remember-me
/remember-me
Przechowuje długoterminowo ważne sprawy użytkownika, takie jak rodzina, zdrowie i praca, w oryginalnym brzmieniu, bez streszczeń.
- Autor
- zhen4396-png ↗
- Repozytorium
- Remember-me-skill ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 27.10.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 12
- Skrypty
- 5
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 27.10.2026, bez odwołań do wycofanych modeli i API.
MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.
- 5 skryptów w paczce. Przejrzyj je przed instalacją, bo Claude może je uruchomić.
Skrypty: bench_scale.py, examples/demo.py, hooks/_selftest.py, hooks/remember_hook.py, run.py
Co robi i kiedy
Przechowuje długoterminowo ważne sprawy użytkownika, takie jak rodzina, zdrowie i praca, w oryginalnym brzmieniu, bez streszczeń.
Oryginalny opis (EN)
长期记忆与关键事件记忆。当用户需要 AI 记住跨会话、跨年的事(家人、身体、工作、感情、承诺),或问「你还记得…」「我以前说过…」「那年发生了什么」时使用。原文全留、不生成摘要、检索零写入。只记人和事,不存密码与凭据。
Jak działa
- 什么时候用这个 skill
- 设计取舍(每条都能对着源码核)
- 三条硬约束
- 全自动模式(推荐)
- 手动用法(调试或换宿主时)
- 工作流(接进任何模型)
- 召回只有两种结果
- 判定器在做什么
- 性能(本机实测,换机器会变)
- 已知边界
Podgląd SKILL.md
--- name: remember-me display_name: Remember me display_name_en: Remember me description: 长期记忆与关键事件记忆。当用户需要 AI 记住跨会话、跨年的事(家人、身体、工作、感情、承诺),或问「你还记得…」「我以前说过…」「那年发生了什么」时使用。原文全留、不生成摘要、检索零写入。只记人和事,不存密码与凭据。 description_en: Long-term and life-event memory for AI companions. Keeps every original utterance verbatim, never summarizes, and answers "what happened that year" from a life timeline. For people and events, not for passwords or credentials. category: productivity --- # Remember me 把对话原文一字不改地存下来,按时间排成一条轴,让 AI 能回答「那是哪一年」「这件事持续了多久」。 判定和检索全程 0 次模型调用。 > v0.9,个人项目,未经第三方评测。下面提到的效果数字是作者自测,不是 benchmark。 ## 什么时候用这个 skill **该用**: - 用户问「你还记得…吗」「我以前跟你说过…」「我上次说要去哪」 - 用户问某个人的近况、某件事的来龙去脉、某个决定是什么时候做的 - 长期陪伴场景(伴侣、家人、心理咨询式对话),对话会持续几个月到几年 - 用户提到"我妈/我爸/我奶奶/我对象"这类会反复出现的人 - 需要回答「那阵子发生了什么」「这件事持续了多久」 **不该用**: - 一次性问答、查资料、写代码(不需要跨会话记忆) - 用户明确要求"别记这个" ## 设计取舍(每条都能对着源码核) | 环节 | 本 skill 怎么做 | 代价 | |---|---|---| | 存什么 | 用户原话,一字不改。一条记录只有六个字段(`d/text/pin/score/ch/kinds`),`text` 只由 `add()` 从入参写 | 做不了任何需要概括的整理 | | 判定 | 封闭词表 + 正则,0 次模型调用 | 判得笨,纯叙述型的重要时刻会漏(见「已知边界」第 1 条) | | 「哪一年」 | 轴上的年度横截面 | 依赖日期准确 | | 「持续了多久」 | 两次同类刻度的日期相减(0.3 年 / 4.7 年) | 只有反复发生的类型才有跨度,一次性事件只有单点 | | 召回副作用 | 零写入(有「前后字节一致」的断言) | 没有基于用户反馈的自动调优 | | 遗忘 | 在轴上退化成一格(那阵子聊过加班,具体哪句记不清),原文不删 | 磁盘不会变小;隐私上不能靠「遗忘」解决 | 「一段的长度」这类信息,单点的相似度检索给不出来——它不在任何一条记忆里,在两条记忆的日期之间。 ## 三条硬约束 1. **原文不可改**。写进去的是用户说的话,读出来的也是。任何环节都不生成、不改写、不概括。 2. **写入只有两条路**。`add()` 追加(`pin`/`kinds` 在落盘那一刻定型),`rejudge` 按新判定器原地重算全库(先备份、写临时文件再替换)。 3. **没有删除接口**。想"忘掉"只能降检索优先级,不能删字节。存原文不贵——一条短句一百来字节, 为省这点空间去改写用户的话,是拿最贵的东西换最便宜的。 ## 全自动模式(推荐) 挂 `hooks/remember_hook.py` 到宿主的 UserPromptSubmit 事件后,**不需要每次手动调用**: - 用户每说一句 → 自动 `add`(约 0.3ms,不调模型) - 用户问「还记得/以前/上次/那年/什么时候」→ 自动把横截面做成 JSON 打到 stdout,由宿主注入上下文 - 其余时候只记不说,不占上下文 - `.remember-me-disable` 空文件可让某个目录不入库;`REMEMBER_ME_HOOK=off` 临时关闭 命令是固定的,挂一次就行。见 README 的「装好之后」一节。 ## 手动用法(调试或换宿主时) ```bash # 建库(默认 ~/.remember-me) python run.py init # 写一句话(自动判断是不是"刻度") python run.py add "我妈住院了,医生说要观察几天" python run.py add "今天下雨了路上好堵" --date 2024-03-05 # 批量导入:日期<TAB>文本,或者每行一句话 python run.py ingest chat.tsv # 取一次记忆横截面 —— 这是要贴进模型上下文的东西 python run.py recall "老陈是怎么走的" # 看轴 / 看刻度 / 看统计 python run.py axis python run.py milestone python run.py stats python run.py rejudge # 判定器升级后重算全库的 pin/score(--dry-run 只报告) # 自检(22 条不变量,任何一条红就是坏了) python run.py selftest ``` ## 工作流(接进任何模型) 1. 每轮对话把用户的话 `add` 进库(不需要模型参与,纯规则,P50 0.26ms) 2. 用户提问时,先 `recall "<问题>"` 拿到一段横截面 3. 把这段横截面**原文**贴进上下文,加一句: > 以下是你记忆库里关于这个问题的原话,按时间排。★ 标的是刻在你心上的事。 > 只用这些回答;没有的就说"这个我不记得了",不要编。 4. 让模型回答 `recall` 的输出已经是可直接粘贴的格式,含「涉及:生死、病、住处」这样的类别提示。 ## 召回只有两种结果 | 结果 | 什么时候 | |---|---| | **给原话** | 过了相关性闸:常驻刻度层 + 这次命中的句子(最多 26 句) | | **给空** | 一个字都不相关,或只有疑问词没有内容词 | **没有"摘要",也没有"关键词形态"。** 库里存的都是整句原文,不会为了省地方把它降级成一串关键词; 不重要的句子只是排后面、进不了常驻层,原文一直在磁盘上。 > 早期设计里想过一个"重要句子留原文、不重要的只留关键词 + 时段"的降级层。 > 那需要额外做关键词抽取和一种新的渲染格式,**我没实现**。所以别在有这个词的地方找它。 ## 判定器在做什么 它只干一件事:**在轴上打刻度**。不负责删任何东西。 两条通路,都只看"说了什么",不看"说了几次"(频次不参与重要性判定): - **事实通道**:不可逆事件 × 情态闸 - 「我妈住院了」是事实 → 刻度 - 「想辞职」是意愿 → 不是 - 「差点提离职」是未然 → 不是 - 「他说调岗」是转述 → 不是 - 「我先走了」是日常动词 → 不是;「奶奶走了」才是 - **唤醒通道**:情绪强度 + 身体反应 + 决定宣告 + 异常长度 - 对应人的闪光灯记忆:高唤醒事件一次就刻住 - 「腿是软的」「手在抖」「喘不上气」「愣住」——人说不出痛苦时会说身体 单独用词表判重要性,在我自建的 3125 句语料上只有 P=35.5% / R=27.6% (语料是模型扮演人设写的,比真人对话干净,真实数据上只会更差)。 **所以它不承担"决定删不删"的职责**,只承担"打刻度"。判错的代价是刻度不准,不是记忆丢失。 ## 性能(本机实测,换机器会变) | | 数字 | |---|---| | 单条写入(追加一行) | P50 0.26ms / P95 0.36ms,85~151 字节/条(`add()` 默认不 fsync) | | 五年合成语料(实测) | 616 句 / 91KB | | 十年 36.5 万句 | 31~55MB(**按单条均值线性外推,没真跑十年**) | | 25 万句 | 22~38MB(同上,外推) | | 20 万条读一次 | 冷启动 3~4 秒;有 pickle 缓存时 0.3~0.5 秒 | | 单次召回 | **最多 26 句**(`budget=20`,截断时放宽 6 句),不随库增长 | | 常驻刻度层 | **最多 64 句**,单条不超过 120 字,不随库增长 | 后两个是代码里的常量,可以直接核对。 ## 已知边界 - **纯叙述型的重要时刻判不出来**:「考完了,最后一道大题没写完,我腿是软的,我完了」——没有事件词。它进不了刻度层,但落在轴上某一年,按年仍可调出。 - **代词会切断实体线**:「五点二十,他走了」不含人名。靠常驻刻度层兜住,没有真正的指代消解。 - **问句和原文用词不一致时会漏**:问「为什么从加拿大回来」,讲原因那句里没有「加拿大」。 - **高频实体覆盖不全**:一个被提了 90 次的人,单次只取 40 句。 - 词表 475 个关键词 / 1183 条词表项,真实口语远不止此。 - 同类型的事会被一起召回:问「我摔倒是哪次」可能带出一条别人的车祸,因为都属「伤」。 ## 数据来源 - 张明园《生活事件量表》LES 48 项(1987)— 事件词骨架 - 中文死亡委婉语三级表(维基词典 / 中国新闻网 / 新华网) - SUBTLEX-CH(Cai & Brysbaert 2010)— 仅用于过滤零频次词与关键词排序 (它是翻译过来的电影字幕,「腰疼」「生孩子」频次为 0,不能用来裁生活词) - 哈工大 + 百度 + 四川大学停用词表 — 关键词过滤 ## 不做什么 - 不联网、不用 embedding、不用向量库、不用 GPU - 不调用模型(判定、检索、封页全部是纯规则,0 次模型调用) - 不生成摘要、不改写原话 - 不在召回时写入任何东西
Pliki w paczce (12)
- .gitattributes 1 KB
- .gitignore 1 KB
- LICENSE 1 KB
- README.md 23 KB
- SKILL.md 9 KB
- bench_scale.py 5 KB
- config.json 1 KB
- run.py 20 KB
- assets/lexicon.json 25 KB
- examples/demo.py 7 KB
- hooks/_selftest.py 4 KB
- hooks/remember_hook.py 8 KB
Wersje
W bazie nie ma innych skilli o nazwie remember-me.
Migawka bazy z 13.11.2026 · wersja paczki 15476e473321 (skrót SHA-256 całej paczki)
Pobrania w ostatnich 30 dniach: 0 · ranking
Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.
Podobne skille
- 95remember-preference
Zapisuje trwałe cechy i preferencje użytkownika, takie jak wzrost, rozmiar czy styl, i aktualizuje je po korekcie. - 100remember
Zapisuje wiedzę w Second Brain po poleceniach w rodzaju „remember this” i „save this” oraz przy zrzucie myśli. - 86remember
Zapisuje na wyraźną prośbę użytkownika informację w pamięci memtomem, by wróciła w późniejszych rozmowach. - 100remember
Zapisuje od razu informację do pamięci, gdy użytkownik prosi o zapamiętanie, i pokazuje albo koryguje to, co już zapisane. - 95remember
Zapisuje wnioski z sesji, preferencje użytkownika i jego korekty w docs projektu jako trwałą pamięć pracy.