安装即用，零云成本，让 Haiku 级别的模型跑出 Opus 的效果。
引言：AI 的"金鱼记忆"困境
使用 AI Agent 时，你是否遇到过这样的场景：
周一你纠正了 Agent 的某个编码习惯，周五它又犯同样的错误。在不同项目间切换时，Agent 记不住你在另一个项目里的偏好。对话越长，Agent 越容易"忘记"最初约定的关键规则。
这些问题背后，是 AI Agent 缺乏跨会话持久化记忆的先天缺陷。大多数 Agent 的记忆局限于当前会话窗口，会话一结束，所有"学习成果"归零。
PLUR 正是为解决这一问题而生。
第一部分：PLUR 是什么？
PLUR 是一个持久化记忆系统，专为 AI Agent 设计，让它们能够在会话之间、工具之间、甚至机器之间记住用户的偏好、约定和修正。
核心定位
PLUR 的目标是成为 AI Agent 的"长期记忆层"。它不替代 Agent 原有的记忆机制（如 Hermes 的 MEMORY.md），而是作为补充，提供更智能、更动态的记忆管理能力。
一个令人瞩目的基准数据
在工具路由和本地知识基准测试中，Haiku（轻量级模型）+ PLUR 记忆的组合，性能超越了 Opus（顶级模型），而成本仅为后者的十分之一。这意味着记忆系统可以部分弥补模型能力的差距，实现"以小博大"的效果。
第二部分：安装与快速上手
安装（30 秒完成）
pip install plur-hermes
安装即用，零配置。Hermes Agent 会在启动时自动发现并加载该插件。
前置要求
| 依赖 | 版本要求 |
|---|---|
| Hermes Agent | v0.5.0+ |
| Python | 3.10+ |
| Node.js | 18+（插件会通过 npx 自动解析 PLUR CLI） |
安装后立即生效
一旦安装，PLUR 就在后台完全自动运行：
- 每轮对话前：相关记忆自动注入 Agent 上下文
- 每轮对话后：修正和洞察自动捕捉
- 每轮会话结束后：时间线自动记录
你不需要改变任何使用习惯——Agent 会"不知不觉"地开始记住东西。
第三部分：PLUR 的工作原理
记忆的原子单位：Engram
PLUR 将知识存储为 Engrams——可以理解为"记忆痕迹"，是带有元数据的小型断言。
Engram 的特点：
- 用进废退：被引用的次数越多，权重越高；长期不用则自然衰减
- 可反馈训练：你可以给记忆打分，好的记忆更容易浮现
- 可编辑：所有 Engram 以纯 YAML 格式存储在 ~/.plur/ 目录下，你可以随时手动修改
三层存储架构
| 层级 | 内容 | 用途 |
|---|---|---|
| Engrams | 断言、偏好、修正、约定 | 注入到 Agent 上下文的核心记忆 |
| Episodes | 时间戳事件记录 | 回溯"发生了什么" |
| Meta-Engrams | 跨领域提炼的通用原则 | 在不同项目间迁移学习经验 |
智能检索：BM25 + 本地嵌入 + RRF
PLUR 的检索系统完全本地运行，零 API 调用，零成本，支持离线工作。
它采用混合检索策略：
- BM25：基于关键词的快速匹配
- BGE 本地嵌入模型：语义层面的相似度计算
- Reciprocal Rank Fusion (RRF)：将两种结果合并排序，取交集精华
这套方案在 LongMemEval 基准上取得了 86.7% 的准确率，与云端的付费向量数据库持平。
ACT-R 激活衰减：自动遗忘机制
PLUR 借鉴了认知科学中的 ACT-R 模型。未被使用的记忆会随时间自然衰减，自动从注入候选列表中淡出，无需手动清理。这让记忆库既"长记性"又"不臃肿"。
第四部分：Agent 可用的 16 个工具
安装 PLUR 后，Agent 会获得 16 个可主动调用的工具。
核心工具速查表
| 工具名 | 用途 |
|---|---|
| plur_learn | 存储一个修正、偏好或模式 |
| plur_recall | 按主题搜索记忆 |
| plur_inject | 为当前任务获取相关上下文 |
| plur_list | 列出所有存储的 Engram |
| plur_forget | 淘汰过时的知识 |
| plur_feedback | 给某条记忆打分（训练检索质量） |
| plur_capture | 记录一个事件到时间线 |
| plur_timeline | 查询历史事件 |
| plur_status | 健康检查 |
| plur_sync | 通过 Git 跨设备同步 |
| plur_packs_list | 列出已安装的知识包 |
| plur_packs_install | 安装社区知识包 |
| plur_extract_meta | 从记忆中提炼跨领域原则 |
| plur_meta_engrams | 列出提炼出的元记忆 |
| plur_meta_submit_analysis | 继续多轮提炼 |
| plur_validate_meta | 用新领域测试某个原则的有效性 |
最常用的三个场景
场景一：纠正 Agent 的错误
你：这不对，应该用 pnpm 而不是 npm 安装。
Agent（调用 plur_learn）：存储"此项目使用 pnpm"的 Engram。
下次：Agent 自动记住用 pnpm。
场景二：训练检索质量
你：plur_feedback(engram_id, positive=true)
效果：这条记忆权重增强，下次更容易被检索到。
场景三：主动淘汰过时知识
你：plur_forget(engram_id)
效果：该 Engram 不再注入上下文（历史保留）。
第五部分：跨设备同步
PLUR 支持通过 Git 在多台机器间同步记忆。
配置方法
第一步：初始化远程仓库
在任意 Git 托管平台（GitHub、GitLab、Gitee）创建一个私有仓库。
第二步：在第一台机器上推送
直接让 Agent 执行同步命令：
你：请执行 plur_sync，远程地址为 git@github.com:you/plur-memory.git
Agent：已初始化并推送。
第三步：在第二台机器上拉取
你：请执行 plur_sync
Agent：已同步。拉取了 12 个远程提交。
同步机制的优点
- 数据自主：你的记忆存储在你的 Git 仓库里，完全可控
- 跨平台：GitHub、GitLab、Gitea 等任意 Git 托管服务均可
- 版本历史：记忆的每次变更都有 Git 记录，可回溯、可回滚
第六部分：PLUR vs Hermes 内置记忆
| 特性 | Hermes 内置记忆（MEMORY.md） | PLUR 插件 |
|---|---|---|
| 存储方式 | 单文件，约 2200 字符限制 | YAML 目录，无硬性上限 |
| 注入机制 | 全部内容在会话启动时加载 | 每轮动态检索最相关记忆 |
| 遗忘机制 | 手动删除 | ACT-R 自动衰减 |
| 检索方式 | FTS5 关键词搜索 | BM25 + 本地嵌入 + RRF 混合检索 |
| 可训练性 | 无 | 反馈驱动，质量持续提升 |
| 跨设备同步 | 手动复制文件 | Git 自动同步 |
| 跨 Agent 共享 | 不适用 | 支持（通过知识包） |
| 安装成本 | 内置 | 一条 pip 命令 |
关键结论：PLUR 与 Hermes 内置记忆并行工作，而非替代关系。MEMORY.md 适合存放最核心、最稳定的事实（如项目根路径、数据库连接信息），而 PLUR 负责动态积累各类交互中产生的经验、偏好和修正。
第七部分：可选配置
PLUR 零配置即可使用，但以下环境变量可供微调：
| 变量名 | 默认值 | 说明 |
|---|---|---|
| PLUR_PATH | ~/.plur | 存储目录位置 |
| PLUR_INJECT_MODE | fast | 设为 hybrid 可开启基于嵌入的注入（更准但稍慢） |
配置方式示例：
export PLUR_PATH=/custom/path/to/plur
export PLUR_INJECT_MODE=hybrid
第八部分：最佳实践与建议
- 不要删掉 MEMORY.md
PLUR 擅长动态积累，而 MEMORY.md 适合存放极少变动、每轮对话都必须知道的硬事实。两者并用效果最佳。
- 善用反馈机制
plur_feedback 是让检索质量持续提升的核心手段。建议在以下时机使用：
- Agent 准确想起了你之前教过它的内容 → 点赞强化
- Agent 检索到了不相关或过时的记忆 → 点踩弱化
- 定期审视 Engram 库
虽然 ACT-R 会自动衰减不常用的记忆，但建议每隔一段时间通过 plur_list 查看记忆库，确认是否有需要手动清理的条目。
- 跨设备同步建立例行化
可以在每天工作结束时让 Agent 执行一次 plur_sync，实现记忆的自动云端备份和多端同步。
- 探索知识包（Knowledge Packs）
plur_packs_list 和 plur_packs_install 允许你安装社区共享的知识包，为 Agent 快速注入某一领域的通用最佳实践。
结语
PLUR 解决了 AI Agent 长期以来的核心痛点：跨会话的持续学习能力。它以极低的安装成本（一条 pip 命令）和运行成本（零云 API 调用），为 Agent 提供了一个持久、智能、可训练的记忆系统。
更重要的是，它证明了记忆能力可以弥补模型能力的差距——Haiku + PLUR 击败 Opus 的基准测试结果，给所有追求"高性价比 AI"的开发者提供了一条清晰的路径。
下一步行动建议：
- 今天：
pip install plur-hermes，感受自动记忆的威力 - 本周：尝试用
plur_feedback训练几次检索质量 - 本月：配置跨设备同步，建立多端共享的记忆体系
兼容多个主流 Agent 和 IDE
PLUR 的兼容范围很广，目前已经支持以下平台
- Claude Code：通过 MCP 服务器或
npx @plur-ai/mcp init一键初始化 - Cursor：在
cursor/mcp.json配置文件中添加 PLUR 的 MCP 服务器配置 - OpenClaw：提供专用的
@plur-ai/claw插件支持 - Windsurf：同样通过 MCP 服务器配置集成
统一的记忆存储核心
PLUR 之所以能支持这么多平台，是因为它的核心设计是独立于具体 Agent 的。它通过 MCP (Model Context Protocol) 这个通用协议与各种客户端交互，将记忆（如偏好、修正、约定）以纯文本 YAML 格式存储在本地 ~/.plur/ 目录下，不依赖任何云服务，所有检索操作均在本地完成，没有额外的 API 费用