocalmemory 的社区活跃度和项目维护状况如何？

superlocalmemory 在 GitHub 上已获得 157 个 Star，处于积极发展阶段，社区在持续扩大。

基于 Python · 让 AI 助手直接操作你的系统与工具

英文名：superlocalmemory

⭐ 157 Stars 🍴 21 Forks 💻 Python 📄 AGPL-3.0 🏷 AI 7.5分

7.5AI 综合评分

mcpagent-memoryagent-reliabilityai-agentsclaude-codecursor

⬇ 下载源码（GPL） ⚙️ 配置说明

✦ AI Skill Hub 推荐

超级本地记忆工具是 AI Skill Hub 本期精选MCP工具之一。综合评分 7.5 分，整体质量较高。我们推荐使用将其纳入你的 AI 工具库，帮助提升工作效率。

📚 深度解析

超级本地记忆工具是一款基于 MCP（Model Context Protocol）标准协议的 AI 工具扩展。MCP 协议由 Anthropic 开发并开源，旨在建立 AI 模型与外部工具之间的标准化通信接口，目前已被 Claude Desktop、Claude Code、Cursor 等主流 AI 工具采纳。

通过安装超级本地记忆工具，你的 AI 助手将获得额外的工具调用能力，可以用自然语言直接操控该工具的功能，无需学习复杂的命令行语法。MCP 工具的核心价值在于"一次配置，永久增强"——配置完成后，每次与 AI 对话时都可以无缝调用这些工具。

在技术实现上，MCP 工具通过标准的 JSON-RPC 协议与 AI 客户端通信，工具的功能以"工具列表"的形式暴露给 AI 模型，AI 可以按需调用。超级本地记忆工具提供了结构化的工具调用接口，使 AI 模型能够精确地理解和使用每个功能点，显著降低 AI 在工具使用上的错误率。

与传统的 API 集成相比，MCP 工具的优势在于无需编写代码——用户只需在配置文件中添加几行 JSON，即可让 AI 获得全新能力。AI Skill Hub 将超级本地记忆工具评为 AI 评分 7.5 分，属于同类工具中的优质选择。

📋 工具概览

超级本地记忆工具是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。

GitHub Stars

⭐ 157

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

AGPL-3.0

AI 综合评分

7.5 分

工具类型

MCP工具

Forks

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

📌 核心特色

通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
提供结构化工具调用接口，显著降低 AI 集成复杂度
支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
可与其他 MCP 工具组合叠加，构建完整 AI 工作站
轻量无侵入设计，不影响现有系统架构

🎯 主要使用场景

在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
将多个 MCP 工具组合使用，构建个人专属 AI 工作站

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：通过 Claude Code CLI 一键安装
claude skill install https://github.com/qualixar/superlocalmemory

# 方式二：手动配置 claude_desktop_config.json
{
  "mcpServers": {
    "--------": {
      "command": "npx",
      "args": ["-y", "superlocalmemory"]
    }
  }
}

# 配置文件位置
# macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
# Windows: %APPDATA%/Claude/claude_desktop_config.json

📋 安装步骤说明

确认已安装 Node.js（v18 或以上版本）
打开 Claude Desktop 或 Claude Code 的 MCP 配置文件
按「交给 Agent 安装 → Claude Desktop」标签中的 JSON 配置填入 mcpServers 字段
保存配置文件并重启 Claude 客户端
重启后，在对话中即可使用本工具

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 安装后在 Claude 对话中直接使用
# 示例：
用户: 请帮我用 超级本地记忆工具 执行以下任务...
Claude: [自动调用 超级本地记忆工具 MCP 工具处理请求]

# 查看可用工具列表
# 在 Claude 中输入："列出所有可用的 MCP 工具"

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

// claude_desktop_config.json 配置示例
{
  "mcpServers": {
    "________": {
      "command": "npx",
      "args": ["-y", "superlocalmemory"],
      "env": {
        // "API_KEY": "your-api-key-here"
      }
    }
  }
}

// 保存后重启 Claude Desktop 生效

📑 README 深度解析真实文档完整度 95/100 查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

简介

SuperLocalMemory V3.4

Every other AI forgets. Yours won't.
Infinite memory for Claude Code, Cursor, Windsurf, and any MCP-compatible AI client.

v3.4.5 "Scale-Ready" — Five years of daily AI use. Your system won't feel it.
1 million memories. Zero slowdown. Tiered storage. Auto-migration. One command: pip install -U superlocalmemory && slm restart

Backed by 3 published research papers (arXiv preprints + Zenodo-archived) · arXiv:2603.02240 · arXiv:2603.14588 · arXiv:2604.04514

<code>+10.6pp vs Mem0 zero-LLM</code>  ·  <code>85% Open-Domain (best zero-LLM score)</code>  ·  <code>EU AI Act Ready</code>

---

Features at a Glance

Adaptive Memory Lifecycle — memories naturally strengthen with use and fade when neglected. No manual cleanup, no hardcoded TTLs.
Smart Compression — embedding precision adapts to memory importance. Low-priority memories compress up to 32x. High-value memories stay full-resolution.
Cognitive Consolidation — the system automatically extracts patterns from clusters of related memories. One decision referenced 50 times becomes one reusable insight.
Pattern Learning — auto-learned soft prompts injected into your agent's context at session start. The system teaches itself what matters to you.
Hopfield Retrieval (6th Channel) — vague or partial queries now complete themselves. Ask half a question, get the whole answer.
Process Health — orphaned SLM processes detected and cleaned automatically. No more zombie workers eating RAM.

Enable V3.3 Features

All new features default OFF. Zero breaking changes. Opt in when ready:

```bash

Features

Dependencies

zeroconf>=0.140 (new in v3.4.48, optional, pure Python, auto-installed)
httpx==0.28.1 (already in core deps)
No Docker. No external broker. Works on WiFi + LAN.

Prerequisites

Requirement	Version	Why
Node.js	14+	npm package manager
Python	3.11+	V3 engine runtime

All Python dependencies install automatically during npm install — core math, dashboard server, learning engine, and performance optimizations. If anything fails, the installer shows exact fix commands. Run slm doctor after install to verify everything works. BM25 keyword search works even without embeddings — you're never fully blocked.

Component	Size	When
Core libraries (numpy, scipy, networkx)	~50MB	During install
Dashboard & MCP server (fastapi, uvicorn)	~20MB	During install
Learning engine (lightgbm)	~10MB	During install
Search engine (sentence-transformers, torch)	~200MB	During install
Embedding model (nomic-embed-text-v1.5, 768d)	~500MB	First use or `slm warmup`
Mode B requires [Ollama](https://ollama.com) + a model (`ollama pull llama3.2`)	~2GB	Manual

---

Install via npm (recommended)

npm install -g superlocalmemory
slm setup     # Choose mode (A/B/C)
slm doctor    # Verify everything is working
slm warmup    # Pre-download embedding model (~500MB, optional)

Install via pip

pip install superlocalmemory

pip users

pip install -U superlocalmemory slm restart

Setup

M4 (broker):

export SLM_MESH_HOST=192.168.1.100
export SLM_MESH_SHARED_SECRET=my-secret-key
slm init  # Starts SLM at http://192.168.1.100:8765

M5 (client):

export SLM_MESH_PEER_URL=http://192.168.1.100:8765
export SLM_MESH_SHARED_SECRET=my-secret-key
slm init  # Syncs M4's agents every 30s, proxies messages to M4

Quick Start

Environment Variables

Variable	Default	Purpose
`SLM_MESH_HOST`	`127.0.0.1`	Host this SLM listens on (set to IP for remote)
`SLM_MESH_PEER_URL`	unset	Full URL of remote SLM (e.g., `http://192.168.1.100:8765`)
`SLM_MESH_SHARED_SECRET`	unset	Auth secret (required when remote)
`SLM_MESH_DISCOVERY`	`on`	mDNS discovery (`on`/`off`)
`SLM_MESH_WS_PORT`	`7900`	WebSocket port for mesh (internal use)

New CLI Commands

```bash

Dual Interface: MCP + CLI

SLM works everywhere — from IDEs to CI pipelines to Docker containers. Both the MCP server and the agent-native CLI are first-class, so the same backend serves IDE-side integrations and scripted automations.

Need	Use	Example
IDE integration	MCP	Auto-configured for 17+ IDEs via `slm connect`
Shell scripts	CLI + `--json`	`slm recall "auth" --json \\| jq '.data.results[0]'`
CI/CD pipelines	CLI + `--json`	`slm remember "deployed v2.1" --json` in GitHub Actions
Agent frameworks	CLI + `--json`	OpenClaw, Codex, Goose, nanobot
Human use	CLI	`slm recall "auth"` (readable text output)

Agent-native JSON output on every command:

```bash

CLI Reference

Command	What It Does
`slm remember "..."`	Store a memory
`slm recall "..."`	Search memories
`slm forget "..."`	Delete matching memories
`slm trace "..."`	Recall with per-channel score breakdown
`slm status`	System status
`slm health`	Math layer health (Fisher, Sheaf, Langevin)
`slm doctor`	Pre-flight check (deps, worker, Ollama, database)
`slm mode a/b/c`	Switch operating mode
`slm setup`	Interactive first-time wizard
`slm warmup`	Pre-download embedding model
`slm migrate`	V2 to V3 migration
`slm dashboard`	Launch 17-tab web dashboard
`slm mcp`	Start MCP server (for IDE integration)
`slm connect`	Configure IDE integrations
`slm hooks install`	Wire auto-memory into Claude Code hooks
`slm profile list/create/switch`	Profile management
`slm decay`	Run memory lifecycle review
`slm quantize`	Run smart compression cycle
`slm consolidate --cognitive`	Extract patterns from memory clusters
`slm soft-prompts`	View auto-learned patterns
`slm reap`	Clean orphaned SLM processes

---

Ablation (What Each Component Contributes)

Removed	Impact
Cross-encoder reranking	-30.7pp
Fisher-Rao metric	-10.8pp
All math layers	-7.6pp
BM25 channel	-6.5pp
Sheaf consistency	-1.7pp
Entity graph	-1.0pp

Full ablation details in the Wiki.

---

MCP Integration (Claude, Cursor, Windsurf, VS Code, etc.)

{
  "mcpServers": {
    "superlocalmemory": {
      "command": "slm",
      "args": ["mcp"]
    }
  }
}

33 MCP tools by default (+42 optional behind SLM_MCP_ALL_TOOLS=1) + 7 resources. Works with any MCP-compatible client — we ship templated configs for Claude Code, Cursor, Windsurf, VS Code Copilot, Continue, Cody, ChatGPT Desktop, Gemini CLI, JetBrains, Zed, and Antigravity (15 IDE configs in ide/configs/). V3.3: Adaptive lifecycle, smart compression, and pattern learning.

Mode A (Zero-Cloud, 10 Conversations, 1,276 Questions)

Category	Score	vs. Mem0 (64.2%)
Single-Hop	72.0%	+3.0pp
Multi-Hop	70.3%	+8.6pp
Temporal	80.0%	+21.7pp
Open-Domain	85.0%	+35.0pp
Aggregate	74.8%	+10.6pp

Mode A achieves 85.0% on open-domain questions — the highest of any system in the evaluation, including cloud-powered ones.

🇨🇳 中文文档镜像 AI 翻译 2026-05-25

英文原文章节由系统翻译为中文摘要，便于快速理解。完整原文见上方 "📑 README 深度解析"。

📌 简介

SuperLocalMemory V3.4 是一款专为 AI 开发者设计的“无限记忆”解决方案。它旨在解决当前 AI 模型（如 Claude Code、Cursor、Windsurf 等）容易遗忘上下文的问题。通过支持 MCP 协议，SuperLocalMemory 可以作为任何兼容 MCP 的 AI 客户端的持久化记忆层，确保您的 AI 助手能够拥有跨会话的长期记忆，实现真正的个性化与连续性。

⚡ 功能介绍

本项目具备先进的自适应记忆生��周期管理，记忆会随使用频率自然强化或随忽视而淡化，无需手动清理。系统内置智能压缩技术（Smart Compression），可根据记忆重要性动态调整 embedding 精度，低优先级记忆可实现高达 32 倍的压缩。此外，通过认知整合（Cognitive Consolidation）功能，系统能自动从相关记忆簇中提取模式，实现深层知识沉淀。

📋 环境依赖

运行本项目需要 Node.js 14+（用于 npm 包管理）以及 Python 3.11+（作为 V3 引擎运行时）。所有的 Python 依赖项会在执行 `npm install` 时自动安装。本项目设计轻量化，无需 Docker 或外部 Broker，支持在 WiFi 和局域网（LAN）环境下直接运行，非常适合本地化部署。

🛠 安装步骤（Docker/pip/源码）

推荐使用 npm 进行全局安装：执行 `npm install -g superlocalmemory` 后，通过 `slm setup` 选择运行模式，并使用 `slm doctor` 验证环境。如果需要预下载 embedding 模型（约 500MB），可运行 `slm warmup`。对于 Python 用户，可以直接通过 `pip install superlocalmemory` 进行安装，并使用 `slm restart` 管理服务。

🚀 使用教程

本项目提供双重交互界面：通过 MCP 协议实现 IDE（如 Cursor）的无缝集成，实现自动化的上下文感知；通过原生 CLI 工具实现脚本化自动化。开发��可以根据需求在 IDE 侧进行交互式对话，或在 CI/CD 流水线、Docker 容器中使用 CLI 进行程序化操作，确保记忆能力覆盖从开发到部署的全流程。

⚙️ 配置说明（含 MCP / env）

系统通过环境变量进行配置。`SLM_MESH_HOST` 用于指定监听地址（远程访问需设为 IP）；`SLM_MESH_PEER_URL` 用于配置远程 SLM 的完整 URL；`SLM_MESH_SHARED_SECRET` 是远程通信时的身份验证密钥；`SLM_MESH_DISCOVERY` 控制服务发现功能。通过这些配置，您可以轻松构建跨设备的分布式记忆网络。

🔌 API 说明

SLM 提供强大的 CLI 命令集：使用 `slm remember` 存储记忆，`slm recall` 进行搜索，`slm forget` 删除匹配记忆。进阶用户可以使用 `slm trace` 查看带有分通道评分（per-channel score）的检索详情，并通过 `slm status` 和 `slm health` 实时监控系统运行状态。无论是 IDE 集成还是脚本调用，均能获得一致的后端支持。

🔄 工作流/模块

通过消融实验（Ablation Study）数据可见，系统的核心性能高度依赖于其复杂的数学架构。Cross-encoder reranking 对准确率贡献最大（+30.7pp），其次是 Fisher-Rao 指标、数学层、BM25 通道以及 Sheaf consistency。这种多层级的架构确保了即使在处理复杂实体图（Entity graph）时，也能保持极高的检索精度与逻辑一致性。

❓ FAQ 摘要

在 Mode A（零云端模式）的基准测试中，SuperLocalMemory 在 Open-Domain 任务上达到了 85.0% 的准确率，显著超越了 Mem0（64.2%）。特别是在多跳推理（Multi-Hop）和时序逻辑（Temporal）方面表现优异，证明了其在处理复杂、长周期上下文时的卓越性能，是追求本地化与高精度记忆的首选。

🎯 aiskill88 AI 点评 A 级 2026-05-24

该工具实现了本地AI记忆的突破，具有较高的检索准确率和零LLM能力，值得关注。

📚 实用指南（长尾问题）

适合谁

使用 Cursor 编辑器、希望提升 AI 编程效率的开发者
需要让 Claude / Cursor 操作本地工具的 AI 工程师
构建多智能体协作系统的 Agent 开发者
构建企业知识库 / RAG 检索应用的团队

最佳实践

配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
Cursor rules 控制在 80 行内，否则模型上下文成本会显著上升

常见错误

API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
容器内无法访问宿主机 localhost — 使用 host.docker.internal
显存不足直接 OOM — 优先降低 context 或换更小的量化模型
Python 依赖冲突：建议用 venv / uv 隔离环境

部署方案

Docker：superlocalmemory 提供官方镜像，docker compose up 一键启动
CLI：直接 npm install -g / pip install，命令行调用
本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台

⚡ 核心功能

通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
提供结构化工具调用接口，显著降低 AI 集成复杂度
支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
可与其他 MCP 工具组合叠加，构建完整 AI 工作站
轻量无侵入设计，不影响现有系统架构

👥 适合谁

使用 Cursor 编辑器、希望提升 AI 编程效率的开发者
需要让 Claude / Cursor 操作本地工具的 AI 工程师
构建多智能体协作系统的 Agent 开发者
构建企业知识库 / RAG 检索应用的团队

⭐ 最佳实践

配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
Agent 任务先做 dry-run 验证工具调用链，再开启自主执行

⚠️ 常见错误

API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
容器内无法访问宿主机 localhost — 使用 host.docker.internal
显存不足直接 OOM — 优先降低 context 或换更小的量化模型

👥 适合人群

Claude Desktop / Claude Code 用户AI 工具开发者需要扩展 AI 能力的专业人士自动化工程师

🎯 使用场景

在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
将多个 MCP 工具组合使用，构建个人专属 AI 工作站

⚖️ 优点与不足

✅ 优点

+标准化 MCP 协议，生态互联性强
+与 Claude 官方生态无缝对接
+即插即用，配置简单快捷

⚠️ 不足

−依赖 Claude 客户端，非 Claude 用户无法使用
−MCP 协议仍在持续演进，接口可能变更
−需要一定的配置步骤

⚠️ 使用须知

该工具使用 AGPL-3.0 协议，商用场景请仔细阅读协议条款，必要时咨询法律意见。

AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。

📄 License 说明

⚠️ AGPL 3.0 — 最严格的 Copyleft，网络服务端使用也需开源，SaaS 使用受限。

🔗 相关工具推荐

📚 相关教程推荐

Cursor AI 编程完全指南：Rules 配置、Composer 使用、MCP 集成

帮助中心 · AI Skill Hub

MCP 工作流生产级配置方案：从开发环境到团队共享

📰 相关 AI 新闻

🍿 AI 圈相关吃瓜

配了5个 MCP 工具，Claude 一个都没用

AI 圈观察

Filesystem MCP 帮 Claude 找文件，找了整个 node_modules

AI 圈观察

AutoGPT 自主完成了任务：把我的文件夹全部重命名了

🗺️ 相关解决方案

ai-workflow-templates

docker

docker-deploy

🧩 你可能还需要

基于当前 Skill 的能力图谱，自动补全的工具组合

技能寻求者

MCP · Agent · 工作流

natively-cluely-ai-assistant — Claude Skill 中文使用文档

免费开源的AI面试助手，实时转录，隐蔽模式，局部RAG，BYOK。无订阅，防止数据泄露。

开源AI工具：RAG知识库系统

基于Vue.js前端的RAG知识库系统，提供高效的知识检索和生成功能，助力AI应用开发

开源MCP工具：MaverickMCP

MaverickMCP - Personal Stock Analysis MCP Server，帮助个人进行股票分析。

KohakuTerrarium Agent工作流

通用型AI代理框架，提供开箱即用的工作流编排能力。支持多种LLM集成，适合开发者构建复杂智能应用、自动化任务流程和多步骤AI任务编排。

神经智脑知识系统

MCP · Agent · 工作流

❓ 常见问题 FAQ

superlocalmemory 是什么工具？−

superlocalmemory 是一款Python开发的AI辅助工具。开源MCP工具：World's first local-only AI memory to break 74% retrieval and 60% zero-LLM on Lo。⭐157 · Python 主要应用场景包括：本工具适用于需要本地AI记忆功能的场景，例如机器人、智能家居等。。

superlocalmemory 如何安装和开始使用？+

superlocalmemory 是否免费？许可证是什么？+

superlocalmemory 适合哪些用户使用？+

superlocalmemory 的社区活跃度和项目维护状况如何？+

MCP 是什么？和普通 API 有什么区别？+

我需要编程基础才能使用这个 MCP 工具吗？+

这个工具支持 Claude Code 吗？还是只有 Claude Desktop？+

💡 AI Skill Hub 点评

经综合评估，超级本地记忆工具在MCP工具赛道中表现稳健，质量良好。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。

⬇️ 获取与下载

⬇ 下载源码（GPL）

⚠️ 本工具使用 AGPL-3.0 协议。您可以自由下载和使用，但衍生作品必须以相同协议开源，不可商业闭源。使用前请确认符合协议要求。

📚 深入学习超级本地记忆工具

查看分步骤安装教程和完整使用指南，快速上手这款工具

⚙️ 安装教程 📚 使用教程

🌐 原始信息

原始名称	`superlocalmemory`
原始描述	开源MCP工具：World's first local-only AI memory to break 74% retrieval and 60% zero-LLM on Lo。⭐157 · Python
Topics	`mcpagent-memoryagent-reliabilityai-agentsclaude-codecursor`
GitHub	https://github.com/qualixar/superlocalmemory
License	AGPL-3.0
语言	Python

🔗 原始来源

🐙 GitHub 仓库 https://github.com/qualixar/superlocalmemory 🌐 官方网站 https://arxiv.org/abs/2603.14588

收录时间：2026-05-24 · 更新时间：2026-05-26 · License：AGPL-3.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。

超级本地记忆工具

简介

SuperLocalMemory V3.4

Features at a Glance

Enable V3.3 Features

Features

Dependencies

Prerequisites

Install via npm (recommended)

Install via pip

pip users

Setup

Quick Start

Environment Variables

New CLI Commands

Dual Interface: MCP + CLI

CLI Reference

Ablation (What Each Component Contributes)

MCP Integration (Claude, Cursor, Windsurf, VS Code, etc.)

Mode A (Zero-Cloud, 10 Conversations, 1,276 Questions)

🤖 交给 Agent 安装 · 超级本地记忆工具