Mem-Forever

Mem-Forever是一个基于I-Lang协议的AI持久记忆层数据集，旨在解决AI工具会话结束后记忆丢失的问题。该数据集采用Git原生的存储方式，将记忆以紧凑的I-Lang结构存储在用户私有仓库中。数据集包含两个主要部分：soul.md（自动从对话生成的用户行为配置文件）和memory.md（记录用户决策、学习和构建内容的自动追加日志）。这些文件采用人类可读、机器可解析的I-Lang v3.0协议格式，具有可寻址、范围限定、版本控制和可验证的特点。数据集支持多种AI工具（如Claude Code、Cursor、Codex、Copilot等）的自动读取和更新，无需额外配置。数据存储于用户自己的GitHub私有仓库，确保数据所有权和隐私性。该数据集适用于需要跨会话保持AI记忆的各种应用场景。

Mem-Forever is an AI persistent memory layer dataset based on the I-Lang protocol, designed to address the issue of memory loss after AI tool sessions end. The dataset uses Git-native storage to store memories in a compact I-Lang structure in users private repositories. The dataset consists of two main parts: soul.md (a user behavior profile automatically generated from conversations) and memory.md (an auto-appending log recording user decisions, learning, and content construction). These files use the human-readable, machine-parsable I-Lang v3.0 protocol format, featuring addressability, scoping, version control, and verifiability. The dataset supports automatic reading and updating by various AI tools (such as Claude Code, Cursor, Codex, Copilot, etc.) without additional configuration. Data is stored in users own private GitHub repositories, ensuring data ownership and privacy. This dataset is suitable for various application scenarios requiring cross-session AI memory retention.

原始信息汇总

数据集概述：Mem-Forever

名称：Mem-Forever（AI持久记忆协议）

许可证：MIT

标签：ai-memory, i-lang, ilang-protocol, claude-code, cursor, persistent-memory

描述：Mem-Forever是一个基于Git的持久记忆层，旨在为AI代理提供跨会话、跨模型的永久记忆能力。记忆以紧凑的I-Lang结构存储在用户私有的Git仓库中，既可供人类阅读，也可供机器解析，并且可以在不同工具之间移植。

---

核心特性

• 持久性：记忆跨越每次会话和模型切换而持续存在。
• 可移植性：记忆以纯文本I-Lang碎片形式存储在.ilang/目录中，支持git diff，无供应商锁定。
• 自动化：AI从对话中自动构建用户配置文件，无需手动填写表单。
• 隐私性：数据存储在用户自己的私有仓库中，无需服务器、账户或遥测。

---

数据结构

仓库中包含两个核心文件：

• .ilang/soul.md：用户行为配置文件（从对话中自动生成）。
• .ilang/memory.md：决策、学习、构建的记录（自动追加）。

示例I-Lang代码片段：

ilang ::DNA{user} ::CORE{ ::CONTEXT{role:fullstack_dev|experience:10yr} ::GENE{style|conf:confirmed} T:conclusions_first T:minimal_output|when:simple A:verbose_without_signal⇒waste } ::LESSONS{ ::LESSON{id:serverless_no_shared_state|conf:confirmed} }

每个偏好都是可寻址、有作用域、版本化且可证伪的。

---

使用方法

1. 点击 "Use this template" → Create a new repository → 设置为 Private。
2. 使用任意AI工具打开该仓库。AI会读取指令文件，询问几个问题，然后自动构建配置文件。此后，AI将记住用户信息。

---

兼容工具

工具	自动读取方式	使用方法
Claude Code	CLAUDE.md	打开仓库，开始工作
Cursor	.cursorrules	打开仓库，开始工作
Codex	AGENTS.md	打开仓库，开始工作
Copilot	.github/copilot-instructions.md	打开仓库，开始工作
Gemini CLI	GEMINI.md	打开仓库，开始工作
ChatGPT	项目知识	上传 soul.md
Claude.ai	项目知识	上传 soul.md
Gemini web	Google Drive	将 soul.md 同步到 Drive

对于不同项目，可以通过一句话恢复完整上下文，或直接使用模板创建独立的记忆仓库。

---

工作原理

┌─────────────┐ ┌──────────────┐ ┌─────────────┐ │ You talk │────▶│ AI reads │────▶│ AI updates │ │ to any AI │ │ .ilang/ │ │ .ilang/ │ │ tool │ │ soul.md │ │ memory.md │ │ │ │ memory.md │ │ soul.md │ └─────────────┘ └──────────────┘ └──────┬──────┘ │ git commit git push │ ┌──────▼──────┐ │ Your private │ │ GitHub repo │ └─────────────┘

• soul.md：行为配置文件，从对话中生成，通过变异和衰减规则逐会话优化。
• memory.md：决策、教训、事实、进展的记录，仅追加，Git历史保留所有内容。
• 用户无需手动编写这些文件，AI自动完成。用户可以随时阅读、编辑或删除。

---

与其他方案对比

特性	Mem-Forever	Nowledge Mem	Mem0
安装	使用模板	下载App + 配置	pip install + API密钥
配置	无	MCP + 插件 + LLM	SDK集成
存储	用户GitHub仓库	本地SQLite	云端向量
跨工具	任何可读取文件的工具	每个工具一个插件	每个工具一个API
价格	永久免费	免费/专业版	免费/专业版
数据所有权	用户	用户	服务方所有
迁移	git clone	导出	API调用

---

技术细节

指令文件包含基于I-Lang v3.0的行为规则，这是一种AI模型原生解析的结构化协议。这些规则指导AI如何提取偏好、格式化记忆、处理冲突以及随时间演化用户配置文件。用户无需了解I-Lang，只需与AI对话即可。

搜集汇总

数据集介绍

构建方式

Mem-Forever数据集构建于I-Lang协议之上，采用Git原生记忆层架构，以私有仓库为核心存储单元。记忆通过紧凑的I-Lang结构进行编码，存储于`.ilang/`目录下的`soul.md`与`memory.md`文件中。其中，`soul.md`自动从对话中生成用户行为画像，经变异与衰减规则每轮会话精炼；`memory.md`则以仅追加方式记录决策、经验与进展，借助Git历史实现版本追溯。用户通过选择模板创建私有仓库，无需额外安装或配置，AI工具在对话中自动提取偏好并格式化记忆，形成自动化的持续学习闭环。

特点

该数据集以永久性、跨会话与跨模型记忆为核心能力，突破传统上下文窗口的局限。所有记忆以纯文本形式存在，兼具人类可读性与机器可解析性，支持通过`git diff`实现可视化版本控制，避免供应商锁定。数据完全归属用户，存储于个人私有仓库，无需外部服务器、账户或遥测，保障隐私安全。自动构建机制免去手动填写表单的繁琐，AI从自然对话中主动塑造用户画像，并能在任意支持文件读取的工具间无缝迁移，确保记忆的持久性与便携性。

使用方法

使用Mem-Forever极为简便，仅需两步：首先在GitHub上基于模板创建私有仓库，随后用任意AI工具打开该仓库。工具通过读取仓库内的指令文件（如`CLAUDE.md`、`.cursorrules`等）自动触发记忆构建流程，向用户提问并生成个性化画像。跨项目管理时，可重复使用该模板创建独立记忆仓库。若切换至其他项目，只需提供一个包含仓库地址与访问令牌的单句指令，AI即能克隆仓库并恢复完整上下文，实现记忆的即时移植与共享。

背景与挑战

背景概述

Mem-Forever是一个于2024年发布的创新数据集与协议，由I-Lang Protocol团队构建，旨在解决人工智能代理在跨会话与跨模型场景中缺乏持久性记忆的根本困境。该数据集的核心研究问题聚焦于如何以轻量、私有且可移植的方式，让AI系统在用户关闭会话窗口后仍能保留偏好、决策与经验教训。Mem-Forever依托I-Lang v3.0协议，将记忆编码为人类可读、机器可解析的文本结构，存储于用户私有的Git仓库中。其影响力体现在为AI记忆管理提供了去中心化、免服务器、零配置的解决方案，显著降低了记忆持久化的技术门槛，对AI辅助开发工具（如Claude Code、Cursor）及智能代理领域产生了深远影响，推动了跨工具记忆共享范式的演进。

当前挑战

Mem-Forever所解决的领域挑战在于传统AI系统每次会话均从零开始，缺乏对用户行为模式与历史上下文的持续学习能力，导致交互效率低下且个性化程度受限。在构建过程中，团队面临的核心挑战包括：设计一种既高效又具表达力的记忆编码格式（I-Lang），使其能在有限上下文窗口内精准存储行为DNA与经验教训；确保记忆数据在跨模型、跨工具场景下的完全可移植性，避免供应商锁定；实现自动化的用户画像构建与记忆演化机制，AI需从自然对话中自主提取偏好并不断优化，同时兼顾隐私保护，所有数据完全存储于用户自有仓库，无中心化服务器参与。这些挑战的克服标志着AI持久记忆从概念走向实用。

常用场景

经典使用场景

Mem-Forever数据集为构建跨会话、跨模型的AI持久记忆层提供了标准化范例。其最经典的使用场景是作为AI代理的永久记忆基底，通过Git原生存储结构和I-Lang协议，将用户的行为偏好、决策历史和学习经验编码为可读、可版本化、可移植的纯文本记忆碎片。研究者可基于该数据集探索如何使AI工具突破上下文窗口的限制，实现跨会话的知识延续，从而避免每次交互都从零开始的困境。

衍生相关工作

围绕Mem-Forever衍生出一系列开创性工作，包括基于I-Lang协议的偏好提取算法、记忆冲突化解策略、以及用户画像的衰变与突变规则。研究者进一步探索了将记忆仓库与多智能体协作系统结合的路径，使得不同AI代理能够共享同一份用户记忆，实现协同知识管理。此外，基于Git版本历史的记忆回滚与审计机制也为AI伦理与隐私保护研究提供了新的数据维度。

数据集最近研究

最新研究方向

Mem-Forever数据集聚焦于构建跨会话、跨模型的AI持久化记忆层，代表了智能体长期记忆管理的前沿探索。该数据集基于I-Lang协议，通过Git原生的结构化存储方式，将用户偏好、决策与经验转化为可版本化、可移植的I-Lang碎片，存储在私有仓库中。这一设计突破了传统AI工具在会话结束后遗忘用户上下文的局限，使得记忆能够在不同模型（如Claude、Cursor、Codex等）间无缝迁移。当前研究热点包括：如何通过自动化的对话分析生成用户行为画像（soul.md）与决策日志（memory.md），以及如何利用突变与衰减规则动态优化记忆质量。Mem-Forever的提出不仅解决了AI遗忘的痛点，更推动了隐私保护下的个性化智能体发展，其开源模式为社区提供了零配置、无供应商锁定的记忆管理范式，对构建真正意义上的终身学习型AI系统具有里程碑意义。