记忆桥 MemoryBridge

🌉 给 AI 一个跟着你走的记忆 —— 跨设备 × 跨平台的共享记忆层

CDSMP（大模型跨设备语义记忆连续性架构）的官方工程实现。
English · 设计 RFC · 路线图 · 隐私威胁模型 · 版本历程

这解决什么问题

早上通勤时你在手机上和 AI 讨论到一半的推理，回到办公室想在 PC 上继续——
今天的做法是：翻聊天记录、复制粘贴、重新解释一遍背景。

云全量同步很重也未必安全；RAG 是"到了新设备再被动检索"；主流记忆系统
（Mem0、MemGPT/Letta 等）本质上是单机的。记忆桥的答案是三个差异化主张：

1. 跨设备连续性：记忆跟着人走，而不是跟着 App 走。手机、PC、平板共享同一份语义记忆，通过增量差分同步。
2. 边缘预加载：在你打开新设备之前，高热度的记忆已经被推送到位——切换即连续，而不是切换后等待检索。
3. 内容冻结原则：记忆桥只提取语义关联、只调节结构参数，永不改写你的原始记忆内容。这正是论文所依据的 Faulty Memory 研究的结论：让 LLM 自动改写/摘要记忆，必然引入幻觉式失真。

同时，记忆桥是跨平台的：通过 MCP 协议，同一个记忆库可以被 Claude Code、Cursor、Cline 等任意 MCP 客户端共享使用（平台覆盖详情见下文矩阵）。

当前能力（v0.2）

与同类项目的差异

平台覆盖（跨平台记忆共享）

用户只需运行 membridge init：自动检测本机已安装的平台并接入（幂等安全，重复执行无副作用）。

对完全封闭、不支持任何外部接入的 App，兜底方案是"剪贴板/分享"通道
（membridge context 复制粘贴），永远可用。

快速开始

git clone https://github.com/jiabaobei/memory-bridge.git
cd memory-bridge
pip install -e .
membridge init               # 强制完成云盘通道配置（默认必做，检测已装同步盘自动配好；
                             # 没有则引导免费云盘；确要跳过需显式确认），
                             # 随后自动接入本机各 AI 平台
python examples/demo.py      # 90 秒看懂：手机记忆 → 差分包 → PC 无缝继续

为什么第一件事是配云盘？记忆不上云，跨设备无从谈起。 早上手机上的讨论，
只有进了云盘通道，办公室的电脑才能接着继续。按论文测算你的记忆一年仅约 1GB，
任何免费云盘都够用；且同步的是端到端加密的差分包——云盘服务商也看不到内容。

CLI

membridge init                                           # 一键接入本机检测到的 AI 平台
membridge add "用户在开发记忆桥项目" --tags dev          # 写入记忆
membridge search "记忆桥" -k 3                          # 语义检索
membridge context "继续早上的讨论"                       # 输出 Path A 上下文块
membridge preload 我的手机                               # 预加载候选（PAMS 门控）
membridge delta phone.db --out delta.json               # 生成到另一设备的差分包
membridge apply delta.json                              # 并入差分包
membridge publish --dir "D:\百度网盘同步盘\membridge" --passphrase 我的口令   # 发到网盘通道
membridge fetch   --dir "D:\百度网盘同步盘\membridge" --passphrase 我的口令   # 从网盘取回
membridge stats                                         # 记忆库概况
membridge doctor                                        # 环境自检

手动接入 MCP 客户端（membridge init 已覆盖的平台可跳过）

个别平台如需手动配置，Claude Code：

claude mcp add memory-bridge -- membridge mcp

Cursor / 其他 MCP 客户端（mcp.json）：

{
  "mcpServers": {
    "memory-bridge": {
      "command": "membridge",
      "args": ["mcp"],
      "env": { "MEMBRIDGE_DB": "D:/mem/my.db", "MEMBRIDGE_DEVICE": "我的PC" }
    }
  }
}

可用工具：memory_add（Add）、memory_search / memory_context（Search）、
memory_preload（Preload）——严格限定在 UEP 权限边界内，没有"改写记忆"的工具。

架构一览

              ┌────────────────────────────────────────────────┐
              │           跨平台接入层（连接器）                  │
              │  MCP Server │ CLI │ 平台技能（WorkBuddy 等）     │
              │        移动端 / 浏览器插件（计划中）               │
              └───────────────────────┬────────────────────────┘
                                      │ 仅开放 Add / Search / Preload
   ┌──────────────────────────────────▼───────────────────────────────────┐
   │                 CDSMP 六阶段流水线（记忆桥核心）                        │
   │                                                                      │
   │   感知 ──▶ 蒸馏 ──▶ 缓存 ──▶ 同步 ──▶ 注入 ──▶ 反馈                   │
   │            SAN    TMT    DSS    Path A    AEE(Phase 4)               │
   │                                                                      │
   │        PAMS 三级隐私隔离（贯穿所有阶段的数据出口）                       │
   └──────────────────────────────────┬───────────────────────────────────┘
                                      │ DSS 差分包（默认端到端加密）
                                      │ 通道：网盘中转 ✅ / 局域网直连 / 实时中继（Phase 2）
                        ┌─────────────▼──────────┐
                        │  本设备记忆库（SQLite）   │◀──▶ 手机 / 平板 / 边缘网关
                        └────────────────────────┘

模块与论文公式的逐条映射见 docs/RFC-001-architecture.md。

路线图

• Phase 0 ✅ 仓库与骨架、核心引擎 v0（SAN + Path A + DSS 本地差分 + PAMS L1/L2）、MCP Server
• Phase 1 🔄 membridge init 一键接入 + doctor 自检 + WorkBuddy 技能 + 远程 MCP 已完成（v0.2）；待办：PyPI 发布、真实 embedding 后端、TS SDK
• Phase 2 跨设备传输通道：E2E 加密中继（自托管）、版本向量、冲突解决
• Phase 3 TMT 边缘驻留（hot/cold 两级）、预加载时机、移动端接入、L2 授权流
• Phase 4 AEE 自适应进化（α / π_nav / θ_window）、Path B experimental 分支、L3 差分隐私、UEP 评测复现脚本

详见 docs/roadmap.md。

与论文的关系

记忆桥是论文《大模型跨设备语义记忆连续性架构（CDSMP）》的工程实现，论文中
未实现/后置的组件（Path B、AEE、L3、完整评测）在项目中按同样的顺序后置。
README 与文档中引用的实验数字（如 TCR 94.7%、带宽 −89%、token 开销 −87.1%）
均为论文报告值，对应复现脚本将在 Phase 4 随 benchmark/ 目录提供。

@techreport{cdsmp2026,
  title  = {大模型跨设备语义记忆连续性架构：基于边缘预加载与多级热缓存的零认知开销推理（CDSMP）},
  author = {鲜妤佳},
  year   = {2026},
  note   = {预印本 v7}
}

隐私

三条不变承诺（详细威胁模型见 docs/threat-model.md）：

1. local 标签的记忆在代码路径上就不可能离开原设备（不是策略承诺，是结构保证）；
2. 跨设备同步的默认门控为 PAMS L1/L2，敏感内容自动降级为 local；
3. 记忆库是单机单文件（SQLite），可以整库加密、整库删除、整库带走。

参与

pip install -e ".[dev]"    # 或不装任何东西：python tests/run_tests.py
pytest -q

设计变更请先提 Issue 或阅读 docs/RFC-001-architecture.md。
特别欢迎：真实 embedding 后端、移动端连接器、同步中继实现、评测复现。

灵感与致谢

• Tencent ncnn：v0.4 起借鉴其零依赖、自描述模型文件
  （param/bin）与便携免安装发布的工程实践，映射详见
  docs/design-notes/ncnn-borrowings.md。

License

MIT