开放核心的记忆引擎
一个你能真正查证的记忆引擎，而不只是「相信我们」。
Spomory 把你说过的话抽取成实体和关系组成的图谱，检索时在图上走路径而不是猜一个相似度分数，用强化学习训练出的策略——而不是写死的规则——决定该记住、更新还是忘记什么。
两种接入方式，同一套引擎
本地优先
面向开发者和技术用户：安装 MCP Server，接入 Claude Desktop 或 Cursor，记忆图谱存在你自己电脑上的 SQLite 文件里——默认静态加密，不需要注册账号。
云端 / 跨 App
面向需要在多个客户端间共享记忆的场景：托管的 MCP 端点，后端是 Postgres，支持 API Key 或 OAuth 2.1 两种鉴权方式——目前面向支持 MCP 协议的客户端（Claude Desktop、Cursor 等），还不是一个独立的网页 App。
这里真正不一样的地方
记忆主权，不是合规打勾项
随时用开放的 JSON-LD 风格格式导出你的完整图谱，或者彻底物理删除——有审计记录，而且是免费层能力，不是锁在付费墙后面的功能。
依据：记忆护照导出 + 真删除，详见「记忆护照」页面。
真实跑出来的效果，局限性一起公开
公开的 LoCoMo / LongMemEval 实测数据，真实调用 LLM 跑出来的——包括那次用检索召回率换取真实准确率提升的修复，我们把原因也讲清楚了，而不是只报喜。
依据：完整数字和局限性说明见「已验证效果」页面。
RL 训练的策略决定记什么
ADD / UPDATE / DELETE / NOOP 不是写死的 if 判断——是 GRPO 训练出来的策略，和规则式基线做过对比评估，样本量小也如实公开。
依据：memory_manager/train_grpo.py，真实在 GPU 上训练并评估过。
可追溯的检索路径，不只是一个相似度分数
查询先匹配到具体的三元组，再用个性化 PageRank 在图上扩散——每个答案都能追溯到具体的事实，不是一个说不清楚的 embedding 距离。
依据：retrieval/query_match.py + retrieval/ppr.py；get_graph 工具直接把这种可解释性暴露给用户。
底层实际在跑什么
HippoRAG 式检索（query 直接匹配三元组，再用个性化 PageRank 在图上扩散）+ LightRAG 式双层增量图谱（实体和关系增量抽取、合并，从不整图重建）+ 轻量级 GRPO 训练的记忆管理策略。这条赛道大致分消费级跨 App 记忆、开发者记忆基础设施、企业记忆治理三层，Spomory 目前站在开发者基础设施这一层，同时在扩展覆盖消费级跨 App 场景——暂不覆盖企业治理（多用户权限、SSO、合规审计流程）。
在 GitHub 上阅读完整技术方法论 →还没做到的事
把还没做的事情说清楚，是这个项目一贯的做法，不是营销页面上临时加的免责声明。
- 还没被 Anthropic 官方 Connector 目录、魔搭或 Cursor 的市场收录——OAuth 已经部署且能用，提交审核是另一个还没走的步骤。
- 没有比特时序查询——只能看到一条事实是什么时候记录的，不能分别查"系统当时以为是真的"和"现在实际认为是真的"。
- GRPO 策略目前只在 140 条真实样本上训练——梯度信号是真实的，但数据规模还不足以说这个优势能长期站住。
- 计费系统只是骨架（认证、配额、一个 Stripe webhook 雏形）——没有接入真实支付，下面的定价页是留资候补，不是收银台。
- 不支持网页版 ChatGPT/Gemini 这类不支持 MCP 协议的客户端——目前只能连支持 MCP 的客户端。