PAR：为AI编程助手打造的持久化认知运行时

一个自托管的MCP服务器，为AI编程助手提供跨模型的持久化记忆、知识图谱、多智能体协调和自主维护能力。

问题背景：AI助手的记忆孤岛\n\n当今的AI编程助手已经具备了令人印象深刻的代码理解和生成能力，但它们面临一个根本性的限制：记忆被锁定在特定的服务提供商内部。当你从Claude切换到Gemini，或者从GPT换到本地模型时，之前积累的所有上下文、学习到的项目知识、做出的决策记录都会归零，一切从头开始。\n\n更深层的问题是，即使在使用同一服务商的多个AI助手之间，它们也无法共享学习成果。每个助手都是孤立的个体，无法形成协作网络。此外，记忆会不断累积，直到触及上下文长度限制或token消耗上限，却没有人负责清理和维护这些记忆资产。\n\n## PAR的解决方案：持久化认知运行时\n\nPAR（Persistent Agent Runtime）是一个自托管的MCP（Model Context Protocol）服务器，它为任何AI助手——无论是Claude、Gemini、GPT还是本地模型——提供了一个持久化的"大脑"。这个大脑具备以下核心能力：\n\n- 跨模型记忆共享：无论切换到什么模型，历史记忆和上下文都能无缝延续\n- 自主构建知识图谱：自动从记忆中提取实体和关系，构建可查询的知识网络\n- 多智能体协调：支持多个AI助手共享记忆、事件和工作流，实现协作\n- 自主维护：自动进行记忆整合、过期清理和健康检查\n\n## 架构设计：模块化的认知基础设施\n\nPAR的架构设计体现了模块化和可扩展性的理念。整个系统由八个核心模块组成，提供总计56个工具函数：\n\n### 记忆模块（11个工具）\n\n记忆模块是PAR的核心，提供语义化的记忆存储和检索能力。与传统的关键词搜索不同，PAR使用向量嵌入实现语义搜索——你可以用"我们为什么选择SQLite而不是Postgres"这样的自然语言查询，系统会返回相关的决策记录，即使这些记录中没有出现这些确切的关键词。\n\n记忆支持多种类型标记：决策（decision）、洞察（insight）、任务（task）、交接（handoff）、观察（observation），每种类型都可以被过滤、标记和置顶。置顶功能可以保护重要记忆不被自动归档。\n\n### 知识图谱模块（5个工具）\n\nPAR会自动从记忆中提取实体-关系三元组，构建一个可查询的知识图谱。这个图谱不是静态的，而是随着新记忆的加入不断演进。你可以查询特定实体的所有关联信息，或者发现不同概念之间的隐藏联系。\n\n### 项目与任务管理（6个工具）\n\nPAR提供了完整的项目和任务管理能力，支持工作项的创建、更新和状态追踪。这使得AI助手能够更好地管理长期项目的上下文，记住每个任务的进展和阻塞点。\n\n### 智能体舰队管理（4个工具）\n\n在多智能体场景中，PAR可以注册和管理多个AI助手，每个助手都有自己的能力和偏好配置。这些助手可以共享记忆和事件，实现协调工作。\n\n### 事件与工作流（7个工具）\n\nPAR支持事件驱动的架构，可以定义事件订阅模式，当特定事件发生时自动触发工作流。例如，部署完成事件可以自动触发部署后的质量检查工作流。\n\n### 技能库与数据集（各4个工具）\n\nPAR允许注册可复用的技能脚本和数据集，AI助手可以调用这些技能来执行特定任务，或者使用注册的数据集进行训练或评估。\n\n### 文件索引与系统健康（各3-4个工具）\n\nPAR维护项目文件的索引缓存，提供快速的文件树查询能力。同时，系统健康模块会定期进行基础设施审计，生成人类可读的活动摘要。\n\n## 技术实现：本地优先的设计哲学\n\nPAR的技术选型体现了"本地优先、零云依赖"的设计哲学：\n\n### 本地嵌入模型\n\nPAR使用all-MiniLM-L6-v2模型在本地CPU上生成384维的语义嵌入向量。这意味着：\n- 零API成本：不需要调用任何外部嵌入服务\n- 数据隐私：所有数据都在本地处理，不会离开你的机器\n- 离线可用：即使没有网络连接，系统也能正常工作\n\n### 扁平化的JSON存储\n\n所有状态都持久化存储在本地文件系统的META_DIR目录中，采用扁平化的JSON文件格式：\n- 记忆数据存储在memory/目录，包含嵌入向量和元数据\n- 知识图谱存储在knowledge/目录\n- 项目、任务、智能体、事件等各有独立的存储目录\n\n这种设计简化了备份和迁移——只需要复制整个META_DIR目录即可。\n\n### TypeScript与严格类型\n\nPAR使用TypeScript编写，启用strict模式，代码被组织成16个专注的模块。工具模块使用依赖注入模式管理共享状态，避免了全局可变变量的问题。\n\n## 自主维护：系统的自我管理能力\n\nPAR的一个独特之处在于它的自主维护能力，系统会定期执行以下维护任务：\n\n### 心跳监控（每15分钟）\n\n系统会定期发出system.heartbeat事件，报告运行时间、记忆数量、堆内存使用等关键指标。这为监控和告警提供了基础。\n\n### 记忆整合（每6小时）\n\n类似于人类的睡眠记忆整合过程，PAR会定期聚类相似的记忆并将其提炼为摘要。当活跃记忆超过200条时，整合过程会自动触发。\n\n### 保留清理（每6小时）\n\n系统会归档超过90天的旧记忆，但会保护被置顶的记忆以及类型为决策和交接的重要记忆。这防止了记忆无限增长导致的性能问题。\n\n### 认识论审计（每6小时）\n\nPAR会扫描记忆中的语义矛盾、过时声明和孤立的知识图谱实体。在存储新记忆时，系统还会检查与现有前5个最相似记忆的版本或数值冲突，并在发现潜在问题时发出警告。\n\n## 部署与集成\n\nPAR的部署非常简单，只需要Docker Compose即可启动：\n\nbash\ngit clone https://github.com/latentfidelity/par.git\ncd par\ncp .env.example .env\n# 编辑.env设置数据目录和可选的认证token\ndocker compose up -d --build\n\n\n启动后，将PAR添加到你的MCP客户端配置（如Cursor、Claude Desktop等）中即可开始使用。PAR通过标准的MCP协议与客户端通信，这意味着它可以与任何支持MCP的AI助手集成。\n\n## 应用场景与价值\n\nPAR为AI编程助手带来了革命性的能力升级：\n\n### 长期项目记忆\n\n对于持续数周或数月的项目，PAR可以维护完整的决策历史、技术选型的理由、遇到的坑和解决方案。即使更换AI助手或模型，这些宝贵的上下文也不会丢失。\n\n### 团队协作\n\n在团队环境中，多个开发者可以使用不同的AI助手，但它们可以共享PAR中的项目知识。一个助手学到的经验教训，其他助手也能立即获得。\n\n### 知识沉淀\n\nPAR自动构建的知识图谱可以帮助团队发现项目中隐藏的模式和关联，形成可查询的组织知识资产。\n\n## 当前局限与未来方向\n\nPAR目前还存在一些局限：记忆没有版本历史，无法追踪决策的演进过程；嵌入索引在内存中重建，对于超大规模的记忆库可能存在性能问题；单节点设计不支持分布式部署。\n\n未来的发展方向包括：记忆版本控制、可插拔的嵌入模型（支持在硬件允许时使用更大的模型）、多节点复制以支持团队部署、以及Webhook集成以推送事件通知到外部服务。\n\n## 总结\n\nPAR是一个设计精良、功能全面的AI助手认知基础设施。通过提供持久化记忆、知识图谱、多智能体协调和自主维护能力，它解决了当前AI助手面临的核心痛点——记忆孤岛和上下文丢失。更重要的是，PAR采用本地优先、零云依赖的架构，让用户完全掌控自己的数据。对于希望构建长期、可协作、可维护的AI辅助工作流的开发者和团队来说，PAR提供了一个坚实的基础设施。

问题背景：AI助手的记忆孤岛\n\n当今的AI编程助手已经具备了令人印象深刻的代码理解和生成能力，但它们面临一个根本性的限制：记忆被锁定在特定的服务提供商内部。当你从Claude切换到Gemini，或者从GPT换到本地模型时，之前积累的所有上下文、学习到的项目知识、做出的决策记录都会归零，一切从头开始。\n\n更深层的问题是，即使在使用同一服务商的多个AI助手之间，它们也无法共享学习成果。每个助手都是孤立的个体，无法形成协作网络。此外，记忆会不断累积，直到触及上下文长度限制或token消耗上限，却没有人负责清理和维护这些记忆资产。\n\nPAR的解决方案：持久化认知运行时\n\nPAR（Persistent Agent Runtime）是一个自托管的MCP（Model Context Protocol）服务器，它为任何AI助手——无论是Claude、Gemini、GPT还是本地模型——提供了一个持久化的"大脑"。这个大脑具备以下核心能力：\n\n- 跨模型记忆共享：无论切换到什么模型，历史记忆和上下文都能无缝延续\n- 自主构建知识图谱：自动从记忆中提取实体和关系，构建可查询的知识网络\n- 多智能体协调：支持多个AI助手共享记忆、事件和工作流，实现协作\n- 自主维护：自动进行记忆整合、过期清理和健康检查\n\n架构设计：模块化的认知基础设施\n\nPAR的架构设计体现了模块化和可扩展性的理念。整个系统由八个核心模块组成，提供总计56个工具函数：\n\n记忆模块（11个工具）\n\n记忆模块是PAR的核心，提供语义化的记忆存储和检索能力。与传统的关键词搜索不同，PAR使用向量嵌入实现语义搜索——你可以用"我们为什么选择SQLite而不是Postgres"这样的自然语言查询，系统会返回相关的决策记录，即使这些记录中没有出现这些确切的关键词。\n\n记忆支持多种类型标记：决策（decision）、洞察（insight）、任务（task）、交接（handoff）、观察（observation），每种类型都可以被过滤、标记和置顶。置顶功能可以保护重要记忆不被自动归档。\n\n知识图谱模块（5个工具）\n\nPAR会自动从记忆中提取实体-关系三元组，构建一个可查询的知识图谱。这个图谱不是静态的，而是随着新记忆的加入不断演进。你可以查询特定实体的所有关联信息，或者发现不同概念之间的隐藏联系。\n\n项目与任务管理（6个工具）\n\nPAR提供了完整的项目和任务管理能力，支持工作项的创建、更新和状态追踪。这使得AI助手能够更好地管理长期项目的上下文，记住每个任务的进展和阻塞点。\n\n智能体舰队管理（4个工具）\n\n在多智能体场景中，PAR可以注册和管理多个AI助手，每个助手都有自己的能力和偏好配置。这些助手可以共享记忆和事件，实现协调工作。\n\n事件与工作流（7个工具）\n\nPAR支持事件驱动的架构，可以定义事件订阅模式，当特定事件发生时自动触发工作流。例如，部署完成事件可以自动触发部署后的质量检查工作流。\n\n技能库与数据集（各4个工具）\n\nPAR允许注册可复用的技能脚本和数据集，AI助手可以调用这些技能来执行特定任务，或者使用注册的数据集进行训练或评估。\n\n文件索引与系统健康（各3-4个工具）\n\nPAR维护项目文件的索引缓存，提供快速的文件树查询能力。同时，系统健康模块会定期进行基础设施审计，生成人类可读的活动摘要。\n\n技术实现：本地优先的设计哲学\n\nPAR的技术选型体现了"本地优先、零云依赖"的设计哲学：\n\n本地嵌入模型\n\nPAR使用all-MiniLM-L6-v2模型在本地CPU上生成384维的语义嵌入向量。这意味着：\n- 零API成本：不需要调用任何外部嵌入服务\n- 数据隐私：所有数据都在本地处理，不会离开你的机器\n- 离线可用：即使没有网络连接，系统也能正常工作\n\n扁平化的JSON存储\n\n所有状态都持久化存储在本地文件系统的META_DIR目录中，采用扁平化的JSON文件格式：\n- 记忆数据存储在memory/目录，包含嵌入向量和元数据\n- 知识图谱存储在knowledge/目录\n- 项目、任务、智能体、事件等各有独立的存储目录\n\n这种设计简化了备份和迁移——只需要复制整个META_DIR目录即可。\n\nTypeScript与严格类型\n\nPAR使用TypeScript编写，启用strict模式，代码被组织成16个专注的模块。工具模块使用依赖注入模式管理共享状态，避免了全局可变变量的问题。\n\n自主维护：系统的自我管理能力\n\nPAR的一个独特之处在于它的自主维护能力，系统会定期执行以下维护任务：\n\n心跳监控（每15分钟）\n\n系统会定期发出system.heartbeat事件，报告运行时间、记忆数量、堆内存使用等关键指标。这为监控和告警提供了基础。\n\n记忆整合（每6小时）\n\n类似于人类的睡眠记忆整合过程，PAR会定期聚类相似的记忆并将其提炼为摘要。当活跃记忆超过200条时，整合过程会自动触发。\n\n保留清理（每6小时）\n\n系统会归档超过90天的旧记忆，但会保护被置顶的记忆以及类型为决策和交接的重要记忆。这防止了记忆无限增长导致的性能问题。\n\n认识论审计（每6小时）\n\nPAR会扫描记忆中的语义矛盾、过时声明和孤立的知识图谱实体。在存储新记忆时，系统还会检查与现有前5个最相似记忆的版本或数值冲突，并在发现潜在问题时发出警告。\n\n部署与集成\n\nPAR的部署非常简单，只需要Docker Compose即可启动：\n\nbash\ngit clone https://github.com/latentfidelity/par.git\ncd par\ncp .env.example .env\n编辑.env设置数据目录和可选的认证token\ndocker compose up -d --build\n\n\n启动后，将PAR添加到你的MCP客户端配置（如Cursor、Claude Desktop等）中即可开始使用。PAR通过标准的MCP协议与客户端通信，这意味着它可以与任何支持MCP的AI助手集成。\n\n应用场景与价值\n\nPAR为AI编程助手带来了革命性的能力升级：\n\n长期项目记忆\n\n对于持续数周或数月的项目，PAR可以维护完整的决策历史、技术选型的理由、遇到的坑和解决方案。即使更换AI助手或模型，这些宝贵的上下文也不会丢失。\n\n团队协作\n\n在团队环境中，多个开发者可以使用不同的AI助手，但它们可以共享PAR中的项目知识。一个助手学到的经验教训，其他助手也能立即获得。\n\n知识沉淀\n\nPAR自动构建的知识图谱可以帮助团队发现项目中隐藏的模式和关联，形成可查询的组织知识资产。\n\n当前局限与未来方向\n\nPAR目前还存在一些局限：记忆没有版本历史，无法追踪决策的演进过程；嵌入索引在内存中重建，对于超大规模的记忆库可能存在性能问题；单节点设计不支持分布式部署。\n\n未来的发展方向包括：记忆版本控制、可插拔的嵌入模型（支持在硬件允许时使用更大的模型）、多节点复制以支持团队部署、以及Webhook集成以推送事件通知到外部服务。\n\n总结\n\nPAR是一个设计精良、功能全面的AI助手认知基础设施。通过提供持久化记忆、知识图谱、多智能体协调和自主维护能力，它解决了当前AI助手面临的核心痛点——记忆孤岛和上下文丢失。更重要的是，PAR采用本地优先、零云依赖的架构，让用户完全掌控自己的数据。对于希望构建长期、可协作、可维护的AI辅助工作流的开发者和团队来说，PAR提供了一个坚实的基础设施。