人工智能代理的Turbo量化内存
   
Turbo Quant Memory是一个记忆层，它使AI代理感觉像是长期的队友，而不是短期的聊天会话。
如果你使用Claude Code、Codex、Cursor、OpenCode、Gemini CLI或任何MCP客户端，这就是你在任务之间保持机构知识活力的方法。
为何重要
大多数代理工作流都在同一个地方失败：内存。
- 伟大的见解在聊天历史中消失了。
- 每个新任务都从零开始重新启动。
- 团队一次又一次地重新解释相同的架构。
Turbo Quant Memory通过使您的项目知识持久、可搜索和可重用来解决这个问题。
为什么团队选择Turbo Quant Memory
| 典型的AI工作流程 | 带Turbo Quant内存 |
|---|---|
| 代理在会话之间忘记上下文 | 代理可以从保存的项目知识继续 |
| 决策埋在旧线程中 | 决策成为可重用的笔记 |
| 团队知识留在一个人的头脑中 | 知识变得共享、可搜索和可移植 |
| 令牌预算浪费在重复读取上 | 上下文加载更智能，因此更多的预算用于推理 |
核心承诺
你的代理人不再表现得像临时助理，而是开始表现得像团队成员。
是什么让它与众不同
- 本地优先的设计：你的记忆在你的控制之下。
- 一个存储层适用于许多客户：相同的知识、相同的标准、相同的结果。
- 跨代理连续性：从Codex开始，在Gemini CLI中继续，回到Codex，并保持相同的项目内存。
- 为实际交付而构建：捕捉随着时间的推移而复合的决策、模式和交接。
- 透明且可审计：内存是明确的、结构化的，易于检查。
快速开始
使用这个60秒的流程：
- 安装一次：
uv tool install git+https://github.com/Lexus2016/turbo_quant_memory@v0.4.2- 添加
tqmemory客户端中的MCP服务器（客户端将自动启动它）：
# Codex
codex mcp add tqmemory -- turbo-memory-mcp serve
# Gemini CLI
gemini mcp add tqmemory turbo-memory-mcp serve
# Claude Code (project scope)
claude mcp add --scope project tqmemory -- turbo-memory-mcp serve- 重新启动客户端并运行任何
tqmemory工具。
需要Gemini CLI、Cursor、OpenCode或Antigravity的现成配置吗？使用 客户_技术支持.md.
升级
要将新版本拉入现有安装中，请使用以下命令重新运行install命令 --reinstall:
uv tool install --reinstall git+https://github.com/Lexus2016/turbo_quant_memory@v0.4.2如果你已经有了 ~/.gemini/settings.json 从v0.4.2之前的版本开始，也合并此块一次，以便Gemini CLI开始读取 AGENTS.md 一起 GEMINI.md:
{
"context": { "fileName": ["AGENTS.md", "GEMINI.md"] }
}索引过程中忽略文件
创建一个 .tqmemoryignore 项目根目录中的文件，用于从Markdown索引中排除目录或文件。格式类似于 .gitignore --每条线一个球形图案， # 征求意见。
# Skip duplicate workspace template directories
workspace-*
# Skip runtime reports
data/reports/*.md
# Skip generated content
output/忽略文件由以下人员自动拾取 index_paths(...).模式与目录名和完整相对路径都匹配。搜索从索引根向上移动，直到找到 .tqmemoryignore 或到达 .git 边界。
目录如 node_modules, .git, __pycache__, dist，以及 build 默认情况下始终忽略。
跨代理共享内存
这在标准本地设置中开箱即用。您不需要单独的同步服务、导出/导入流或特定于代理的内存配置。
这是共享的本地内存，而不是远程云同步。如果Codex和Gemini CLI在同一台机器上运行并打开同一个存储库，它们可以自动使用相同的内存层。
要在Codex、Gemini CLI和其他MCP客户端之间保持一个共享项目内存：
- 安装
turbo-memory-mcp一旦在机器上。 - 添加相同内容
tqmemory您使用的每个客户端中的MCP服务器。 - 在每个客户端中打开相同的存储库。
当这些条件为真时，客户端会自动解析相同的项目内存。这意味着您可以在Codex中开始工作，在Gemini CLI中继续，并在不重建上下文的情况下返回Codex。
如果客户端在存储库根目录之外启动，请设置 TQMEMORY_PROJECT_ROOT 显式地解析相同的项目标识。
这是给谁的
- AI第一工程团队
- 运行多个代理的独立构建者
- 想要一致的AI执行质量的产品团队
- 任何厌倦了每天重复上下文的人
为什么选择这个
如果需要，请选择Turbo Quant Memory：
- 更快地完成每一项新任务
- 减少重复错误
- 跨会话的连续性更强
- 每次代理运行都能带来更高的投资回报率
基准验证成本优势
在这个存储库语料库上，紧凑的内存路径显示了显著的节省，直接减少了模型开销：
semantic_search仅限于： 字节数减少63.96% 平均发送到模型semantic_search + hydrate(top1): 字节数减少44.1% 平均semantic_search延迟： 68.13毫秒 平均hydrate延迟： 41.63毫秒 平均
为什么这是一个实际优势：
- 重复读取次数减少意味着计费输入令牌减少
- 较低的令牌压力意味着每项任务的成本较低
- 上下文预算可用于推理，而不是重新加载文件
v0.4.2中的新功能
- Gemini CLI夹具和捆绑
.gemini/settings.json现在发货"context": {"fileName": ["AGENTS.md", "GEMINI.md"]}，因此Gemini CLI也采用了相同的方法AGENTS.md项目提示其他已使用的代理--没有重复GEMINI.md需要镜子。 - README和SMOKE清单安装命令现在指向实际的当前版本，并新增了
Upgrading涵盖以下内容的小节uv tool install --reinstall和一次性~/.gemini/settings.json迁移。 - 新的SMOKE检查表步骤警告操作员将Gemini夹具合并到现有夹具中
settings.json必须保存contextblock--如果没有它，Gemini CLI会自动回退到GEMINI.md-仅和跳过AGENTS.md. - 提交
.planning/todos/2026-04-28-lint-false-positives.md追踪2lint_knowledge_base下一个代码版本的问题：仅ASCII标题键规范化，将西里尔文/非ASCII H1压缩为untitled，以及broken_link内部文件的报告DEFAULT_IGNORED_DIR_NAMES（例如。benchmarks/latest.md)存在于磁盘上。
v0.4.1中的新功能
- 主服务器终止时自动进行代理故障转移。以前，如果第一
turbo-memory-mcp进程（主要持有模型+LanceDB句柄）关闭，其他MCP客户端中的其余代理进程失去了RPC链接tqmemory对这些客户来说，它变得悄无声息地不可用。 - 代理现在通过以下方式检测丢失的主服务器
PrimaryUnreachable在下次RPC调用时，透明地重新引导：一个幸存的代理原子性地声明锁文件，并将自己提升为主代理（启动自己的DaemonListener)，并且所有其他孤立的代理都重新连接到新的主代理。无需重新启动MCP客户端。 - 阶段感知RPC错误处理：连接/发送阶段失败被转换为
PrimaryUnreachable（可以安全重放），而中途调用失败（发送成功，recv失败）则会原封不动地出现在主机上，因此使用非幂等工具remember_note永远不会被默默地复制。 - Gemini CLI夹具现已发货
context.fileName: ["AGENTS.md", "GEMINI.md"]因此Gemini CLI也采用了相同的方法AGENTS.md项目提示Codex、Cursor和其他代理已经使用，而不强制重复GEMINI.md镜像文件。
v0.4.0中的新功能
- Singleton守护进程传输：只有一个
turbo-memory-mcp每台机器的进程保持句子转换模型，LanceDB处理驻留。每次额外的MCP客户端启动都会变成一个精简的stdio↔将工具调用转发到主服务器的套接字代理。 - 跨平台协调：Unix/macOS使用
AF_UNIX系统温度目录下的套接字（短路径，0600 perms）；Windows使用作用域为当前用户的命名管道。通过存储在中的32字节随机验证密钥进行身份验证~/.turbo-quant-memory/.daemon.lock. - 懒惰的进口
retrieval_index当代理进程仅转发RPC时，它们不会支付PyTorch/LanceDB/PyArrow导入的约470 MB成本。实测节省：四个并发MCP客户端约1 GB RSS（主客户端530 MB，代理客户端约50 MB，而之前每个客户端437 MB）。 - 现有的磁盘状态（JSON注释、LanceDB表、Markdown块、清单）保持不变，完全向后兼容。逃生舱：设置
TQMEMORY_DAEMON_DISABLE=1退回到每进程模式。
新版本v0.3.1
- 在README和客户端集成文档中发布了Codex和Gemini CLI移交的共享内存指南。
- 添加了一个现成的Gemini CLI夹具以及烟雾检查步骤，用于验证其有效性
tqmemory跨客户端的服务器。 - 澄清了共享内存是本地同机连续性，而不是远程云同步。
了解更多
- 客户端集成： 客户_技术支持.md
- 技术规格： 技术规格.md
- 内存策略： 记忆_策略.md
- 基准： 基准测试/latest.md