SuperLocalMemory V2

SuperLocalMemory V4.1.14

Alugue o LLM. Tenha a memória.

Alugue um LLM — mas tenha a memória, para sua empresa e para seu setor.

A camada de memória governada para agentes de IA: local-first, auditável e construída para as obrigações de conformidade que as equipes realmente carregam hoje.
Os modelos são intercambiáveis e alugados por token. O que seus agentes lembram é seu — são os dados dos seus clientes, suas obrigações de retenção e sua trilha de auditoria. O SLM mantém essa camada em infraestrutura que você controla, com isolamento multi-workspace, controle de acesso baseado em papéis e controles de governança GDPR + EU AI Act integrados.

O limite. O SuperLocalMemory começa com um runtime local; enriquecimento por provedor, backup em nuvem, conectores e uso de proxy são escolhas explícitas. Produtos diferentes resolvem limites diferentes. As evidências de benchmark publicadas trazidas para a V4 vêm da arquitetura de pesquisa V3 publicada; não é uma alegação de um novo benchmark de pacote V4 executado novamente.

Como verificar isso, em vez de apenas acreditar. Toda garantia de confiabilidade aqui é declarada como um invariante falseável, testada sob uma condição adversária com um controle negativo, e acompanhada do harness que regenera as evidências: python benchmark/run_all.py --trials 200 --output-dir results/. O que cada experimento não exercita também é declarado.

v4.1.14 — um plano de controle: SLM-Mesh coordenação entre pares · memória multi-escopo (pessoal / compartilhada / global) · perfis · Cache · Compress · recuperação em 7 camadas · grafo de código · Entity Explorer · evolução de habilidades · Modos A/B/C · retenção GDPR & cadeia de auditoria · loops limitados — em CLI, MCP, dashboard, o plugin Claude, o add-on Codex e integrações de IDE documentadas.
Proxy: slm wrap claude  ·  MCP: adicione slm_compress à sua configuração  ·  Skill: zero-config

Quatro preprints públicos no arXiv · V4: arXiv:2608.08253 · arquivo complementar: Zenodo 21853302 (DOI 10.5281/zenodo.21853302) · preprints anteriores: 2603.02240 · 2603.14588 · 2604.04514.

---

Por que SuperLocalMemory?

O SuperLocalMemory é um plano de controle de memória local-first de nível empresarial para agentes de IA. A memória dos agentes da sua equipe vive em infraestrutura que você controla, com isolamento por workspace, controle de acesso baseado em papéis e controles de governança GDPR / EU AI Act — construído para organizações e para obrigações de residência de dados na UE, onde o contexto do agente não deve sair do seu ambiente por padrão.

Sistemas de memória para agentes fazem diferentes compensações de armazenamento, provedor de modelo e implantação. O SuperLocalMemory começa com um runtime local e torna o enriquecimento por provedor, backup em nuvem, conectores e uso de proxy escolhas explícitas.

Produtos diferentes resolvem limites diferentes. As evidências de benchmark LoCoMo publicadas neste README são evidências com escopo de protocolo da arquitetura de pesquisa V3 publicada; elas são mantidas para continuidade e não são uma alegação de um novo benchmark de pacote V4 executado novamente.

O SuperLocalMemory V4 combina recuperação densa e lexical convencional com grafo, temporal, associativa e pontuação de relevância estatística em um plano de controle de 7 camadas (admissão → núcleo consultável → enriquecimento → cérebro → recuperação multicanal → segurança de contexto → operações). O runtime local padrão não exige Docker, um banco de dados de grafo operado separadamente ou uma chave de API.

Memória com senso de tempo. O SLM não armazena apenas o que um agente aprendeu — ele registra quando. Cada fato carrega tempo de ingestão e proveniência; a recuperação executa um canal dedicado de candidatos temporais junto com recuperação semântica, lexical e associativa; cenas e linhas do tempo de entidades reconstroem sequências; e o ciclo de vida permite que memória negligenciada decaia e se auto-arquive em vez de crescer sem limite. O tempo é um sinal de classificação e ciclo de vida de primeira classe, não apenas uma coluna de timestamp que um agente nunca lê — o que permite que um agente de longa duração raciocine sobre como seu contexto mudou, não apenas o que ele contém atualmente.

O que mudou nesta versão. Veja o CHANGELOG — cada versão está documentada lá, em linguagem simples, da mais recente para a mais antiga.

• SLM-Mesh — coordenação autenticada entre pares entre sessões e máquinas (mensagens, locks, estado compartilhado, inbox/outbox, descoberta opcional). Apenas coordenação — não memória replicada automaticamente.
• Memória multi-escopo e perfis — workspaces (perfis) mais escopos personal / shared / global; recuperação entre perfis é negada por padrão.
• Cache e compressão (otimização de contexto) — cache de correspondência exata com invalidação por tag, compressão segura e caminhos reversíveis/agressivos opcionais em superfícies de proxy, MCP e skill.
• Entity Explorer e evolução de habilidades — resumos/linhas do tempo de entidades compilados; linhagem de habilidades, orçamentos e resultados de verificação opcionais.
• Modos A / B / C — somente local (A), enriquecimento de LLM no dispositivo (B), assistido por provedor (C). Um modo operacional registra fatos técnicos de localidade; ele não determina conformidade legal com o EU AI Act (isso é avaliação de contexto de implantação — veja Controles de privacidade).
• Postura GDPR, retenção e cadeia de auditoria — exportação, apagamento entre armazenamentos com falha fechada, políticas de retenção e trilha de auditoria com hash encadeado. Controles de engenharia para programas de conformidade, não uma certificação legal.
• Pilha de recuperação/recall de 7 camadas e grafo de código — candidatos multicanal (semântico, BM25, temporal, Hopfield, ativação em propagação) mais ferramentas opcionais de grafo de código para raio de explosão e contexto de revisão.
• Perfis MCP — code expõe 31 ferramentas para agentes de codificação instalados; full 49; power 61; whole 94 (todas registradas). Também core (16), mesh (8) e a superfície padrão sem restrições (49 com mesh habilitado).
• Caminho de escrita governado e transações verificáveis — controle de admissão e política, um ledger de obrigações por proprietário e um manifesto de conclusão com selo hash com um reconciliador que reexecuta obrigações não atendidas.
• Ciclo de vida auto-reparável e remediação administrativa — locks obsoletos limpos na reinicialização; liste/resolva operações travadas via CLI, MCP ou dashboard.

O SLM é uma vertente do trabalho da Qualixar em engenharia de confiabilidade de IA: tornar o comportamento do agente observável, limitado e reproduzível em vez de melhor esforço.

A arquitetura avaliada no artigo V3 permanece a base desta versão. As figuras abaixo mantêm seu protocolo LoCoMo original, construção de resposta, modelo e escopo de amostra.

Como o SLM se encaixa ao lado de outros sistemas de memória

Produtos diferentes resolvem limites diferentes. O SLM é para desenvolvedores que querem um plano de controle operacional local-first — não apenas um SDK, API de contexto gerenciada ou runtime de agente. Ele combina evidências datadas, recuperação ciente de grafo, controles de cache e compressão, SLM-Mesh e superfícies MCP/CLI/hooks/dashboard/IDE em uma única instalação.

Se sua necessidade principal é…	Limite de produto a avaliar
Memória de agente local-first mais operações, otimização e superfícies de agente IDE	SuperLocalMemory — núcleo local Modo A; Modos B/C por escolha explícita.
Um SDK de memória, servidor auto-hospedado ou plataforma gerenciada	Mem0
Um serviço de grafo de contexto temporal ou mecanismo de grafo	Zep / Graphiti
Um runtime de agente com estado com blocos de memória e memória arquivada	Letta
Primitivas e gerenciadores de memória nativos do LangGraph	LangMem
Uma API/contexto com perfis, conectores e RAG	Supermemory
Perfis de usuário e memória de linha do tempo de eventos	Memobase

Veja a comparação de mercado com fontes vinculadas para fontes primárias atuais e evidências de benchmark com escopo de protocolo. Uma porcentagem LoCoMo é comparável apenas quando o escopo do conjunto de dados, modelo de resposta, avaliador, pilha de recuperação e artefato de versão correspondem.

A arquitetura de capacidades da V4

O SuperLocalMemory é um plano de controle local para contexto persistente de agente. Ele não é apenas um armazenamento de vetores: o mesmo runtime pode aceitar evidências, construir e governar memória, recuperar evidências limitadas para um agente e expor cache, compressão e controles de coordenação entre pares SLM-Mesh via CLI, MCP, dashboard e integrações de IDE suportadas.

Limite de arquitetura: SQLite + sqlite-vec permanecem canônicos; CozoDB e LanceDB são projeções com paridade controlada; SLM-Mesh coordena pares confiáveis em vez de replicar um banco de dados de memória distribuído; conectores são opcionais.

Limites de memória: perfis isolam workspaces por padrão. Cada memória é personal, shared com leitores de perfil nomeados, ou global; recuperação entre perfis é negada por padrão e deve ser explicitamente habilitada. Esse compartilhamento com escopo é autorização local, não sincronização SLM-Mesh. Veja shared-memory.md.

 IDEs, agents, scripts, connectors, and humans
             │  CLI · MCP (HTTP/stdio) · hooks · dashboard
             ▼
 ┌────────────────────────── SLM CONTROL PLANE ──────────────────────────┐
 │  1. Admission       identity, scope, idempotency, raw evidence         │
 │  2. Queryable core  SQLite facts + FTS durable receipt                  │
 │  3. Enrichment      facts, entities, scenes, time, provenance, graph   │
 │  4. Memory brain    feedback, patterns, rewards, consolidation          │
 │  5. Retrieval       semantic · BM25 · temporal · Hopfield · activation │
 │  6. Context safety  policy, trust, provenance, redaction, budgets      │
 │  7. Operations      lifecycle, audit, cache/compress, mesh, backups    │
 └───────────────────────────────────────────────────────────────────────┘
             │
             ▼
 SQLite + sqlite-vec canonical store  ──► optional graph/vector projections

As sete etapas são um modelo de execução, não uma promessa de que todo enriquecedor opcional ou canal de recuperação é executado para cada solicitação. As superfícies de recibo, rastreamento e saúde expõem as etapas realmente concluídas pelo runtime instalado. | Capacidade | O que é entregue hoje | Limite do operador | |---|---|---|---| | Tipos de memória e ciclo de vida | Fatos atômicos, cenas episódicas, eventos temporais, entidades canônicas, perfis/escopos, consolidação, esquecimento e controles de retenção | Políticas de ciclo de vida e decisões de retenção permanecem configuradas pelo operador. | | Limites de memória | Espaços de trabalho isolados por perfil, além dos escopos de memória personal, shared e global | Pessoal é o padrão; recall compartilhado/global exige política de escopo explícita ou adesão por chamada. | | Ingestão | Estado durável de operação bruto-para-completo, extração de fatos, resolução de entidades, derivações de grafo/temporal/proveniência e identidade segura contra replay | --sync aguarda estágios declarados; dependências e modo determinam quais enriquecedores estão disponíveis. | | Recuperação e recall | Canais candidatos semânticos, lexicais, temporais, Hopfield e ativação por propagação; fusão RRF, reranking opcional e aprimoramento de pontuação por grafo | Canais saudáveis participam; a proveniência da resposta declara as evidências usadas. | | Cérebro e aprendizado | Padrões comportamentais, registros de feedback/resultados, recompensas, consolidação, componentes de ranking relacionados a LightGBM, prompts suaves e fluxos de evolução de habilidades supervisionados | O aprendizado é orientado por evidências; não afirma correção autônoma ou melhoria garantida. | | Grafo de conhecimento e entidades | Entidades canônicas, aliases, perfis de entidade, arestas de grafo, cenas, linhas do tempo, explorador e APIs de grafo | Dados de grafo armazenados/derivados são evidência, não autoridade de instrução. | | Scale Engine | SQLite + sqlite-vec são canônicos. Projeções de grafo CozoDB e vetores LanceDB são gerenciadas com preparar → verificar → promover → reverter; uma projeção pré-v3.7 detectada estruturalmente pode ser adotada explicitamente. | A promoção é limitada por paridade e recuperável de falhas. A adoção legada preserva a projeção anterior como backup de reversão; linhas de aresta física repetidas normalizam para uma aresta lógica com o peso mais forte. | | Otimizar | Cache exato, invalidação por tag, compressão segura, compressão agressiva de prosa opcional, originais CCR, superfícies de proxy/MCP/skill | Somente o proxy intercepta uma chamada de provedor primário. Resultados de cache MCP/skill roteados explicitamente pelo SLM. | | SLM-Mesh | Mensagens autenticadas entre pares, caixa de entrada/saída, bloqueios, fila offline, descoberta opcional e ferramentas MCP de mesh | SLM-Mesh é coordenação, não memória replicada automática ou resolução de conflitos. | | Governança e operações | Proveniência, superfícies de auditoria/retenção/política, controles de exportação/erasure, diagnósticos, saúde, backups e ciclo de vida do daemon | São controles de engenharia, não uma certificação legal. | | Integrações | CLI, SDK Python, MCP HTTP/stdio, plugin Claude, complemento Codex, configurações de IDE suportadas, adaptadores Gmail/Calendar/transcript | Hooks, edições de IDE, conectores e adaptadores de rede exigem ativação explícita do operador. |

O que o painel expõe

slm dashboard abre uma visão operacional local do mesmo plano de controle:

Espaço de trabalho	Use para inspecionar ou controlar
Painel e Saúde	identidade do daemon, saúde de armazenamento/tempo de execução, diagnósticos e atividade recente
Cérebro	consolidação, padrões comportamentais, resultados/recompensas, estado de aprendizado e prompts suaves
Grafo de Conhecimento e Memórias	vizinhanças de grafo, entidades, cenas, evidências temporais, inspeção e mutação de memória
Operações	estado de operação de ingestão, rastreamentos, manutenção e trabalho de ciclo de vida
Explorador de Entidades e Evolução de Habilidades	resumos/linhas do tempo de entidades compiladas; linhagem de habilidades opcional, orçamentos e resultados de verificação
Memória Multiagente	atividade de escrita por agente e atribuição; memórias carimbadas por SLM_AGENT_ID, contagens de escrita de agente e sinais de confiança
Pares SLM-Mesh	pares configurados, caixa de entrada/saída, coordenação pendente e bloqueios
Configurações e Otimizar	modo/provedor/configuração; telemetria de cache, compressão e economia

A visibilidade do painel não substitui a prova em tempo de execução: use slm doctor, slm health, slm trace e a operação CLI/MCP relevante para validar uma implantação.

Assista ao passo a passo do produto

Assista à demonstração do SuperLocalMemory no YouTube — um passo a passo de cinco minutos de instalação, configuração, recall, cache e compressão. O vídeo mostra um passo a passo do produto; use os comandos e as notas de versão neste README como o contrato de versão atual.

Evidência publicada do LoCoMo (arquitetura V3, mantida na V4)

O artigo do V3 avalia a arquitetura multicanal que o V4 ainda executa. Cada figura abaixo é limitada por protocolo, para que o leitor possa distinguir recuperação local, construção de resposta e avaliação assistida por nuvem, em vez de tratar execuções diferentes como uma única pontuação.

Configuração publicada	Agregado LoCoMo	Escopo do protocolo	O que o resultado estabelece
Modo A Bruto	60,4%	10 conversas; 1.276 perguntas pontuadas; embeddings locais, recuperação local e construção de resposta com zero LLM	Construção de resposta local de ponta a ponta sob o protocolo V3 publicado.
Modo A Recuperação	74,8%	10 conversas; 1.276 perguntas pontuadas; recuperação local, depois síntese de resposta com GPT-4.1-mini	Evidência de recuperação: a recuperação local contribui com a evidência, enquanto o modelo externo divulgado constrói a resposta final.
Modo C	87,7%	Apenas Conv-30; 81 perguntas pontuadas; text-embedding-3-large mais geração de resposta e julgamento com GPT-4.1-mini	Configuração assistida por nuvem em uma conversa totalmente divulgada; não é um resultado de conjunto completo.

Resultados de categoria publicados: Modo A Recuperação pontuou 72,0% em salto único, 70,3% em múltiplos saltos, 80,0% temporal e 85,0% em domínio aberto. O Modo C pontuou 64,0% em salto único, 100,0% em múltiplos saltos e 86,0% em domínio aberto no escopo de 81 perguntas do Conv-30 (nenhuma categoria temporal foi relatada para essa execução). Em seis conversas do LoCoMo, o artigo relata 71,7% com as camadas geométricas de informação versus 58,9% sem elas: +12,7pp.

Consulte arXiv:2603.14588 e o artigo oficial do LoCoMo para o protocolo completo, tabela de ablação e limitações. Estes são resultados publicados da arquitetura V3 mantidos na V4—não substituem um benchmark recém-executado de artefato de versão.

---

Início Rápido

# Primary path 1 — npm global CLI (Node 18+)
# Creates a package-owned virtual environment. It does not modify system Python.
npm install -g superlocalmemory
slm setup       # Choose mode (A/B/C)
slm doctor      # Verify everything is working

# Primary path 2 — Python CLI + SDK in an activated virtual environment
python3 -m venv .venv
source .venv/bin/activate  # Windows PowerShell: .venv\Scripts\Activate.ps1
python -m pip install superlocalmemory
slm setup
slm doctor

# First use
slm remember "Alice works at Google as a Staff Engineer" --json
slm recall "What does Alice do?"
slm status

A gravação padrão do daemon confirma evidência bruta mais uma projeção relacional/FTS e retorna um recibo durável no estado queryable. O enriquecimento então avança a mesma operação por enriching até complete, ou registra um estado repetível failed. Use slm remember "..." --sync quando o chamador precisar aguardar todos os estágios declarados de derivação e projeção. A saída JSON inclui o operation_id opaco, o materialization_state atual e IDs de fatos.

# Wrap your agent — starts proxy + sets environment + launches agent
slm wrap claude
# Your first repeat prompt → CACHE HIT → $0.00
# See savings: slm optimize savings --since 1

Atualizando: use o proprietário da instalação: npm update -g superlocalmemory ou, enquanto o ambiente virtual Python estiver ativo, python -m pip install --upgrade superlocalmemory. Depois execute slm restart && slm doctor. Usuários de clone de repositório usam a ação upgrade correspondente em scripts/install.sh ou scripts/install.ps1. Os instaladores nunca movem ou excluem dados de memória.

---

Três Pilares

Memória

O recall atual tem cinco produtores candidatos—semântico denso, lexical BM25, temporal, associativo Hopfield e ativação por propagação—seguidos por fusão, reranking opcional e aprimoramento de pontuação por grafo de entidades. O grafo de entidades não cria um candidato independente na implementação atual. A memória central é baseada em SQLite. SQLite e sqlite-vec permanecem como a fonte canônica de verdade. O Scale Engine empacotado pode manter projeções de grafo CozoDB e vetores LanceDB, e permanece fora dos caminhos ativos de recuperação até que uma testemunha de paridade em estágios prove que corresponde ao armazenamento canônico. Novas instalações permanecem no Local Core. Durante a atualização, slm db scale status pode identificar um candidato de layout positivo pré-v3.7; o operador confirma com slm db scale adopt. O SLM então reconstrói a partir do SQLite canônico, verifica e promove com um diário de recuperação durável, mantendo os diretórios anteriores como backup de reversão. adopt relata restart_required: true; execute slm restart antes de verificar a saúde do daemon. Se a prova falhar, o recall permanece no SQLite e o status retém o manifesto rejeitado para inspeção, aposenta seu payload derivado substituível e permite uma nova tentativa corrigida.

A ingestão canônica é uma máquina de estados durável: raw → queryable → enriching → complete, with failed retendo evidência bruta, detalhes de erro, contagem de tentativas e tempo de repetição. Fatos relacionais SQLite e FTS são o ponto de verificação consultável; projetores opcionais ANN/vetores são verificados antes que complete seja concedido.

O texto recuperado é tratado como evidência não confiável. Hooks, MCP session_init, contexto de sessão CLI e chat usam um renderizador limitado que redige segredos reconhecidos, neutraliza marcadores de limite forjados e anexa proveniência. Arquivos de instrução de IDE confiáveis contêm apenas o protocolo SLM estático; memória fresca é recuperada em tempo de execução em vez de copiada nesses arquivos.

Contrato de Pontuação v2: relevance_score é relevância relativa à consulta; ranking_score é utilidade de ranking interna; memory_confidence pertence à asserção armazenada; e trust_score é um sinal de política de evidência. Os legados score e confidence permanecem como aliases por uma versão de compatibilidade. É explicitamente não calibrado: calibration_status é uncalibrated e answer_confidence é null. Consulte o contrato de pontuação de recuperação.

A implementação de recuperação/ciclo de vida inclui três camadas matemáticas que podem ser executadas sem um LLM em nuvem:

1. Pontuação informada por Fisher — a geração de candidatos densos usa similaridade de cosseno; termos derivados de Fisher podem modificar a pontuação posterior quando seu estado estiver disponível.
2. Cohomologia de Feixes para Consistência — topologia algébrica detecta contradições por meio de normas de coboundary no grafo de conhecimento.
3. Ciclo de Vida Langevin Riemanniano — as posições de memória evoluem continuamente na bola de Poincaré, e onde uma memória está decide seu estágio de ciclo de vida. Não há temporizador de retenção contando contra uma memória: o que a move para fora é ser deixada sozinha, e o que a puxa de volta é ser usada. Os limites de estágio em si são raios fixos.

Hooks de captura automática são instalados explicitamente com slm hooks install (Claude Code) ou slm hooks install --agent codex (Codex). A latência do hook e a qualidade da captura devem ser avaliadas para o cliente e a carga de trabalho alvo; o SLM não publica uma alegação universal de p99.

Memória multiescopo (opt-in): mantenha memórias personal (padrão), shared com perfis nomeados ou global na máquina. Desativado por padrão — o recall só retorna seus próprios fatos até você ativar o compartilhamento, por chamada ou na configuração. Consulte docs/shared-memory.md.

Modelos multilíngues: configure um endpoint de embeddings compatível com OpenAI, como Ollama, vLLM, LiteLLM, bge-m3, multilingual-e5 ou Qwen3-Embedding. A cobertura de idiomas e a qualidade da recuperação dependem do modelo selecionado e devem ser avaliadas para o corpus da implantação.

Cache + Compressão

Um mecanismo, três formas de acesso — escolha a superfície que se adapta à sua configuração:

Superfície	Como você usa	Requer proxy?	Efeito na janela	Escopo do cache
A — Proxy	slm wrap claude ou ANTHROPIC_BASE_URL=http://127.0.0.1:8765	Sim	Reduz	Cache de turno completo — todas as chamadas
B — Ferramentas MCP	Adicione 5 ferramentas à configuração MCP; chame slm_compress, slm_cache_set/get	Não	Preservado (1M)	Resultados que você roteia explicitamente pelo SLM
C — Skill	Copie skills/slm-optimize/SKILL.md → ~/.claude/skills/	Não	Preservado (1M)	Aplicado automaticamente pelo agente conforme regras da skill
A restrição rígida: O turno principal da conversa do Claude não pode ser armazenado em cache sem um proxy. O caminho MCP/skill armazena em cache os resultados que você roteia explicitamente pelo SLM (saídas de ferramentas, leituras de arquivos, chamadas de sub-modelos) — sem um proxy, o turno principal da conversa não é interceptado.

Como escolher:

• API medida (pague por token), quer que toda chamada seja armazenada em cache → Proxy (A)
• Assinatura Pro/Max/Team ou qualquer plano em que você não executará um proxy → Ferramentas MCP (B) ou Skill (C)
• Zero configuração → Skill (C): instale uma vez, compacta automaticamente o CLAUDE.md e saídas grandes
• Cache controlado por agente de leituras repetidas de arquivos → Ferramentas MCP (B)

Cache: a consulta SQLite de correspondência exata é o caminho de cache estável. Os controles de cache semântico são experimentais até que existam evidências de precisão, invalidação e isolamento de locatário vinculadas ao lançamento. Um acerto de cache pode evitar uma solicitação ao provedor, mas a economia real de custo e latência depende da superfície interceptada e do provedor.

Compactar: o modo seguro usa normalização conservadora e preserva JSON e código; a redução medida varia conforme o conteúdo e pode ser zero. A compactação agressiva de prosa é opcional e com perdas. O CCR pode reter um original para recuperação posterior byte-exata quando o armazenamento reversível estiver habilitado.

Painel de economia: slm optimize savings --since 7 — economia ao vivo em USD/INR/tokens. Configuração com recarga a quente, fail-open.

SLM-Mesh (coordenação entre sessões / entre máquinas)

SLM-Mesh é o plano de coordenação entre pares do V4: mensagens autenticadas, bloqueios, estado leve compartilhado, caixa de entrada/saída e uma fila offline entre pares configurados (sessões na mesma máquina ou entre máquinas). Descoberta mDNS opcional (SLM_MESH_DISCOVERY=on). Não é um banco de dados de memória distribuída replicado ou com resolução de conflitos — o compartilhamento de memória em vários escopos é um recurso separado de autorização local.

# Machine A (broker)
export SLM_MESH_HOST=192.168.1.100
export SLM_MESH_SHARED_SECRET=my-secret-key
slm init

# Machine B (client)
export SLM_MESH_PEER_URL=http://192.168.1.100:8765
export SLM_MESH_SHARED_SECRET=my-secret-key
slm init

Oito ferramentas MCP SLM-Mesh: mesh_summary, mesh_peers, mesh_send, mesh_inbox, mesh_state, mesh_lock, mesh_events, mesh_status.

Documentação completa: docs/multi-machine.md · docs/distributed-deployment.md

---

Caminhos de instalação

Suporte de plataforma V4: macOS Apple Silicon, Windows 64 bits e Linux 64 bits. Intel Mac e Windows 32 bits não são suportados pelo runtime cryptography 50 corrigido.

Caminho	Comando	Quando
CLI global npm (principal)	npm install -g superlocalmemory	Node 18+; ambiente virtual de propriedade do pacote; o Python do sistema não é modificado; execute slm setup explicitamente depois
CLI Python + SDK (principal)	Ative um ambiente virtual Python e depois python -m pip install superlocalmemory	Python 3.11+; o CLI slm e o SDK importável permanecem dentro desse ambiente
Clone do repositório — macOS/Linux	./scripts/install.sh install	Caminho de pesquisa/contribuidor; delega para uma instalação uv ou pipx existente
Clone do repositório — Windows	.\scripts\install.ps1 -Action Install	Caminho de pesquisa/contribuidor; delega para uma instalação uv ou pipx existente
Plugin Claude Code	/plugin marketplace add qualixar/superlocalmemory e depois /plugin install superlocalmemory@qualixar	Auto-inicializa venv, SLM_DATA_DIR isolado, aditivo — perfil de código com 34 ferramentas. Inclui skills/agents/hooks/commands
Portátil / conexão IDE	slm connect <ide> [--here]	Conecte qualquer IDE sem reinstalar; slm connect claude-code → ponteiro do plugin

Após qualquer caminho de instalação: slm setup → slm doctor → slm warmup (opcional, pré-baixa o modelo de incorporação de ~500MB).

Atualizando uma instalação existente

Uma atualização npm, pip ou do repositório atualiza o runtime do SLM; ela não reescreve silenciosamente sua configuração de IDE, hooks ou estado do plugin. Revise as integrações existentes primeiro:

slm upgrade-hosts

Depois, aplique explicitamente os hosts que você aprova, por exemplo slm upgrade-hosts --host codex --apply, ou use slm upgrade-hosts --all-detected --apply após revisar a pré-visualização. Consulte Atualizações de integração de host para o contrato de segurança completo e o caminho de atualização do plugin Claude Code.

Componente	Tamanho	Quando
Bibliotecas principais (numpy, scipy, networkx)	~50MB	Durante a instalação
Dashboard e servidor MCP (fastapi, uvicorn)	~20MB	Durante a instalação
Mecanismo de aprendizado (lightgbm)	~10MB	Durante a instalação
Mecanismo de busca (sentence-transformers, torch)	~200MB	Durante a instalação
Modelo de incorporação (nomic-embed-text-v1.5, 768d)	~500MB	Primeiro uso ou slm warmup
Modo B requer Ollama + um modelo (ollama pull llama3.2)	~2GB	Manual

---

MCP + Perfis

O SLM suporta dois transportes MCP:

HTTP (recomendado):

{ "mcpServers": { "superlocalmemory": { "type": "http", "url": "http://127.0.0.1:8765/mcp/" } } }

Ou: claude mcp add --transport http superlocalmemory http://127.0.0.1:8765/mcp/

stdio (fallback universal):

{ "mcpServers": { "superlocalmemory": { "command": "slm", "args": ["mcp"] } } }

Perfis MCP

Controle a superfície de ferramentas via SLM_MCP_PROFILE:

Perfil	Ferramentas	Caso de uso
core	16	Memória, sessão, otimização e revisão de correção
code	31	Núcleo + evidências portáteis do Brain + ferramentas de grafo de código + troca de perfil + loops limitados
mesh	8	Somente SLM-Mesh — coordenação multi-sessão / multi-máquina
full	49	Memória + evidências portáteis do Brain + otimização + evolução + mesh + loops limitados
power	61	Completo + administração, ciclo de vida e diagnósticos
whole	94	Todas as ferramentas MCP registradas

Precedência: ALL > TOOLS > PROFILE > default

export SLM_MCP_PROFILE=full   # or core / code / mesh / power / whole
slm mcp

Para uma superfície pequena e previsível, defina core explicitamente. Deixar a variável não definida mantém o padrão de compatibilidade, cujas ferramentas de mesh seguem a configuração de mesh local. Aliases com sufixo de contagem permanecem para compatibilidade retroativa e emitem um aviso de migração: core14, core16, code20, code21, code24, code28, code29, code31, mesh8, full38, full39, full42, full46, full47, full49, power50, power51, power54, power58, power59, power61, whole81, whole84, whole91, whole92, whole94. Nomes desconhecidos interrompem a inicialização em vez de selecionar silenciosamente outro conjunto de ferramentas.

Configurações por IDE disponíveis para Claude Code, Cursor, Windsurf, VS Code Copilot, Continue, Gemini CLI, JetBrains, Zed e mais (15 configurações em ide/configs/). Consulte docs/ide-setup.md.

---

Plugins de editor

O plugin é como a maioria das pessoas deve instalar o SLM. Ele traz o servidor MCP, as skills, os sub-agentes, os comandos de barra e os hooks em uma única etapa, e os mantém na mesma versão do pacote.

Cinco superfícies, uma fonte. Tudo abaixo é gerado a partir de plugin-src/, para que nenhuma superfície possa ficar silenciosamente para trás de outra:

Editor	Instalação	Skills	Agentes	Comandos	Hooks
Claude Code	claude plugin marketplace add qualixar/superlocalmemory e depois claude plugin install superlocalmemory@qualixar	12	4	1	sim
Codex	copie codex-plugin/ para o diretório de plugins do seu Codex	12	4	1	sim
VS Code / Copilot	copie copilot-plugin/.github/ para o seu repositório	12	4	como prompts	sim
Antigravity	copie antigravity-plugin/ para o seu diretório de plugins	12	4	1	sim
Hermes	instale o plugin nativo do commit de lançamento imutável	12	4	todos os comandos SLM	sim

O que você obtém

• Skills — slm-remember, slm-recall, slm-session, slm-graph, slm-mesh, slm-scope, slm-profile, slm-governance, slm-cache, slm-compress, slm-status, slm-loop.
• Sub-agentes — um consultor de memória, um consultor de governança, um consultor de otimização de contexto e um executor de loop, cada um com escopo para as ferramentas que realmente precisa.
• Comandos — /slm-loop, para executar uma tarefa como um loop limitado verificado por gate.
• Hooks — início e fim de sessão, para que o contexto seja carregado e confirmado sem ser solicitado.

Hermes

Os usuários do Hermes obtêm as mesmas skills e funções de consultor do SLM por meio de um pacote nativo plugin.yaml, além de /slm <command> e aliases /slm-<command> gerados para a superfície pública do CLI. O plugin é intencionalmente separado do runtime PyPI/npm: instale o runtime SLM proprietário primeiro e depois instale o pacote fixado revisado do lançamento do GitHub v4.1.13. Ele é aditivo e não substitui o provedor de memória selecionado do Hermes ou a configuração existente. Consulte o guia de integração do Hermes.

Mantendo-o atualizado

pipx upgrade superlocalmemory atualiza o pacote. Ele não atualiza o plugin — esses são canais separados, e o plugin é entregue pelo seu editor. slm doctor relata ambas as versões lado a lado e nomeia o comando que atualiza aquele que está desatualizado.

claude plugin marketplace update qualixar
claude plugin update superlocalmemory@qualixar

Para os outros três, substitua o diretório da tag em que você está.

Controles de privacidade e modos de operação

Modo	O quê	Caminho de memória principal	Comportamento de rede opcional
A	Guardião Local	Processamento local	Downloads de modelo/dependência, conectores, backup e outras integrações habilitadas podem usar a rede
B	Local Inteligente	Enriquecimento local com Ollama	Mesmas integrações opcionais do Modo A
C	Assistido por provedor	Armazenamento local com chamadas ao provedor	O conteúdo de consulta ou enriquecimento é enviado ao provedor configurado

slm mode a   # Zero-cloud (default)
slm mode b   # Local Ollama
slm mode c   # Cloud LLM

O Modo A pode executar operações de memória principal sem enviar conteúdo de memória a um provedor de modelo em nuvem. Isso não desativa conectores opcionais, backup em nuvem, provedores de proxy, aquisição de dependências ou downloads de modelo; revise a configuração e a política de rede para a implantação.

O SuperLocalMemory fornece armazenamento local, comandos de exportação/apagamento, proveniência, política e recursos de auditoria que podem apoiar um programa de conformidade. O software não é uma certificação legal, e a conformidade depende do caso de uso, operador, configuração e sistemas ao redor.

Os controles disponíveis incluem comandos locais de exportação e apagamento, registros de auditoria com cadeia de hash, rastreamento de proveniência e aplicação de política ABAC. Verifique seu comportamento e limites de retenção para sua implantação; consulte docs/compliance.md.

---

Memória para Equipes e Empresas (V4)

O V4 inclui controles multi-usuário e multi-workspace para equipes e organizações (introduzidos na linha 3.8 e mantidos). Eles são opcionais — instalações pessoais de usuário único funcionam exatamente como antes, sem necessidade de login.

Usuários e funções

O SLM suporta três níveis de função em um workspace: admin, membro e visualizador.

Função	Pode ler memória	Pode escrever memória	Pode gerenciar usuários/config
admin	sim	sim	sim
membro	sim	sim	não
visualizador	sim	não	não

As funções são definidas por workspace (perfil). Um usuário pode ter funções diferentes em workspaces diferentes.

Isolamento de workspace

Cada workspace (perfil) é um namespace de memória totalmente isolado. Um workspace não pode ler as memórias pessoais de outro. Escopos compartilhados e globais são opcionais e ainda limitados ao perfil na camada de autorização.

Portão de login

Implantações empresariais definem require_login = true na configuração. Com o login habilitado:

• Cada solicitação de dashboard e API exige uma sessão autenticada.
• A primeira execução cria uma conta de admin com uma senha escolhida pelo usuário (nenhuma credencial padrão é fornecida).
• Cookies de sessão usam HttpOnly com aplicação opcional de Secure.
• Instalações pessoais são executadas com require_login = false (proprietário de loopback é confiável).

slm config set security.require_login true   # Enable for team/enterprise use

Escopos de memória

Escopo	Quem pode recuperar	Definido com
personal	Somente perfil do proprietário (padrão)	slm remember "..." --scope personal
shared	Perfis nomeados que o proprietário concede	slm remember "..." --scope shared --shared-with profile-a,profile-b
global	Qualquer usuário autorizado nesta máquina	slm remember "..." --scope global

A recuperação é negada por padrão: fatos compartilhados e globais nunca são retornados, a menos que o chamador opte explicitamente (--include-shared, --include-global) ou a política de escopo permita. Consulte docs/shared-memory.md.

GDPR e governança de dados

O SLM inclui controles integrados que suportam programas de conformidade com GDPR:

• Exportação — exportação completa dos dados do perfil como um pacote estruturado em JSONL
• Apagamento — a exclusão do perfil remove dados de mais de 30 tabelas com escopo; o apagamento é registrado na cadeia de auditoria à prova de adulteração antes de qualquer exclusão de dados
• Regras de retenção — políticas baseadas em tempo (indefinite, gdpr-30d, hipaa-7y, custom) aplicadas por perfil
• Trilha de auditoria — cada armazenamento, recuperação, mutação e apagamento gera um registro de auditoria com hash encadeado
• Redação de PII — redação automática configurável antes que o conteúdo da memória cruze limites de confiança

Estes são controles de engenharia. A conformidade depende da configuração de implantação, do caso de uso e da responsabilidade do operador. Consulte docs/compliance.md.

Verificação do modo EU AI Act

O SLM inclui um relatório de postura técnica por modo do EU AI Act (EUAIActChecker). Ele registra fatos que o runtime pode conhecer — se os dados estão configurados para permanecer locais, se IA generativa é usada, e que transparência / supervisão humana precisam de evidência de implantação.

Um modo operacional não estabelece conformidade legal sob o EU AI Act. A classificação de risco legal e a avaliação de conformidade dependem da finalidade pretendida, das pessoas afetadas, do setor, do contexto de implantação e dos controles do operador. Portanto, o verificador retorna compliant=None / categoria de risco undetermined para cada modo e sempre exige revisão do contexto de implantação. Os Modos A/B/C apenas alteram a localidade técnica e as opções de enriquecimento (por exemplo, o Modo C pode enviar conteúdo a um provedor configurado). Consulte docs/compliance.md e src/superlocalmemory/core/modes.py.

Camadas de implantação

O SLM inclui um único binário e é configurado para a camada apropriada na instalação ou após a instalação.

Camada	Portão de login	Redação de PII	Retenção	Auditoria
Pessoal	desativado	desativado	desativado	ativado
Empresa	ativado	ativado	ativado	ativado

O instalador ou slm reconfigure define a camada. Cada configuração é independentemente substituível em tempo de execução. Documentação completa da camada: docs/deployment-tiers.md.

Documentação de RBAC e equipes

Referência completa: docs/rbac-teams.md · docs/deployment-tiers.md

---

Loops Limitados (V4)

Um loop limitado termina somente quando um portão independente passa — um código de saída de suíte de testes, um linter, uma verificação de JSON-schema ou uma condição de recuperação do SLM. A mensagem "terminei" do próprio agente é registrada como contexto consultivo e nunca é usada como sinal de término. Cada volta é persistida na memória do SLM sob a tag loop:<name>, para que as execuções sejam auditáveis e retomáveis entre sessões.

Três superfícies são fornecidas juntas:

Superfície	Como você a usa
CLI	slm loop demo · slm loop history [--name <n>] · slm loop show <run_id>
Skill + agente	skill /slm-loop com o agente slm-loop-runner — delegue uma tarefa que tenha uma condição de aceitação verificável
Ferramentas MCP	slm_loop_run · slm_loop_history · slm_loop_show — chame de qualquer IDE ou agente (disponível nos perfis MCP code e full)

# Run the built-in convergence demo (no API key needed)
slm loop demo

# Inspect recorded runs
slm loop history --name convergence-demo
slm loop show <run_id>

As voltas do loop são armazenadas como memórias comuns do SLM e são visíveis no painel sob Knowledge Graph e Memories (filtre pela tag loop:<name>) e no espaço de trabalho Multi-Agent Memory.

---

Adaptadores de Framework (V4)

O SLM inclui nove adaptadores sob ide/integrations/: LangGraph, Semantic Kernel, Microsoft Agent Framework, LangChain, LlamaIndex, CrewAI, AutoGen, Google ADK e OpenAI Agents. Cada um conecta o SLM como memória e histórico sem substituir o runtime do framework; seu diretório contém orientações de instalação/configuração. Pydantic AI não está incluído porque não expõe uma interface formal de memória externa.

---

Avançado

Tópico	Link
Documentação completa de otimização	docs/optimize-overview.md · docs/optimize-cli.md · docs/optimize-config.md
Implantação distribuída	docs/distributed-deployment.md
Malha multi-máquina	docs/multi-machine.md
Ganchos de memória automática	docs/auto-memory.md
Arquitetura + matemática	docs/ARCHITECTURE.md
Evidências de benchmark publicadas	docs/benchmarks.md
Referência da CLI	docs/cli-reference.md
Referência de ferramentas MCP	docs/mcp-tools.md
Ponte opcional de Loops Limitados	docs/bounded-loops-bridge.md
Primeiros passos	docs/getting-started.md
Configuração de IDE (15 configurações)	docs/ide-setup.md
Equipes, usuários e RBAC	docs/rbac-teams.md
Camadas de implantação	docs/deployment-tiers.md
Integração pi.dev	docs/pi-dev-integration.md
Evolução de skills	docs/skill-evolution.md
Migração V2	docs/migration-from-v2.md
Configuração	docs/configuration.md
Contrato de pontuação de recuperação	docs/retrieval-score-contract.md
Wiki	github.com/qualixar/superlocalmemory/wiki

Abra o painel web com slm dashboard; os espaços de trabalho aparecem somente quando sua capacidade de runtime está habilitada e saudável. Consulte CHANGELOG.md para o histórico completo de versões.

Artigos de Pesquisa

O SuperLocalMemory tem um preprint arXiv V4 com arquivo Zenodo e DOI, além de The Living Brain (V3.3), Information-Geometric Foundations (V3) e Trust & Behavioral Foundations (V2).

Use os metadados de citação nos registros arXiv ou Zenodo vinculados.

Suporte / Licença / Qualixar

Consulte CONTRIBUTING.md, a Wiki e LICENSE (AGPL-3.0). Para licenciamento comercial, consulte COMMERCIAL-LICENSE.md ou entre em contato com varun.pratap.bhardwaj@gmail.com. Copyright (c) 2026 Varun Pratap Bhardwaj / Qualixar · Qualixar · arquivo de pesquisa. Agradecimentos: Everything Claude Code informou a observação de skills; HKUDS/OpenSpace informou a verificação de evolução de skills.

Estrela neste Projeto

Se este projeto resolve um problema real para você, por favor, dê uma estrela no repositório — isso ajuda outros desenvolvedores a descobrir a Qualixar e sinaliza que a comunidade de confiabilidade de agentes de IA está crescendo.