Context-Keeper 是一个基于 LLM 驱动的智能记忆与上下文管理系统，定位为 AI 记忆管理与智能上下文感知平台，同时涉及 RAG 检索增强生成与向量检索引擎。其目标是重新定义 AI 助手的记忆边界，让每一次对话都有意义。
用途
Context-Keeper 主要解决 AI 工具缺乏持续记忆能力的问题，避免开发者每天重复向 AI 助手解释项目背景。它通过构建持续记忆与知识积累体系，减少重复性解释和讨论，缩短新员工培训时间，基于历史经验提供智能建议，并系统性地沉淀团队智慧。
主要能力
系统经历了两个版本的迭代，核心能力包括：
- 短期记忆：存储完整的近期对话，使用本地文件系统，保证高速访问。
- 长期记忆：存储关键信息摘要，使用向量数据库永久保存。
- 渐进式压缩：信息从短期记忆的详细记录逐步转化为长期记忆的语义摘要。
- 会话隔离：每个用户拥有独立的会话空间，确保数据安全和隐私保护。
- 工作空间隔离：不同项目/工作空间的上下文完全隔离，避免信息串扰。
- 个性化记忆策略：根据用户工作风格自动调整记忆阈值和摘要策略。
- 跨会话知识传递：在同一用户的不同会话间建立智能关联。
- 记忆ID（memoryID）：用户视角的“完整记忆”，对应一个工作任务或主题。
- 批次ID（batchID）：系统视角的“存储单元”，对应连续对话片段。
- 智能重要性评估：自动识别关键决策点，确保核心内容永久保存。
二期在一期基础上实现了两个关键突破：
- LLM 驱动的宽召回+精排序架构：构建“意图理解 → 宽召回 → 精排序 → 智能合成”的 LLM 驱动架构。
- 智能上下文管理：四维统一上下文模型 + LLM 驱动的全生命周期智能管理。
四维统一上下文模型作为上下文信息的载体，通过 LLM 驱动的智能管理机制，实现上下文从初始构建→填充完善→智能分析&更新上下文（循环往复）的全生命周期管理。其特点包括：统一上下文模型作为四维协同的数据存储基石；全生命周期覆盖从初始构建到循环变更的完整管理链路；每个管理环节都有 LLM 参与决策，非传统规则引擎；基于语义分析的实时上下文变化检测；LLM 驱动的智能冲突解决和优先级仲裁，实现无冲突合并。
使用方式
部署 Context-Keeper 前需要准备以下基础设施：
- 向量存储：设计了统一的向量存储接口，可按需扩展，支持阿里云 DashVector（可在阿里云控制台申请）、京东云 Vearch（可在京东云申请），以及基于统一接口自定义实现其他向量存储（如 Milvus、Weaviate 等）。
- 时间线存储：需自行安装 TimescaleDB/PostgreSQL。
- 知识图谱和关联分析：需自行安装 Neo4j。
- 大模型配置：支持本地和云端大模型。本地基于 Ollama 框架，安装命令为
curl -fsSL https://ollama.ai/install.sh | sh，按需安装模型如ollama pull deepseek-coder-v2:16b，支持 CodeQwen、DeepSeek Coder、Llama 等；云端申请对应 LLM 厂商 API 密钥即可，支持 OpenAI、DeepSeek、Claude、通义千问等。 - 配置文件：基于项目实际的
config/.env配置文件和config/llm_config.yaml配置文件。
适用场景
Context-Keeper 适用于需要 AI 助手具备持续记忆与上下文感知能力的开发场景，例如团队协作中减少重复解释项目背景、新成员快速熟悉复杂项目、基于历史经验辅助决策、跨会话知识传递与团队知识资产积累等。
限制与规划
项目采用阶梯式演进策略。第三阶段为知识图谱能力（核心已完成），时间窗口为 2025 年 Q4 至 2026 年 Q1，核心目标是知识图谱与向量语义的深度融合检索，包括企业知识图谱构建、关系推理引擎、跨项目知识复用，预期指标为知识图谱覆盖率 90%+、关系推理准确率 85%+、跨项目知识复用率 70%+。第四阶段为企业级部署（2026 年 Q1），核心目标是构建企业级 SaaS 服务和全球化部署能力，包括多租户 SaaS 架构、安全合规体系、全球化部署。
项目基于 MIT License 开源许可证，欢迎自由使用、修改和分发。项目发起人&首席架构师为 @weixiaofeng，LLM 架构师为 @lixiao。
