问题：所有 LLM 都受限于上下文窗口。传统方案用滑动窗口截断——旧对话被永久丢弃，AI 陷入"失忆"循环。
解决方案：LobsterPress 基于认知科学实现 DAG 无损压缩 + 遗忘曲线 + 语义记忆，让 AI Agent 拥有类似人类的记忆系统：
- ✅ 无损压缩：100% 原始消息可追溯
- ✅ 智能遗忘：关键决策永久保留，闲聊自动衰减
- ✅ 知识提取：从对话中自动提取结构化知识
- ✅ 矛盾检测：自动发现和更新冲突知识
- ✅ 自动触发：三种策略（定时/紧急/被动）自动压缩
在安装 LobsterPress 之前，请确保您的系统满足以下要求：
| 依赖 | 版本 | 如何检查 | 如何安装 |
|---|---|---|---|
| OpenClaw Gateway | 2026.3.9+ | openclaw gateway version |
安装指南 |
| Node.js | 18+ | node --version |
下载地址 |
| Python | 3.10+ | python3 --version |
系统自带或 下载 |
| npm | 9+ | npm --version |
随 Node.js 安装 |
💡 提示: 如果您已经在使用 OpenClaw，那么 Node.js 和 Python 应该已经安装好了。
⚠️ 重要: LobsterPress 是 OpenClaw 插件，必须安装到~/.openclaw/extensions/lobster-press/目录才能工作。不要使用npm install -g（全局安装不会让 OpenClaw 加载插件）。
# 创建 OpenClaw 插件目录
mkdir -p ~/.openclaw/extensions/lobster-press方式 A: 从 npm 下载并安装（推荐）
# 进入插件目录
cd ~/.openclaw/extensions/lobster-press
# 下载最新版本 tarball
npm pack @sonicbotman/lobster-press@latest
# 解压到当前目录
tar -xzf *.tgz --strip-components=1
# 清理 tarball 文件
rm *.tgz方式 B: 从 GitHub Release 下载（离线安装）
- 访问 GitHub Releases
- 下载最新版本的
lobster-press-X.X.X.tgz - 解压到插件目录：
cd ~/.openclaw/extensions/lobster-press
tar -xzf /path/to/lobster-press-X.X.X.tgz --strip-components=1# 检查插件文件是否存在
ls ~/.openclaw/extensions/lobster-press/
# 预期输出: dist/ mcp_server/ openclaw.plugin.json package.json README.md src/方式 1: 使用 AI 助手引导配置（推荐）
在与 AI 对话时，直接说：
帮我配置 LobsterPress 记忆系统
AI 会自动调用 lobster_configure 工具，引导您完成配置。
方式 2: 手动配置（高级用户）
编辑 ~/.openclaw/openclaw.json，添加插件配置：
{
"plugins": {
"allow": ["lobster-press"],
"entries": {
"lobster-press": {
"enabled": true
}
},
"slots": {
"contextEngine": "lobster-press"
}
}
}
⚠️ 重要: 推荐使用方式 1（AI 引导配置），避免配置错误。
# 方式 1: 使用 openclaw 命令（如果可用）
openclaw gateway restart
# 方式 2: 使用 systemctl
systemctl --user restart openclaw-gateway
# 方式 3: 发送重启信号
kill -HUP $(pgrep openclaw-gateway)在与 AI 对话时，说：
我喜欢吃苹果
然后过几轮对话后，问：
我刚才说我喜欢吃什么？
如果 AI 能回答"苹果"，说明 LobsterPress 记忆系统已经正常工作！
安装完成后，可以使用以下命令快速验证：
# 1. 检查插件文件
ls ~/.openclaw/extensions/lobster-press/
# 2. 检查 OpenClaw 配置
cat ~/.openclaw/openclaw.json | grep -A 5 "lobster-press"
# 3. 检查 Gateway 日志（确认插件加载）
journalctl --user -u openclaw-gateway -f | grep lobsterLobsterPress v5.0.0 提供了 5 步交互式配置向导：
| 步骤 | 说明 | 您需要做的 |
|---|---|---|
| 1. 欢迎 | 介绍配置流程 | 阅读说明 |
| 2. LLM 选择 | 选择使用 LLM 还是 TF-IDF | 选择是否使用 LLM |
| 3. Provider | 选择 LLM 提供商 | 选择 OpenAI/智谱/DeepSeek 等 |
| 4. API Key | 输入 API Key | 输入您的 API Key |
| 5. 完成 | 确认配置 | 查看配置示例 |
配置示例对话：
您: 帮我配置 LobsterPress
AI: 欢迎使用 LobsterPress 配置向导！🦞
LobsterPress 是一个基于认知科学的 LLM 永久记忆引擎。
**第一步：选择记忆模式**
LobsterPress 支持两种记忆模式：
1. **LLM 模式**（推荐）：使用大语言模型智能提取记忆
2. **TF-IDF 模式**：基于词频统计的传统模式
请选择您想使用的模式（LLM/TF-IDF）：
您: LLM
AI: ✅ 已选择 LLM 模式
**第二步：选择 LLM Provider**
请选择您的 LLM 提供商：
1. OpenAI
2. Anthropic
3. 智谱 AI（GLM）
4. DeepSeek
5. 自定义
请输入选项（1-5）：
您: 3
AI: ✅ 已选择智谱 AI
**第三步：输入 API Key**
请输入您的智谱 AI API Key：
（格式：xxxxxxxx.xxxxxxxxxxxxxxxx）
⚠️ 安全提示：API Key 会被加密存储，不会上传到云端。
您: [您的 API Key]
AI: ✅ 配置完成！
LobsterPress 已经配置好了，您的 AI 助手现在拥有了长期记忆能力！
**配置摘要**：
- 记忆模式: LLM
- Provider: 智谱 AI
- API Key: 已配置 ✅
**下一步**：重启 OpenClaw Gateway 使配置生效。
可能原因：
- OpenClaw Gateway 没有重启
- 配置文件中没有启用
lobster-press slots.contextEngine没有设置
解决方法：
# 1. 检查配置
cat ~/.openclaw/openclaw.json | grep -A 5 "lobster-press"
# 2. 重启 Gateway
systemctl --user restart openclaw-gateway
# 3. 查看日志
journalctl --user -u openclaw-gateway -f | grep lobster可能原因：npm 全局安装路径不在 PATH 中。
解决方法：
# 检查 npm 全局路径
npm config get prefix
# 添加到 PATH（以 bash 为例）
echo 'export PATH="$(npm config get prefix)/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc可能原因：配置文件 JSON 格式错误。
解决方法：
# 验证 JSON 格式
python3 -m json.tool ~/.openclaw/openclaw.json
# 如果报错，检查 JSON 语法（逗号、引号等）
# 或者恢复备份
cp ~/.openclaw/openclaw.json.backup ~/.openclaw/openclaw.json方法 1: 查看日志
journalctl --user -u openclaw-gateway -f | grep -i lobster方法 2: 检查数据库
# 查看是否有记忆被保存
sqlite3 ~/.openclaw/lobster.db "SELECT COUNT(*) FROM messages;"# 1. 移除配置
# 编辑 ~/.openclaw/openclaw.json，删除 "lobster-press" 相关配置
# 2. 卸载 npm 包
npm uninstall -g @sonicbotman/lobster-press
# 3. 删除数据库（可选）
rm ~/.openclaw/lobster.db
# 4. 重启 Gateway
systemctl --user restart openclaw-gateway如果您遇到问题，可以通过以下方式获取帮助：
- 查看文档: docs.openclaw.ai
- GitHub Issues: 提交问题
- Discord 社区: 加入讨论
如果您是高级用户，可以手动配置以下选项：
{
"plugins": {
"entries": {
"lobster-press": {
"enabled": true,
"config": {
"llmProvider": "deepseek",
"llmModel": "deepseek-chat",
"llmApiKey": "${LOBSTER_LLM_API_KEY}",
"contextThreshold": 0.8,
"freshTailCount": 32,
"namespace": "default"
}
}
},
"slots": {
"contextEngine": "lobster-press"
}
}
}| 配置项 | 说明 | 默认值 |
|---|---|---|
llmProvider |
LLM 提供商（openai/anthropic/zhipu/deepseek） | - |
llmModel |
LLM 模型名称 | - |
llmApiKey |
API Key（建议用环境变量） | - |
contextThreshold |
上下文使用率阈值（触发压缩） | 0.8 |
freshTailCount |
保留最近 N 条消息不压缩 | 32 |
namespace |
命名空间（多租户隔离） | default |
💡 安全提示: API Key 建议使用环境变量，不要直接写在配置文件中：
export LOBSTER_LLM_API_KEY="your-api-key"
┌─────────────────────────────────────────────────────────────┐
│ LobsterPress v5.0「MemOS」 │
├─────────────────────────────────────────────────────────────┤
│ Phase 1: Core Intelligence (向量嵌入 + RRF/MMR) │
│ ├── Vector Embedder: OpenAI兼容API + numpy离线 │
│ ├── Hybrid Retriever: FTS5+Vector → RRF(k=60) → MMR │
│ ├── LLM Fallback Chain: skill→summary→native→mock │
│ └── Dual Decay: 12h压缩 / 14d检索 │
├─────────────────────────────────────────────────────────────┤
│ Phase 2: Skill Evolution (技能进化) │
│ ├── Task Detector: 2h超时 + LLM话题判断 │
│ ├── Skill Evolver: 规则过滤→LLM评估→SKILL.md→评分 │
│ └── MCP lobster_skill: get/install/list │
├─────────────────────────────────────────────────────────────┤
│ Phase 3: Multi-Agent (多智能体) │
│ ├── Owner字段: 消息/摘要/笔记按Agent隔离 │
│ ├── Public Memory: lobster_memory_write_public │
│ └── Skill Sharing: lobster_skill_search/publish │
├─────────────────────────────────────────────────────────────┤
│ Phase 4: Engineering (工程化) │
│ ├── Viewer Web UI: 127.0.0.1 + SHA-256认证 │
│ ├── Async Queue: 后台任务队列 │
│ └── OpenClaw Migration: 🦐标识 + 断点续传 │
├─────────────────────────────────────────────────────────────┤
│ Legacy: CMV三遍无损压缩 + C-HLR+遗忘曲线 + R³Mem三层 │
└─────────────────────────────────────────────────────────────┘
LobsterPress 通过 OpenClaw lifecycle hooks 实现自动记忆管理：
| Hook | 触发时机 | 功能 | 状态 |
|---|---|---|---|
before_agent_start |
每轮对话开始前 | 自动注入历史记忆（按 semantic > episodic > working 优先级） | ✅ 启用 |
agent_end |
每轮对话结束后 | 自动保存用户输入和 Agent 回复 | ✅ 启用 |
手动工具（可选）：
| 工具 | 触发时机 | 功能 | 状态 |
|---|---|---|---|
lobster_compress |
手动调用 | 强制执行 DAG 压缩 | ✅ 可用 |
lobster_assemble |
手动调用 | 按三层记忆模型拼装最优上下文 | ✅ 可用 |
| 工具 | 说明 | 必需参数 |
|---|---|---|
lobster_grep |
全文搜索（FTS5 + TF-IDF） | query |
lobster_describe |
查看 DAG 摘要结构 | conversation_id 或 summary_id |
lobster_expand |
展开摘要到原始消息 | summary_id |
lobster_status |
系统健康报告 | - |
| 工具 | 说明 | 必需参数 |
|---|---|---|
lobster_compress |
触发 DAG 压缩 | conversation_id |
lobster_correct |
纠错记忆内容 | target_type, target_id, correction_type |
| 工具 | 说明 | 必需参数 |
|---|---|---|
lobster_sweep |
标记衰减消息 | conversation_id |
lobster_assemble |
拼装三层上下文 | conversation_id |
lobster_prune |
删除 decayed 消息 | conversation_id |
| 工具 | 说明 |
|---|---|
lobster_check_context |
手动检查上下文（降级方案） |
| 工具 | 说明 | 必需参数 |
|---|---|---|
lobster_skill |
查询/安装技能 | action, skill_id/conversation_id |
| 工具 | 说明 | 必需参数 |
|---|---|---|
lobster_memory_write_public |
写入公共记忆 | content |
lobster_skill_search |
搜索技能(self/public/mix) | query, scope |
lobster_skill_publish |
公开技能 | skill_id |
lobster_skill_unpublish |
私有化技能 | skill_id |
| 工具 | 说明 | 必需参数 |
|---|---|---|
lobster_viewer |
打开Web UI | action, port |
lobster_import |
导入OpenClaw记忆 | action |
from src.database import LobsterDatabase
from src.dag_compressor import DAGCompressor
from src.incremental_compressor import IncrementalCompressor
# 初始化
db = LobsterDatabase("~/.openclaw/lobster.db")
compressor = DAGCompressor(db)
manager = IncrementalCompressor(
db,
max_context_tokens=200_000,
context_threshold=0.8,
fresh_tail_count=32
)
# 新消息触发压缩检查
result = manager.on_new_message("conv_123", {
"id": "msg_001",
"role": "user",
"content": "我们决定用 PostgreSQL 作为主数据库",
"timestamp": "2026-03-21T10:00:00Z"
})
print(result["compression_strategy"]) # "none" | "light" | "aggressive"from src.agent_tools import lobster_grep, lobster_describe, lobster_expand
# 搜索历史
results = lobster_grep(db, "PostgreSQL", conversation_id="conv_123", limit=5)
# 查看摘要结构
structure = lobster_describe(db, conversation_id="conv_123")
# → {"total_summaries": 12, "max_depth": 3, "by_depth": {...}}
# 展开摘要
messages = lobster_expand(db, "sum_abc123", max_depth=2)
# → {"total_messages": 47, "messages": [...]}# v5.0: Vector Embedder
from src.vector.embedder import create_embedder
embedder = create_embedder() # 自动降级
# v5.0: Hybrid Retriever
from src.vector.retriever import HybridRetriever
retriever = HybridRetriever(db, embedder)
results = retriever.search("PostgreSQL", top_k=5)
# v5.0: Skill Evolution
from src.skills.task_detector import TaskDetector
from src.skills.evolver import SkillEvolver
detector = TaskDetector(db, llm_client)
tasks = detector.detect_tasks("conv_123")
evolver = SkillEvolver(db, llm_client)
skill_id = evolver.evaluate_and_generate(task, "conv_123")
# v5.0: Async Queue
from src.async_queue.worker import AsyncWorker
worker = AsyncWorker(db, embedder, llm_client)
worker.start()
worker.enqueue('embed', {'target_type': 'message', 'target_id': 'msg_xxx', 'content': '...'})
# v5.0: Viewer Web UI
from src.viewer.server import start_viewer
server = start_viewer(db, port=18799, password="mypassword")| 论文/理论 | 应用 |
|---|---|
| EM-LLM (ICLR 2025) | 事件分割、语义边界检测 |
| HiMem | DAG 压缩、三级摘要结构 |
| Ebbinghaus Forgetting Curve | 动态遗忘：R(t) = base × e^(-t/stability) |
| Memory Reconsolidation (Nader, 2000) | 矛盾检测、知识重巩固 |
| CMV | 三遍无损压缩 |
| C-HLR+ (arXiv:2004.11327) | 复杂度驱动半衰期 |
| Focus (arXiv:2502.15957) | 主动压缩触发 |
| R³Mem (arXiv:2502.15957) | 可逆三层压缩 |
| 参数 | 默认值 | 说明 |
|---|---|---|
max_context_tokens |
128,000 | 目标模型上下文窗口 |
context_threshold |
0.8 | 触发压缩的使用率阈值 |
fresh_tail_count |
32 | 受保护的最近消息数 |
leaf_chunk_tokens |
20,000 | 叶子压缩分块大小 |
focus_interval |
12 | Focus 定时触发间隔（轮） |
urgent_threshold |
0.85 | Focus 紧急触发阈值 |
embed_provider |
OpenAI兼容API | 向量嵌入提供商 |
embed_endpoint |
- | 嵌入API端点 |
embed_model |
bge-m3 | 嵌入模型 |
retrieval_half_life_days |
14.0 | 检索衰减半衰期(天) |
compression_half_life_hours |
12 | 压缩衰减半衰期(小时) |
支持 8 个主流提供商，用于高质量摘要生成：
国际：OpenAI, Anthropic, Google, Mistral
国内：DeepSeek ⭐, 智谱 GLM ⭐, 百度文心, 阿里通义
# 环境变量配置
export LOBSTER_LLM_PROVIDER=deepseek
export LOBSTER_LLM_API_KEY=sk-xxx
export LOBSTER_LLM_MODEL=deepseek-chat
# LLM Fallback Chain (v5.0)
export LOBSTER_LLM_SKILL_PROVIDER=openai # 可选
export LOBSTER_LLM_SUMMARY_PROVIDER=openai # 可选上下文使用率 策略 LLM 成本
─────────────────────────────────────────────────
< 60% 无操作 $0
60% – 80% 语义去重 $0
> 80% DAG 摘要压缩 $
无损原则：user/assistant 消息永不修改，仅 trim 工具输出。
├── index.ts # OpenClaw 插件入口（ContextEngine）
├── openclaw.plugin.json # 插件配置
├── mcp_server/
│ └── lobster_mcp_server.py # MCP Server（22 个工具）
└── src/
├── database.py # SQLite 存储层
├── dag_compressor.py # DAG 压缩引擎
├── incremental_compressor.py # 三层压缩调度器
├── three_pass_trimmer.py # CMV 三遍无损压缩
├── semantic_memory.py # 语义记忆层
├── llm_client.py # LLM 客户端
├── llm_providers.py # 8 个提供商适配
├── prompts.py # Prompt 模板
├── agent_tools.py # Python API
├── vector/ # v5.0: 向量嵌入
│ ├── embedder.py # OpenAI兼容 + numpy离线
│ └── retriever.py # RRF/MMR/Decay
├── skills/ # v5.0: 技能进化
│ ├── models.py # Skill, TaskSummary
│ ├── task_detector.py # 2h超时 + LLM判断
│ └── evolver.py # 规则过滤→评分→SKILL.md
├── async_queue/ # v5.0: 异步队列
│ └── worker.py # 后台任务处理
├── viewer/ # v5.0: Web UI
│ └── server.py # HTTP服务
├── migration/ # v5.0: OpenClaw迁移
│ └── importer.py # 🦐标识 + 断点续传
└── pipeline/
├── tfidf_scorer.py # TF-IDF 评分
├── semantic_dedup.py # 语义去重
└── ...
| 版本 | 日期 | 说明 |
|---|---|---|
| v5.0.0 ⭐ | 2026-04-05 | MemOS 4-Phase优化: 向量嵌入/技能进化/多智能体/工程化 |
| v4.0.89 ⭐ | 2026-03-24 | 记忆优先级排序：semantic > episodic > working，长期记忆优先注入 |
| v4.0.49 | 2026-03-23 | MCP 工具模式：禁用 lifecycle hooks，添加手动记忆管理指南 |
| v4.0.41 | 2026-03-22 | Issue #174 专家反馈修复（6 个优化） |
| v4.0.25 | 2026-03-21 | Issue #154 修复（ESM 兼容 + 截断逻辑） |
| v4.0.25 | 2026-03-21 | Issue #153 修复（per-session 锁 + 版本动态） |
| v4.0.25 | 2026-03-21 | README 重写 + 学术引用 |
| v4.0.25 | 2026-03-20 | 安全修复（CodeQL） |
| v4.0.25 | 2026-03-19 | 五大模块重构 |
| v4.0.25 | 2026-03-19 | Bug 修复（7 个） |
| v4.0.25 | 2026-03-19 | MemOS 架构 |
| v4.0.25 | 2026-03-19 | ContextEngine 集成 |
| v4.0.25 | 2026-03-17 | LLM 多提供商 |
| v4.0.25 | 2026-03-17 | 认知科学重构 |
| v4.0.25 | 2026-03-13 | 初始发布 |
详见 CHANGELOG.md
如果 LobsterPress 对你的研究有帮助，请引用以下论文：
@inproceedings{emllm2025,
title={EM-LLM: Event-Based Memory Management for Large Language Models},
booktitle={ICLR 2025},
year={2025}
}
@article{nader2000memory,
title={Memory reconsolidation: An update},
author={Nader, Karim and Schafe, Glenn E and Le Doux, Joseph E},
journal={Nature},
year={2000}
}
@article{ebbinghaus1885memory,
title={Memory: A contribution to experimental psychology},
author={Ebbinghaus, Hermann},
journal={Teachers College, Columbia University},
year={1885}
}
@article{chlr2020,
title={C-HLR: Continual Hebbian Learning with Replay},
author={Parisi, German I and Tani, Jun and Weber, Cornelius and Wermter, Stefan},
journal={arXiv preprint arXiv:2004.11327},
year={2020}
}
@article{focus2025,
title={Focus: Attention-based Context Compression for LLMs},
journal={arXiv preprint arXiv:2502.15957},
year={2025}
}
@article{r3mem2025,
title={R³Mem: Reversible Residual Recurrent Memory for Long-context LLMs},
journal={arXiv preprint arXiv:2502.15957},
year={2025}
}
@article{cmv2024,
title={Context Maintenance and Retrieval for Efficient LLM Inference},
journal={arXiv preprint},
year={2024}
}
@inproceedings{himem2024,
title={HiMem: Hierarchical Memory Management for Long-context LLMs},
booktitle={NeurIPS 2024},
year={2024}
}
@article{memos2026,
title={MemOS: Memory Operating System for AI Agents},
journal={https://memos-claw.openmem.net},
year={2026}
}- lossless-claw — DAG 压缩架构参考
- OpenClaw — 插件平台
If this project helps you, please ⭐️ star it!
📊 View Star History Chart
Note: The chart above may take 24-48 hours to update due to GitHub's image cache. Click to view real-time data on Star History website.
如果 LobsterPress 对你的项目有帮助，请给个 ⭐ Star！
Made with 🧠 by SonicBotMan & Xiao Yun
基于认知科学，为 AI Agent 构建人类般的记忆系统