AgentRecall 是一个面向 AI 智能体的持久化记忆系统，核心目标是解决跨会话的纠正遗忘问题。当用户告诉智能体“不要未经询问就升级版本”后，该纠正会被转化为结构化规则，持久保存并在下一次会话中主动呈现，同时记录该错误是否再次发生。
用途
AgentRecall 主要用于为 AI 智能体提供跨会话、跨项目的持久记忆，尤其关注“纠正”类记忆。它适用于需要智能体记住用户偏好、规则、决策和教训的场景，例如代码开发、项目协作等。通过本地优先的设计，所有记忆以纯 Markdown 文件形式存储在用户磁盘（默认 ~/.agent-recall/），不上传云端。
主要能力
- 纠正账本：每次纠正（如“不是那个版本”“先放这一节”“假设前先问”）都会生成结构化记录，包含严重程度、证据、适用条件、撤回和结果等字段，并跨会话、项目和智能体重启持久保存。
- 测量工具：每条纠正会累计 retrieved_count，每次遇到相同情境时记录结果为 heeded（被遵守）或 recurred（复发），用于衡量行为改变。
- 五层记忆模型：基于认知心理学分类，映射为普通文件，各层以不同速度遗忘，共享命名语法，便于智能体组合检索路径。
- 可审计的数学机制：包括 RRF 排名融合、Ebbinghaus 遗忘曲线、FSRS-lite 间隔强化、显著性计算、Beta–Bernoulli 反馈学习、ACT-R 关联激活、释义匹配、晋升投票、行为改变测量（heed rate + Wilson 区间）和校准置信度等。所有公式和常数在源码中公开。
- MCP 服务器：默认提供五个工具，工具描述面向智能体编写，说明何时调用。可通过 npx -y agent-recall-mcp --list-tools 查看。
- Claude Code 技能：提供 SKILL.md，可集成到 Claude Code 中。
- SDK：提供 JS/TS SDK，每个实例有独立隔离根（AsyncLocalStorage），并发实例不共享状态。
- CLI：支持终端、CI 和钩子使用。
- 可选语义检索：使用本地 ONNX 模型，作为额外列表加入 RRF 融合，需手动启用。
- 实验性工具包：experimental/harness-kit/ 提供 Claude Code 钩子，用于检测纠正是否改变行为，包括 SessionStart 记分板、错误分类、幽灵检测等。
使用方式
安装 MCP 服务器：npx -y agent-recall-mcp。在 Claude Code 中，建议配置钩子（session_start、session_end、correction hooks），使记忆循环无需智能体主动调用即可运行。也可通过 SDK 集成到 JS/TS 应用，或使用 CLI 在终端操作。记忆文件为本地 Markdown，可选 Supabase 镜像增加 pgvector 检索。
适用场景
- 需要智能体记住用户纠正并避免重复犯错的开发场景。
- 跨会话、跨项目的长期协作，希望积累规则和偏好。
- 对数据隐私敏感，要求记忆完全本地存储的用户。
- 需要量化智能体行为改变的研究或工程团队。
限制
- 记忆检索依赖关键词和可选的语义模型，释义匹配为模糊词汇匹配，非真正语义理解。
- 离线迁移在稀疏语料上得分为 0，需要足够密度的纠正才能有效。
- 部分数学机制（如 ACT-R 激活）为可选，默认不启用。
- 行为改变测量中，heed 工具曾默认无证据判为“被遵守”，已重置为“未知”，当前 0/3 为诚实起点。
- 不存储秘密、令牌或凭证。
- 部分功能（如语义检索）需要本地模型，CI 不下载。
- 平台支持：CI 在 ubuntu-latest 和 windows-latest 上运行构建、回归和测试。
- 收费、价格、具体平台兼容性等未在资料中提供。
