🍃 LeafMem

面向 AI Agent 的分层长期记忆引擎 —— 让 Agent 写得下、理得清、召得回，最终用记忆高效完成任务。

很多记忆方案最终退化成"全部聊天记录"或"一份滚动摘要"，两者都会在规模上来后失真。LeafMem 选择不同的路：按用途分层——长期知识、当前工作状态、任务推进过程、实体关系各自独立存储，再由召回引擎按需拼装成一段可注入提示的上下文。整套系统服务于一个闭环：

Agent 写记忆 → Agent 整理记忆 → 人 + Agent 共同管理 → 召回记忆指导任务

四层不是堆在一起，而是各司其职：长期记忆负责"记住"，active 负责"此刻在做什么"，任务上下文负责"这件事推进到哪了"，实体图谱负责"谁和什么有关系"。

📖 目录

1. 系统介绍 —— 架构、四大 MCP 工具、分层记忆、自动化任务、纪律文件
2. 安装与升级 —— 引导你的 Agent 完成安装 / 升级
3. 使用说明 —— 用户怎么用、Agent 怎么用
4. 基准测试
5. 文档索引

🧭 一、系统介绍

1.1 整体架构

flowchart TB
    subgraph Hosts["🖥️ 宿主 Agent（双宿主定位）"]
        WB["WorkBuddy"]
        KXZ["昆仑小智"]
    end

    subgraph Hooks["⚡ 生命周期 Hook"]
        H1["UserPromptSubmit<br/>自动召回注入"]
        H2["Stop<br/>自动 capture"]
    end

    subgraph MCP["🔌 MCP 4 工具（闭环）"]
        W["memory_write<br/>写记忆"]
        R["memory_recall<br/>召回"]
        O["memory_organize<br/>整理"]
        G["memory_govern<br/>管理"]
    end

    subgraph Layers["🗂️ 分层记忆（SQLite · WAL · FTS5）"]
        PALACE["Long-term 长期记忆<br/>note/lesson/decision/principle…"]
        ACTIVE["Active 工作状态<br/>context / experience / profile"]
        TASK["Task 任务上下文<br/>transcript / rolling summary"]
        GRAPH["实体知识图谱<br/>entities / relations / links"]
    end

    subgraph Retrieval["🔎 召回引擎"]
        BUILTIN["内置加权检索"]
        FTS["FTS5 BM25"]
        ENTITY["实体图谱加权"]
        EMB["BGE-M3 向量化"]
        RRK["bge-reranker-v2-m3 重排"]
    end

    subgraph Ops["🤖 自动化治理"]
        DECAY["decay 衰减"]
        REFLECT["reflect 蒸馏原则"]
        PROFILE["profile 刷新画像"]
        COMMIT["session commit 会话沉淀"]
    end

    subgraph Console["🖱️ 记忆控制台"]
        UI["仪表盘 / 记忆浏览 / 洞察<br/>知识图谱 / 事件日志 / 召回检查 / 宿主接入"]
    end

    WB & KXZ --> Hooks
    Hooks -->|注入召回 / 回写 capture| MCP
    WB & KXZ --> W & R & O & G
    W --> PALACE & ACTIVE & TASK
    W --> GRAPH
    O --> PALACE & ACTIVE
    O --> GRAPH
    G --> PALACE
    R --> Retrieval
    Retrieval --> PALACE & ACTIVE & TASK & GRAPH
    Ops --> O
    PALACE & GRAPH & TASK --> Console

这套分层带来三个实际收益：

• 写入有边界：每条记忆带着 scope（对谁可见）、kind（是什么类型）、来源与标签落库，不会把一次性的聊天内容混进长期知识；
• 召回能讲清楚：每条命中都能解释"为什么被选出来"（词法/向量/图谱/时效各打多少分），也都能点开看原文与来源；
• 共享不失真：WorkBuddy 和昆仑小智可以共用同一个记忆池，但每条记忆仍保留它最初是谁、在哪个场景写下的标记。

1.2 四大 MCP 工具（闭环）

LeafMem 把记忆操作收敛为四个面向闭环环节的工具，每个工具内部再按 action 细分：

| 工具 | 环节 | action | 说明 | |------|------|--------|------| | memory_write | ✍️ 写记忆 | remember / commit / task_append / active_distill | 写入记录、提交会话沉淀、追加任务条目、蒸馏 active | | memory_recall | 🔎 召回 | recall / search / get / list / task_window / active_get | 组装召回上下文、检索、读单条/列表、任务窗口、读 active | | memory_organize | 🧹 整理 | prepare / apply / reflect / profile / decay / calibrate / rebuild | 维护、蒸馏原则、刷新画像、衰减、experience 校准重建 | | memory_govern | 👥 管理 | update / delete / attribute / pin | 更新/删除记录、归因召回价值、固定防衰减 |

💡 这四个工具就是 Agent 与 LeafMem 交互的全部入口。安装器会把使用纪律注入宿主的指令文件，Agent 读到后就知道何时调用。

工具背后的子组件（每个工具由它们协同完成）：

| 子组件 | 作用 | 参与的工具 | |--------|------|-----------| | Proposal Extractor | 从对话/会话蒸馏出"值得记住"的提案 | write（commit） | | Entity Extractor + Entity Store | 抽取实体（人/项目/技术/工具/组织）、建实体间关系与实体-记忆链接，构成知识图谱 | write（remember/commit 时自动建链）、recall（图谱加权） | | Active Memory Manager | 维护 context / experience / profile（用户画像） 三类压缩文档；profile 会注入每次召回 | recall（active 层）、organize（profile/distill） | | Task Context Manager | 任务 transcript、rolling summary、决策窗口 | write（task_append）、recall（task_window） | | Maintenance Manager | reflect（蒸馏原则）、calibrate/rebuild（experience）、attribute（归因） | organize、govern | | Inspect Event Store | 写/改/删/召回的持久化审计事件 | 全部（自动） |

1.3 分层记忆模型

| 层 | 内容 | 特征 | |----|------|------| | Long-term 长期记忆 | 持久记录，带 scope/kind/source/tags/confidence/importance/metadata | 可跨 Agent 共享，保留来源与标记 | | Active 工作状态 | context（当前上下文）/ experience（可复用经验）/ profile（用户画像） | 压缩、随治理更新 | | Task 任务上下文 | transcript 条目、rolling summary、决策 | 按 taskId 聚合 | | Entity 实体图谱 | entities / entity_relations / entity_links | 支撑召回加权与控制台可视化 |

Scope 体系（一条记忆"对谁可见"的标记，写入时自动带上）：

日常使用只有一个正确 scope 类型：agent:<宿主>（具体是哪个宿主 scope，取决于安装配置）。

• 共用拓扑（双宿主都装了时推荐）：统一落主 scope。主 scope 按固定优先级解析——两个宿主都配置时为 agent:workbuddy（WorkBuddy 优先），只有昆仑小智时为 agent:kunlunxiaozhi。两宿主共用一个记忆池，互相可见可写——这是"共用一套记忆"的实现方式，而不是写 user: scope；
• 分拆拓扑：各落各的（agent:workbuddy / agent:kunlunxiaozhi），互不可见；
• 单宿主安装：只装哪个宿主就只有那个 scope，天然单一记忆池，无共用/分拆问题。

其余六种（user / task / session / document / project / repo）都是面向 SDK 编程接入的预留维度（多用户 SaaS、按任务/仓库隔离等场景），双宿主日常使用不应出现：

• 任务工作态数据存在专门的「任务上下文」层（task_context 表），不是 task: scope 的记忆——任务页里的任务 scope 全部是 agent:<宿主>；
• 用户画像存在 Active 层（profile 文档），不是 user: scope 的记忆。

控制台「范围」选择器是动态的：默认「全部记忆」（不过滤），并列出实际有内容的 scope。正常运行时这里应该只有你已安装宿主的 agent scope（单宿主 1 个；双宿主共用 1 个主 scope；双宿主分拆 2 个）。如果出现 user: / task: 等其他类型，说明有历史错误记录需要修复（运维哨兵会检查并告警）。

1.4 召回引擎

memory_recall(action=recall) 组装的是四层上下文：

1. active 层 —— 用户画像 + 当前 context + experience（画像已注入，保证蒸馏知识真正参与）
2. navigation 层 —— 命中的记忆导航
3. task 层 —— 任务窗口（如有 taskId）
4. palace/retrieval 层 —— 加权检索结果

加权信号：词法重叠 + hash 向量 + 实体图谱加权 + FTS5 BM25 + recency + importance + principle 加成，过期记录自动降权。BGE-M3 向量化 + bge-reranker-v2-m3 重排为默认配置：安装引导默认帮你配好（硅基流动免费额度即可，无需付费），开启后 LongMemEval R@10 从 94.6%（内置）提升到 98.4%（2026-08-11 实测）；不配任何 Key 也能用内置检索运行，只是精度按基准表"内置"一行的水平。

蒸馏与画像默认免费：reflect 蒸馏原则、profile 画像刷新由 leafmem-maintenance 运维技能驱动宿主模型完成，不需要任何额外 API Key（见 1.5）。SDK 编程接入场景另可在代码里给 createLeafMem 传自定义 inferencer 函数（见 docs/USAGE.md）；不配置时蒸馏降级关闭，核心召回不受影响。

1.5 周期性维护（leafmem-maintenance 运维技能）

记忆整理不需要额外付费 API Key——由宿主模型通过 MCP 完成。LeafMem 提供 leafmem-maintenance 运维技能（随仓库 ops/skills/ 分发），配合每周自动化任务执行完整 SOP：

| 步骤 | 内容 | LLM 依赖 | |------|------|---------| | 健康检查 | MCP 状态 / 存储容量 / canary 召回验证 | 无 | | 全量存档 | 删除前强制导出 JSON 存档 | 无 | | 真重复合并 | 内容 SHA256 哈希检测（禁止前缀聚类） | 无 | | 碎片整合 | 同日期+同 context ≥3 条簇 → 整合九规则 | 宿主模型 | | 原则蒸馏 | 同标签 lesson 聚类 → principle（reflect 宿主版） | 宿主模型 | | 画像刷新 | preference delta → profile sections 更新（profile 宿主版） | 宿主模型 | | 衰减降权 | memory_organize(action=decay) | 无 | | 镜像同步 | ops/mirror-sync.js 导出全量记忆 | 无 |

现成的自动化提示词模板（随仓库/包分发，宿主读取即可创建定时任务；安装引导会把两者都建成，不是可选项）：

| 模板 | 节奏 | 作用 | |------|------|------| | ops/automations/weekly-maintenance.md | 每周一 04:00 | 深度整理（自动加载本技能）+ 周度观察（ops/observation.py --mode weekly 采集治理指标 + 周环比五项判断 + 周报） | | ops/automations/daily-sentinel.md | 每日 10:00 | 只读健康哨兵（含误删检测 + hook 心跳检查），异常才提醒 |

两者分工明确：深度整理每周一次（记忆增量 ~20-50 条/周，每日无料可整；语义整理是宿主模型的 LLM 重活，每周节奏成本可控），并随整理做周度趋势观察；哨兵每日只读巡检（不整理、零写入、零成本，仅报异常）。

1.6 纪律文件与生命周期 Hook（0.3.0 双保险）

安装器会向宿主写入记忆使用纪律（recall-first、写入规范、scope 铁律等）。对 WorkBuddy 系宿主，纪律块置顶写入 SOUL.md（H1 标题之后，优先级高于其他行为规则；MEMORY.md 保持纯记忆存储）。同时读取导入用户本地的 SOUL / USER / MEMORY / IDENTITY / AGENTS / SYSTEM.md 全部既有记忆文件，作为初始导入与初版用户画像的原料。

Hook 架构（本版本核心特点）：除了纪律规则，安装器还会把生命周期 hook 注册进宿主 settings.json：

• UserPromptSubmit → 自动调用 LeafMem 召回相关记忆，注入当前上下文（模型无需记得"先 recall"）；
• Stop → 回合结束时自动 capture 本轮要点（显式"记住"请求、偏好等），不再依赖模型收尾时自觉 commit。

这解决了纯规则模式下 task_append 不触发、commit 时机不可控的老问题——记忆的写入与召回由机制保障，而非依赖模型自觉。桥脚本零依赖、失败静默、心跳写 ~/.leafmem/hooks.log；宿主不触发 hook 时自动降级回 SOUL.md 规则路径，两条路互为保险。

🔒 纪律铁律：写入时 importance/confidence 必须是数字而非字符串；tags 是扁平数组。违反会被拒收。

🚀 二、安装与升级

LeafMem 的安装/升级优先由你的 Agent 引导完成——你只需要对 Agent 说一句话，它会引导你配置 API Key、完成 MCP 接入。

分发方式：GitHub Releases 附件包（解压即用）。dist 零运行时依赖（仅 Node 内置模块），下载解压后由 Agent 按引导文件执行安装，全程不需要 npm（国内访问 npm 慢，故不走 npm 安装路径；npm 上的同名包仅作归档）。

2.1 通过 Agent 安装（推荐）

1. 从 GitHub Releases 下载最新 leafmem-<version>.zip，解压到任意目录。
2. 把解压目录连同下面对应的引导语发给你的 Agent：

2.1.1 给昆仑小智用户的引导语（macOS / Windows）

请帮我安装并配置 LeafMem 记忆引擎。安装引导文件就在本 releases 包解压目录内的 INSTALL-KUNLUNXIAOZHI.md。请完整读取该文件，严格按其中「昆仑小智执行步骤」 逐条执行；需要我手动操作的（安装 Node.js、提供硅基流动 API Key、点击 MCP 信任） 请明确提示我。安装完成后按文件末尾的自检清单逐项验证，并把结果告诉我。

昆仑小智会读取引导文件自动完成安装器运行、向量化配置、MCP 信任引导、服务自启、维护技能与自动化、初始导入、初版用户画像与生命周期 hook 注册；用户全程只需装 Node.js、给一枚硅基流动 Key、点一次 MCP 信任、最后重启一次宿主。

2.1.2 给 WorkBuddy 用户的引导语（macOS / Windows）

请帮我安装并配置 LeafMem 记忆引擎。安装引导文件就在本 releases 包解压目录内的 INSTALL-WORKBUDDY.md。请完整读取该文件，严格按其中「WorkBuddy 执行步骤」 逐条执行；需要我手动操作的（安装 Node.js、提供硅基流动 API Key、点击 MCP 信任） 请明确提示我。安装完成后按文件末尾的自检清单逐项验证，并把结果告诉我。

WorkBuddy 同上：引导文件驱动全流程，含初始导入（读本地 SOUL/USER/MEMORY/IDENTITY/AGENTS/SYSTEM.md 入记忆库）与初版用户画像生成。

2.2 命令行安装（手动）

# 单宿主（在解压目录内执行）
node dist/bin/leafmem-agent.js install workbuddy
node dist/bin/leafmem-agent.js install kunlunxiaozhi

# 全部宿主 + 指定记忆拓扑
node dist/bin/leafmem-agent.js install all --memory shared   # 双宿主共用一池
node dist/bin/leafmem-agent.js install all --memory isolated # 各自独立 scope

一条 install 命令完成五件事：写 MCP 配置（合并保留已有 env）、初始导入本地记忆文件、纪律块置顶写入 SOUL.md、注册生命周期 hook、（all 时）安装控制台服务。

支持的宿主：

workbuddy | kunlunxiaozhi | all

所有宿主默认指向同一个 SQLite：~/.leafmem/memory.sqlite

2.3 通过 Agent 升级（推荐）

下载新版 release 包解压后，对 Agent 说：

“帮我用这个新包升级 LeafMem 到最新版本。”

Agent 会在新解压目录内运行 update，幂等地刷新各宿主的 MCP 配置、纪律注入、生命周期 hook 与服务自启，无需 git/npm。若工具接口变更，Agent 会提醒你重新到 MCP 管理页点信任。记忆库（SQLite）不受影响、不会被删除。

2.4 命令行升级

# 在新解压目录内执行（release 安装无 git，自动跳过代码刷新，直接幂等重装）
node dist/bin/leafmem-agent.js update all
node dist/bin/leafmem-agent.js update workbuddy

2.5 控制台与本地服务

# 启动浏览器控制台
node dist/bin/leafmem-agent.js ui

# 管理常驻服务
node dist/bin/leafmem-agent.js service install
node dist/bin/leafmem-agent.js service status
node dist/bin/leafmem-agent.js service url

# 终端版
node dist/bin/leafmem-agent.js tui

2.6 API Key 快速上手

LeafMem 开箱即用（不配任何 Key 时用内置检索工作）。在此基础上，安装引导会自动帮你配好完整的检索栈：

• 向量化 + 重排：硅基流动 BGE-M3（embedding）+ bge-reranker-v2-m3（rerank），免费额度即可，显著提升召回精度
• 蒸馏/画像：由运维技能用宿主模型完成，免费，无需任何额外配置

配置细节见 docs/GETTING_STARTED.md。

📚 三、使用说明

LeafMem 的使用分两类场景：用户日常触发 与 Agent 自主使用。

3.1 用户怎么用

你不需要记命令，只需在对话里用自然语言触发：

| 你想做什么 | 对 Agent 说 | Agent 实际调用 | |-----------|------------|---------------| | 让它记住一件事 | “记住：以后先给结论再给证据” | memory_write(action=remember) | | 回忆之前的决定 | “我们之前是怎么定 X 方案的？” | memory_recall(action=recall) | | 改一条记忆 | “把那条偏好改成简洁英文回复” | memory_govern(action=update) | | 删一条记忆 | “删掉那条过时的记录” | memory_govern(action=delete) | | 保护重要记忆 | “把这条原则固定住，别被衰减” | memory_govern(action=pin) | | 主动整理 | “整理一下最近的记忆” | 加载 leafmem-maintenance 技能执行整理 SOP（宿主模型驱动，免费）；memory_organize(action=decay) 可直接用 | | 看任务工作态 | “这个任务之前做到哪了？” | memory_recall(action=task_window) 或控制台任务页 |

记忆控制台

打开 http://127.0.0.1:3377/console（或 leafmem-agent ui），功能：

| 页面 | 作用 | |------|------| | 📊 仪表盘 | 记忆总数、蒸馏原则、召回次数、类型/来源分布、最近活动 | | 📖 记忆浏览 | 检索、筛选（类型/来源/标签）、查看、删除记录 | | 💡 洞察 | 蒸馏原则列表、用户画像 | | 🕸️ 知识图谱 | 实体关系力导向图（预模拟稳定布局、邻接高亮、点击详情） | | ⏱️ 事件日志 | 写/改/删/召回的审计流水 | | 🔎 召回检查 | 模拟 Agent 检索，看实际召回了什么 | | 📋 任务上下文 | Agent 工作态（transcript + rolling summary），分页浏览、点开看详情；与记忆是两套数据 | | 🔌 宿主接入 | 双宿主状态卡片：已配置→「修复」（重检测修复 MCP/指令漂移），未配置→「配置」；共用记忆开关（四层共享说明） | | ❓ 帮助文档 | 本文档，支持目录跳转与全文搜索（mermaid 图实时渲染） |

3.2 Agent 怎么用

安装器已把纪律注入宿主，Agent 按以下闭环自主运行：

① 写记忆（memory_write）

• recall-first：回答前先 memory_recall(action=recall)，除非请求完全自包含
• remember：用户表达持久偏好/工作规则 → memory_write(action=remember)，可省略 scope（默认落当前宿主）
• commit：重要工作完成或会话收尾 → 宿主先用自己的模型蒸馏 rollingSummary，再 memory_write(action=commit)，并附带 activeContext/activeExperience

② 整理记忆（memory_organize）

| action | 作用 | |--------|------| | reflect | 同标签 lesson/decision 聚类蒸馏为 principle（节流，内部判断到期） | | profile | 基于 preference/identity delta 更新用户画像（只改 LLM 输出的 section） | | decay | 陈旧未召回的低重要性记忆降权（pinned 豁免，不删除） | | prepare / apply | 宿主中介式 active 维护：prepare 生成请求，apply 落库 | | calibrate / rebuild | experience 校准 / 重建 |

③ 管理记忆（memory_govern）

• update / delete：用户要求修正或删除时（需显式 scope）
• attribute：某条被召回的记忆真的指导了工作后，归因加权
• pin：固定重要记忆防衰减

④ 召回（memory_recall）

• 组装 active + navigation + task + palace 四层上下文（active 层含用户画像）
• search / get / list 返回完整记录；recall 返回 prompt-ready 文本（record 内容已并入 injectedContext）

⑤ 实体图谱与审计（自动，无需手动调用）

• 每次 remember/commit 自动抽取实体并建链，召回时图谱参与加权；控制台"知识图谱"页可视化
• 每次写/改/删/召回自动写审计事件，控制台"事件日志"页可查

3.3 纪律文件使用约定

• scope 铁律：默认 scope 由 mcp.json 注入（如 agent:workbuddy），写入时不传 scope；必须指定时用当前宿主 scope
• 召回省略 scope：跨 Agent 召回共享记忆时不传 scope，让 LeafMem 搜共享池
• 参数类型：importance/confidence 是数字；tags 是扁平数组（XML 逐项）

📈 基准测试

基线测量 2026-08-08；默认配置（BGE-M3 embedding + bge-reranker-v2-m3 重排）完整重测 2026-08-11。基准的三个配置层级：

• 内置（零配置）：不配任何 embedding / rerank 模型与 API Key，仅内置 hash 向量 + 五维加权评分；
• + BGE-M3 embedding（未含重排）：在内置评分上叠加 BGE-M3 向量相似度（0.65/0.35 融合），走硅基流动免费 API；
• 默认配置 = BGE-M3 embedding + bge-reranker-v2-m3 交叉编码器重排：安装引导配出的形态（重排对 top-40 候选与检索分 60/40 融合，fail-safe）。

完整方法与复现见 benchmarks/BENCHMARKS.md。

| Benchmark | 检索配置 | R@5 | R@10 | NDCG@10 | 需 API Key | |-----------|---------|-----|------|---------|-----------| | LongMemEval (500q) | 内置（零配置） | 89.6% | 94.6% | 0.834 | 否 | | LongMemEval (500q) | + BGE-M3 embedding（未含重排） | 95.8% | 97.6% | 0.916 | 是（硅基流动免费） | | LongMemEval (500q) | 默认配置（+ 重排） | 96.4% | 98.4% | 0.929 | 是（硅基流动免费） | | LoCoMo (1986q) | 内置（零配置） | 84.1% | 92.0% | 0.733 | 否 | | LoCoMo (1986q) | + BGE-M3 embedding（未含重排） | 88.4% | 94.9% | 0.790 | 是（硅基流动免费） | | LoCoMo (1986q) | 默认配置（+ 重排） | 90.3% | 95.8% | 0.819 | 是（硅基流动免费） |

默认配置相对 embedding-only 的提升：LME R@10 +0.8pp / NDCG@10 +0.013；LoCoMo R@5 +1.9pp / R@10 +0.9pp / NDCG@10 +0.029——重排层的增益一致且稳定。

📂 文档索引

| 文档 | 内容 | |------|------| | docs/GETTING_STARTED.md | API Key 配置、双宿主数据策略 | | docs/USAGE.md | MCP、宿主接入、UI/TUI、导入、存储 | | docs/WORKBUDDY.md | WorkBuddy 最短接入路径 | | docs/ARCHITECTURE.md | 分层设计、召回流、SQLite schema | | docs/API.md | 核心 API、4 工具、HTTP 路由 | | benchmarks/BENCHMARKS.md | 基准方法与完整结果 | | INSTALL-KUNLUNXIAOZHI.md | 昆仑小智分步安装引导（macOS/Windows，agent 驱动，含初始导入+画像+hook） | | INSTALL-WORKBUDDY.md | WorkBuddy 分步安装引导（macOS/Windows，agent 驱动，含初始导入+画像+hook） | | ops/hooks/leafmem-hooks.mjs | 生命周期 hook 桥脚本（UserPromptSubmit 召回注入 / Stop 自动 capture） | | ops/build-release.sh | release 包打包脚本（解压即用 zip，绕开 npm） |

📦 包入口

@xdragonjia/leafmem            # 主入口
@xdragonjia/leafmem/core       # 分层记忆核心
@xdragonjia/leafmem/mcp        # 4 工具 + stdio MCP server
@xdragonjia/leafmem/active     # Active 记忆（context/experience/profile）
@xdragonjia/leafmem/task       # 任务上下文
@xdragonjia/leafmem/entity     # 实体图谱
@xdragonjia/leafmem/retrieval  # 检索（内置/向量/QMD）
@xdragonjia/leafmem/maintenance# 治理（decay/reflect/profile）
@xdragonjia/leafmem/runtime    # 召回上下文组装
@xdragonjia/leafmem/http       # 控制台 HTTP
@xdragonjia/leafmem/adapters   # Hermes/OpenClaw 兼容

⚠️ 能力边界（如实说明）

• 零外部依赖即可运行：不配任何 API Key 也能召回（内置检索），精度按基准表「内置」一行；配上默认的硅基流动向量化+重排（免费额度）即达「默认配置」一行的水平
• 蒸馏类能力：默认且唯一的产品路径是 leafmem-maintenance 运维技能由宿主模型蒸馏（免费）。SDK 编程接入可另传自定义 inferencer 函数（见 docs/USAGE.md）；未配置时蒸馏降级关闭，不影响基础记忆与召回
• 超大存储：数万条以上依赖向量重排或检索后端扩展（默认配置已含向量化+重排），内置加权检索在千级规模表现最佳
• Markdown 宿主桥接为单向：首次导入后以 SQLite 为准，markdown 仅作展示镜像
• 平台：支持 macOS / Windows。核心（MCP/记忆/控制台）与开机自启双平台对齐——macOS 用 launchd、Windows 用任务计划程序，安装程序自动选择，体验一致（开机自启 + 崩溃自恢复）

🔒 许可

专有许可（Proprietary）。LeafMem 当前以私有许可分发，详见 LICENSE。