项目概述
在用 ChatGPT 或 Claude 聊天时，最令人吐槽的一点永远是：“说过的事转头就忘。”
尽管大语言模型有强大的上下文处理能力，但一旦会话上下文窗口关闭，之前的对话、用户偏好、甚至特定人物设定，都得靠反复提示“Prompt 注入”来重新构造。
为了填补这一块空白，GitHub 上最近出现了一个开源小工具——Persistent AI Memory，由开发者 savantskie 维护，主打功能就是四个字：“对话记忆”。
这个仓库背后其实没什么神秘的黑科技，但它把几件平时 LLM 工程师要重复写的“记忆持久化逻辑”做成了一个可插拔 Python 模块，重点解决两件事：
1️⃣ 把用户输入和模型输出存在本地或数据库里，按对话 Session 自动归档。
2️⃣ 提供一个可选的向量化索引（目前默认是用 OpenAI Embeddings + SQLite），把旧对话转成向量向量存储，支持相似度检索。
在项目的核心代码里，memory.py 是主角。
它暴露了一个 PersistentMemory 类，初始化时可以指定：
- 存储方式（本地 JSON 文件、SQLite，或者接 PostgreSQL）
- Embedding 生成方式（默认 OpenAI，但预留了自定义接口）
- 检索时是否启用相似度过滤，阈值是多少
比如，如果在你的对话循环里插一句：
python Copy Edit memory = PersistentMemory() memory.store(user_input, ai_response)
那么这条对话就会被自动写到 memory.db 或 memory.json，里面不仅有原文，还会有向量化后的字段。
真正的“记忆检索”是在调用时发生的。
当用户输入新问题时，memory.retrieve(prompt) 会先把 prompt 转 Embedding，然后在已保存的所有对话向量里跑相似度匹配，找出最 relevant 的几段历史对话，拼到上下文里，再交给主模型生成回复。
这一步在很多商业化方案里其实就是所谓的 RAG（检索增强生成） 的最小版本，只不过把知识库换成了你自己的对话历史。
在 Readme 里，savantskie 给出的一个典型用例是：
假设你用的是 OpenAI 的 GPT‑4o，用户跟助手对话了 20 条消息，其中提到生日、家乡、最喜欢的电影，然后关闭了浏览器。
下次用户回来再说“帮我订个生日蛋糕”，如果只用普通对话窗口，这些信息根本不会存在。但如果挂了 PersistentMemory，模型会自动从向量库里捞到“生日”相关的那一条，然后把“哪天生日、什么口味”作为上下文提示，再送给 GPT。
这一步就让对话看起来“记得住”，而且不需要重新硬 prompt。
从设计思路看，Persistent AI Memory 并没有帮你把所有记忆都丢给大模型，它只是：
- 自动保存所有对话的“可索引片段”
- 用 Embedding 检索最 relevant 的片段
- 把这些拼到系统 prompt
换句话说，真正执行记忆的是主模型，PersistentMemory 是“记忆数据库 + 检索插件”。
这套方法和市面上一些高阶对话产品（比如 Poe、Character.AI）内部用的记忆策略基本一致，只是人家没开源。
目前 Persistent AI Memory 默认用的是本地 SQLite，也有社区 fork 了 Milvus、Weaviate 等向量库版本，支持做成真正的云端多用户记忆池，或者挂到 FastAPI 做成多端调用。
在 Issues 区，有开发者已经在做前端聊天盒子对接，打算把这个 Memory 接到自己做的个性化助理里。
对大多数想自己玩 LLM bot 的开发者来说，这个库的意义不在于多复杂，而是让“长期记忆”这个词从纯粹的理论 prompt，落成了可执行的数据库 + 检索。
想让 GPT 不再健忘，没那么神秘，但得有人先把“记什么、怎么存、怎么捞”做成工具，这就是 Persistent AI Memory 正在做的事。