PLTM——克劳德的持久长期记忆

![License](LICENSE) ![Python](https://www.python.org/downloads/) ![MCP Tools](#tool-categories) ![Tests](#testing)

136 MCP工具·4种记忆类型·语义嵌入·记忆评判+元评判·认知自我监控·反应仪表板

一个MCP服务器，为Claude Desktop提供持久记忆、自我意识、认知卫生和跨对话的真正能动性——具有类型化记忆系统、基于嵌入的语义搜索、三法官记忆陪审团+元法官可观察性层和实时仪表板。

______________________________________________________________________

安装--一个命令

macOS/Linux：

curl -fsSL https://raw.githubusercontent.com/Alby2007/PLTM-Claude/main/install.sh | bash

Windows（PowerShell）：

irm https://raw.githubusercontent.com/Alby2007/PLTM-Claude/main/install.ps1 | iex

然后重新启动克劳德桌面 --136工具已准备就绪。

就是这样。安装程序克隆仓库，创建一个venv，安装deps，下载嵌入模型，初始化数据库，并自动配置Claude Desktop。无需手动编辑JSON。

可选： 添加免费 Groq API密钥到 ~/PLTM/.env 用于LLM动力工具（摄入、事实检查）。核心内存工具在没有它的情况下也能工作。

验证 --问克劳德： Use auto_init_session to check system state

诊断问题： python ~/PLTM/health_check.py

Alternative: manual clone + setup

git clone https://github.com/Alby2007/PLTM-Claude.git && cd PLTM-Claude
python setup_pltm.py

安装脚本处理所有内容：venv、deps、.env、DB、model和Claude Desktop配置。

旗帜：

--skip-claude --跳过克劳德桌面自动配置
--skip-model --跳过嵌入模型下载（更快）
--reset --删除venv+DB并重新开始
--uninstall --从Claude Desktop配置中删除PLTM

Fully manual setup

git clone https://github.com/Alby2007/PLTM-Claude.git
cd PLTM-Claude
python3.11 -m venv .venv
source .venv/bin/activate        # macOS/Linux
# .venv\Scripts\activate         # Windows
pip install -r requirements-lite.txt
cp .env.example .env             # edit to add GROQ_API_KEY

然后编辑您的Claude Desktop配置：

操作系统	路径
macOS	`~/Library/Application Support/Claude/claude_desktop_config.json`
视窗	`%APPDATA%\Claude\claude_desktop_config.json`
Linux	`~/.config/Claude/claude_desktop_config.json`

{
  "mcpServers": {
    "pltm": {
      "command": "/path/to/PLTM-Claude/.venv/bin/python3",
      "args": ["-m", "mcp_server.pltm_server"],
      "env": {
        "PYTHONPATH": "/path/to/PLTM-Claude",
        "GROQ_API_KEY": "your-groq-key"
      }
    }
  }
}

重新启动克劳德桌面。

______________________________________________________________________

这有什么作用

PLTM将Claude从无状态聊天机器人转变为 持久化实体 与：

类型存储 --4种记忆类型（情景记忆、语义记忆、信念记忆、程序记忆），具有强度衰减、置信度跟踪和自动巩固功能
语义搜索 --基于嵌入的相似性搜索 all-MiniLM-L6-v2 （384个dim向量），加上通过SQLite FTS5进行全文搜索
记忆评审团 --3判断验证门（相关性、新颖性、准确性），在存储之前过滤、隔离或拒绝传入的记忆
记忆智能 --衰退引擎、整合、聚类、冲突检测、重要性排名、上下文检索和来源跟踪
知识图谱 --基于注意力加权检索的主谓宾语三元组语义原子存储
身份 --跨会话跟踪的沟通风格、好奇心模式、价值界限和推理习惯
认识卫生 --置信度校准、索赔记录、虚构检测和验证建议
目标 --通过进度跟踪在对话中生存的持久目标
连续性 --会话桥接，让克劳德从中断的地方继续
仪表盘 --基于React的实时仪表板，具有内存智能可视化功能

会话生命周期

CONVERSATION START
  → auto_init_session()
    "I am Claude who prefers minimal hedging, matches Alby's technical depth.
     3 active goals. 86.7% accuracy. Weak on time_sensitive domain."

DURING CONVERSATION
  → store_episodic / store_semantic / store_belief / store_procedural
  → recall_memories (type-aware, strength-filtered)
  → semantic_search (embedding similarity)
  → calibrate_confidence_live() before risky claims
  → process_conversation() — 3-lane pipeline auto-extracts memories from chat

CONVERSATION END
  → end_session() — saves personality snapshot for evolution tracking

______________________________________________________________________

工具类别

类型存储系统（20+工具）

通过陪审团验证、嵌入索引和来源跟踪来存储、回忆、搜索、更新和管理键入的记忆。

工具	说明
`store_episodic`	储存具有情感价值的情景记忆（事件、经历）
`store_semantic`	存储语义记忆（事实、知识）
`store_belief`	用信心和证据跟踪来存储信念
`store_procedural`	存储程序内存（触发器→ 动作模式）
`recall_memories`	具有强度/标签过滤的类型感知检索
`search_memories`	在所有键入的内存中进行全文搜索（FTS5）
`semantic_search`	基于嵌入的相似性搜索（384个模糊向量）
`what_do_i_know`	主题的跨类型综合
`update_belief`	用新证据更新信念信心
`record_procedure_outcome`	跟踪程序记忆的成功/失败
`correct_memory`	使用审计跟踪更正内存内容
`forget_memory`	显式删除内存
`auto_prune`	删除低于强度阈值的衰退记忆
`auto_tag`	为用户自动标记所有内存
`find_similar`	查找与给定记忆相似的记忆（嵌入）
`index_embeddings`	批量索引所有内存以嵌入搜索
`memory_stats`	按类型获取类型化内存统计信息
`detect_contradictions`	寻找矛盾的记忆
`user_timeline`	按时间顺序排列的记忆时间线
`get_relevant_context`	预取对话相关记忆

记忆智能（12+工具）

衰减、整合、聚类、冲突检测和来源。

工具	说明
`process_conversation`	三车道管道 --自动从对话消息中提取记忆
`pipeline_stats`	管道吞吐量统计
`apply_memory_decay`	对记忆应用基于时间的强度衰减
`decay_forecast`	预测哪些记忆会衰减到阈值以下
`consolidate_memories`	将相似的情景记忆合并为语义知识
`contextual_retrieve`	检索与当前对话上下文相关的记忆
`rank_by_importance`	按综合重要性得分对记忆进行排名
`surface_conflicts`	检测相互冲突的信念/记忆
`resolve_conflict`	解决检测到的内存冲突
`memory_clusters`	构建基于相似性的内存集群
`memory_provenance`	获取内存的来源链（来源、管道阶段、陪审团裁决）
`memory_audit`	内存系统的全面健康审计
`apply_confidence_decay`	基于证据的信念信心衰减

内存共享和可移植性（4个工具）

工具	说明
`share_memory`	与其他用户共享内存
`shared_with_me`	列出与您分享的回忆
`export_memory_profile`	将所有内存导出为可移植JSON
`import_memory_profile`	导入内存配置文件（支持合并）

知识图谱与检索（30+工具）

使用注意力加权、MMR多样性和域过滤检索来存储、检索、更新和搜索知识原子。

工具	说明
`store_memory_atom`	存储语义三元组（主语、谓语、宾语）
`attention_retrieve`	基于领域过滤的注意力加权检索
`mmr_retrieve`	多样性感知检索（最大边际相关性）
`attention_multihead`	跨知识库的多头注意力
`bulk_store`	批量存储多个原子
`query_pltm_sql`	针对知识库的直接SQL查询

知识摄入（6个工具）

从URL、文本、文件、arXiv、维基百科和RSS提要中获取知识。使用Groq进行语义三重提取。

工具	说明
`ingest_url`	从任何URL中抓取和提取知识
`ingest_arxiv`	批量搜索和摄取arXiv论文
`ingest_wikipedia`	从维基百科文章中提取知识
`ingest_rss`	监控RSS源以获取新知识
`ingest_text`	从原始文本中提取三元组
`ingest_file`	处理本地文件

认知监控（14个工具）

置信度校准、索赔跟踪、假设分析和验证。

工具	说明
`auto_init_session`	持久身份加载器 --在对话开始时加载个性、目标、校准
`end_session`	个性快照 --为进化追踪捕捉克劳德是谁
`check_before_claiming`	使用历史校准进行响应前置信度检查
`calibrate_confidence_live`	使用建议措辞进行实时校准
`log_claim` / `resolve_claim`	跟踪索赔准确性的预测书
`get_calibration`	按域划分的校准仪表板
`extract_and_log_claims`	自动检测回复中的事实陈述
`suggest_verification_method`	建议如何核实索赔
`generate_metacognitive_prompt`	风险索赔前的内部自我质疑
`analyze_confabulation`	关于为什么会发生虚构的尸检
`get_session_bridge`	跨对话连续性上下文
`get_longitudinal_stats`	人格进化 --跟踪随时间的变化

自我建模（7个工具）

追踪克劳德的沟通风格、好奇心、价值观、推理模式和自我意识。

工具	说明
`learn_communication_style`	追踪冗长、含糊其辞、行话、语气
`track_curiosity_spike`	检测真实参与与表演参与
`detect_value_violation`	记录值边界相遇
`evolve_self_model`	跟踪自我预测与实际行为
`track_reasoning_event`	记录对话、验证、错误捕获
`self_profile`	查询自身累积数据
`bootstrap_self_model`	从对话记录中挖掘个性

事实核查与理性推理（7个工具）

工具	说明
`verify_claim`	对照原始材料检查索赔
`fetch_arxiv_context`	获取相关arXiv上下文进行验证
`verification_history`	审查过去的验证
`synthesize_grounded`	需要证据的跨域合成
`evidence_chain`	为索赔建立证据链
`calibrate_confidence`	基于证据强度的置信度分级
`audit_synthesis`	审核无支持索赔的综合报告

目标管理（3个工具）

工具	说明
`create_goal`	制定一个有成功标准的目标
`update_goal`	更新目标进度
`get_goals`	列出活动目标

基础设施（30+工具）

系统上下文、LLM路由、加密、任务调度、状态持久性、结构化数据查询等。

______________________________________________________________________

建筑

存储器系统

┌─────────────────────────────────────────────────────────┐
│                   MCP Tool Layer (136 tools)             │
│   mcp_server/pltm_server.py + handlers/                 │
├─────────────────────────────────────────────────────────┤
│                                                         │
│  ┌──────────────┐  ┌──────────────┐  ┌───────────────┐ │
│  │ Memory Jury   │  │ 3-Lane       │  │ Memory        │ │
│  │ (3 judges)    │  │ Pipeline     │  │ Intelligence  │ │
│  │ relevance,    │  │ extract →    │  │ decay, cluster│ │
│  │ novelty,      │  │ validate →   │  │ consolidate,  │ │
│  │ accuracy      │  │ store        │  │ conflicts     │ │
│  └──────┬───────┘  └──────┬───────┘  └───────┬───────┘ │
│         │                  │                   │         │
│  ┌──────▼──────────────────▼───────────────────▼───────┐ │
│  │           TypedMemoryStore (SQLite + FTS5)          │ │
│  │  episodic · semantic · belief · procedural          │ │
│  │  strength decay · confidence · provenance           │ │
│  └──────────────────────┬──────────────────────────────┘ │
│                         │                                │
│  ┌──────────────────────▼──────────────────────────────┐ │
│  │           EmbeddingStore (all-MiniLM-L6-v2)         │ │
│  │  384-dim vectors · async · cosine similarity        │ │
│  └─────────────────────────────────────────────────────┘ │
│                                                         │
│  ┌─────────────────────────────────────────────────────┐ │
│  │           SQLiteGraphStore (Knowledge Graph)        │ │
│  │  atoms · subject-predicate-object triples            │ │
│  └─────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────┘

内存类型

类型	描述	衰减率	示例
情节性的	事件和体验	快速（小时-天）	“用户在2月10日调试了Python异步问题”
语义	事实和知识	缓慢（几周到几个月）	“Python的GIL阻止了真正的并行性”
信念	基于证据的观点	基于证据	“到2030年，人工智能将在编码方面超越人类”（置信度：0.6）
程序性	触发器→ 动作模式	成功加权	“当用户说‘部署’时→ 运行CI管道”

记忆评审团+元评委

每个传入的内存在存储之前都要经过一个由三名法官组成的小组：

相关性判断 --这值得记住吗？
新颖性评判 --我们已经知道了吗？
准确性判断 --这在事实上可信吗？

共识法官 通过加权投票汇总判决：批准（正常存储），隔离（储存时强度降低），或拒绝（丢弃）。安全拒绝是一种即时否决权。

元判断（可观测性层）

这 MetaJudge 坐在陪审团上方，跟踪法官的表现：

持久统计数据 --SQLite中存储的法官准确性、判决计数和置信度（在重新启动后仍然有效）
地面实况反馈 --从用户更正（误报/漏报）中学习
自适应判断权重 --将准确性反馈到ConsensusJudge权重中
按类型细分 --跟踪判断每种记忆类型（情景、语义、信念、程序）的表现
校准曲线 --衡量判断置信度得分是否与实际准确性相匹配
漂移检测 --当法官的判决分布超出阈值时发出警报
完整仪表板 --通过MCP工具公开统计数据、校准、漂移警报和反馈历史

______________________________________________________________________

项目结构

PLTM/
├── mcp_server/
│   ├── pltm_server.py              # MCP server — 136 tools, dispatch + handlers
│   └── handlers/                   # Extracted handler modules
│       ├── registry.py             # Shared component registry (no circular imports)
│       ├── memory_handlers.py      # Typed memory CRUD handlers
│       └── intelligence_handlers.py# Decay, clustering, audit, provenance handlers
├── src/
│   ├── memory/
│   │   ├── memory_types.py         # TypedMemoryStore — 4 memory types, decay, FTS
│   │   ├── embedding_store.py      # EmbeddingStore — async vector search
│   │   ├── memory_intelligence.py  # Decay, consolidation, clustering, conflicts, provenance
│   │   ├── memory_jury.py          # 3-judge validation gate + meta-judge
│   │   ├── memory_pipeline.py      # 3-lane conversation processing pipeline
│   │   ├── attention_retrieval.py  # Attention-weighted atom retrieval
│   │   └── knowledge_graph.py      # Graph operations on atoms
│   ├── analysis/
│   │   ├── epistemic_monitor.py    # Core epistemic tools (V1)
│   │   ├── epistemic_v2.py         # Advanced epistemic + persistent identity (V2)
│   │   ├── pltm_self.py            # Self-modeling system
│   │   ├── data_ingestion.py       # Knowledge ingestion (URL, arXiv, Wikipedia, RSS)
│   │   ├── fact_checker.py         # Claim verification against sources
│   │   ├── grounded_reasoning.py   # Evidence-based synthesis
│   │   ├── model_router.py         # Multi-LLM routing (Groq, DeepSeek, Ollama)
│   │   ├── goal_manager.py         # Persistent goal tracking
│   │   ├── task_scheduler.py       # Cron-like task scheduling
│   │   ├── state_persistence.py    # Cross-conversation state
│   │   └── ...                     # 18 modules total
│   ├── storage/
│   │   └── sqlite_store.py         # SQLite graph store with FTS + WAL mode
│   └── core/                       # Data models, config
├── deep-claude-dashboard/
│   ├── src/App.jsx                 # React dashboard (Vite + Tailwind + Recharts)
│   ├── api_server.py               # Dashboard API server (serves built assets in prod)
│   └── vite.config.js              # Build config with production support
├── tests/
│   └── test_typed_memory.py        # Unit tests (11 passing)
├── scripts/                        # Utility scripts
├── data/
│   └── pltm_mcp.db                # Knowledge base (40 tables)
├── setup_pltm.py                  # One-command setup (venv, deps, DB, model)
├── configure_claude.py            # Auto-configure Claude Desktop
├── health_check.py                # Verify installation
├── backfill_embeddings.py          # Batch embedding indexer
├── migrate_atoms_to_typed.py       # Atom → typed memory migration
├── requirements.txt                # Full dependencies
├── requirements-lite.txt           # Lite dependencies (no torch)
└── README.md

数据库

数据库(data/pltm_mcp.db)在第一次运行时自动创建。它开始是空的，随着克劳德的学习而增长：

40张桌子 --类型记忆、记忆嵌入、个性快照、预测书、校准缓存、对话日志、会话历史、目标、来源、元判断事件等
全文搜索 通过FTS5在原子和类型存储器上
WAL模式 在所有连接上启用，以防止“数据库已锁定”错误
便携的 --将数据库复制到另一台机器上，克劳德就会获得相同的身份

你用得越多，克劳德的记忆力就越丰富。在开发实例中，DB已经增长到1600多个原子和1650多个类型存储器。

______________________________________________________________________

仪表盘

用于可视化内存系统的基于React的仪表板：

cd deep-claude-dashboard
npm install
npm run dev          # Dev server on http://localhost:3000
# In another terminal:
python api_server.py # API server on http://localhost:8787

生产方式：

npm run build        # Build to dist/
python api_server.py # Serves both API and built dashboard on :8787

仪表板选项卡：

概述 --原子计数、索赔准确性、干预统计
索赔 --带有分辨率跟踪的预测书
人格 --沟通方式、好奇心、价值观
进化 --性格随时间而变化
原子 --浏览和搜索知识原子
记忆智能 --健康审计、类型分布、衰变预测、重要性排名、聚类、陪审团统计、冲突、类型化内存浏览器

______________________________________________________________________

测试

# Run all typed memory tests
python -m pytest tests/test_typed_memory.py -v

# 11 tests covering:
#   store & get, all 4 memory types, jury rejection,
#   query by type, query by tags, min_strength filtering,
#   decay curves, stats, FTS search, belief updates,
#   procedural outcome recording

______________________________________________________________________

环境变量

变量	必填	描述
`GROQ_API_KEY`	是（适用于LLM工具）	免费 console.groq.com
`DEEPSEEK_API_KEY`	否	对于DeepSeek模型路由
`PYTHONPATH`	是（在Claude配置中）	必须指向PLTM仓库根目录

______________________________________________________________________

故障排除

“MCP服务器未连接”

检查路径 claude_desktop_config.json 绝对正确
验证Python： .venv/bin/python3.11 -c "import mcp; print('ok')"
直接测试服务器： PYTHONPATH=. .venv/bin/python3.11 -m mcp_server.pltm_server
检查Claude Desktop日志是否有错误

“导入错误”

source .venv/bin/activate
pip install -r requirements-lite.txt

“工具未显示”

配置更改后重新启动Claude Desktop

“新计算机上的数据库为空”

确保你拉 data/pltm_mcp.db 从git
如果缺失： git lfs pull 或重新克隆

“工具超时/未收到结果”

首次使用时嵌入模型加载缓慢——首次调用可能需要几秒钟
所有嵌入操作都是异步的（非阻塞），以防止超时
启用WAL模式以防止“数据库已锁定”错误

______________________________________________________________________

许可证

麻省理工学院

作者

Alby(@Alby2007) — 2026

Pltm Claude

快速接入

详细介绍

PLTM——克劳德的持久长期记忆

安装--一个命令

这有什么作用

会话生命周期

工具类别

类型存储系统（20+工具）

记忆智能（12+工具）

内存共享和可移植性（4个工具）

知识图谱与检索（30+工具）

知识摄入（6个工具）

认知监控（14个工具）

自我建模（7个工具）

事实核查与理性推理（7个工具）

目标管理（3个工具）

基础设施（30+工具）

建筑

存储器系统

内存类型

记忆评审团+元评委

元判断（可观测性层）

项目结构

数据库

仪表盘

测试

环境变量

故障排除

许可证

作者

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP