scriptoriumadmin/ReMe
1
0
Fork 0
mirror of https://github.com/agentscope-ai/ReMe.git synced 2026-09-07 08:26:06 +00:00
Code Issues Projects Releases Packages Wiki Activity Actions 9

docs(cli): update Chinese quick start documentation

Browse source
This commit is contained in:
jinli.yl 2026-02-15 18:39:57 +08:00
parent a753a81852
commit c8b7dbc584
1 changed files with 179 additions and 182 deletions
Show stats Download patch file Download diff file Expand all files Collapse all files

361
docs/cli/quick_start_zh.md
View file

@ -1,72 +1,74 @@
# ReMe CLI 快速开始
## 🧠 记忆管理：为什么 AI 需要"记事本"？
## 记忆管理：AI 为什么需要这个？
大语言模型的上下文窗口就像一个**有限容量的背包** 🎒——每轮对话、每次工具调用都在往里塞东西。背包满了会怎样？
用过大模型的人都知道，上下文窗口是有限的。聊着聊着就超长了，然后：
- 🚫 **对话中断** — 无法继续交流
- 📉 **质量下降** — AI 开始"健忘"，丢失关键上下文
- ❌ **跨对话失忆** — 新对话完全不记得之前聊过什么
- 对话直接断掉，没法继续
- 回答质量明显变差，前面说的东西它不记得了
- 开个新对话？之前聊的全忘了，从头来过
更关键的是：即使背包没满，**每次新对话都是一张白纸**。上次讨论的项目决策、你的技术偏好、进行到一半的任务——全部归零。
更烦的是，**就算上下文没满，新对话也是一张白纸**。上次定好的技术方案、你的个人偏好、干到一半的活——全没了。
ReMe 为你提供两大核心能力来解决这些问题：
ReMe 干了两件事来解决这个问题：
| 能力 | 比喻 | 解决的问题 |
|---------------|--------------|-----------------------------|
| 🗜️ **上下文压缩** | 整理背包的贴心管家 🧹 | 对话太长时，自动将旧内容浓缩为精华摘要，腾出空间 |
| 📚 **长期记忆** | 随身携带的记事本 📓 | 关键信息写入文件持久保存，下次对话通过语义搜索自动召回 |
| 能力 | 干嘛用的 |
|-----|---------|
| **上下文压缩** | 对话太长时，把旧内容自动浓缩成摘要，给新内容腾地方 |
| **长期记忆** | 重要信息落盘保存，下次对话自动搜出来用 |
---
## 基于文件的记忆设计
ReMe 的长期记忆不依赖外部数据库——**Markdown 文件就是记忆本身**。你随时可以打开看、直接改。
> 记忆设计受 [OpenClaw](https://github.com/openclaw/openclaw) 记忆架构启发。
### 文件结构
```
.reme/
├── MEMORY.md
└── memory/
├── 2025-02-12.md
├── 2025-02-13.md
└── ...
```
### MEMORY.md — 长期记忆
放那些不太会变的关键信息，相当于你的"个人档案"：
- **位置**：`{working_dir}/MEMORY.md`
- **内容举例**：项目用 Python 3.12、偏好 pytest、数据库选了 PostgreSQL
- **谁来写**：Agent 通过 `write` / `edit` 工具自动维护
### memory/YYYY-MM-DD.md — 每日日志
一天一个文件，追加写入，记今天干了啥：
- **位置**：`{working_dir}/memory/YYYY-MM-DD.md`
- **内容举例**：修了登录 Bug、部署了 v2.1、讨论了缓存方案
- **谁来写**：Agent 工具写入 + 压缩时自动触发
---
## 示例
https://github.com/user-attachments/assets/befa7e40-63ba-4db2-8251-516024616e00
---
## 📁 基于文件系统的记忆设计
ReMe 的长期记忆不依赖任何外部数据库——**Markdown 文件就是你的记忆**。简单、透明、可直接编辑。
> 记忆设计受 [OpenClaw](https://github.com/openclaw/openclaw) 记忆架构启发。
### 记忆文件结构
```mermaid
graph LR
Workspace[🏠 工作空间 .reme/] --> MEMORY[📋 MEMORY.md]
Workspace --> MemDir[📂 memory/]
MemDir --> Day1[📄 2025-02-12.md]
MemDir --> Day2[📄 2025-02-13.md]
MemDir --> DayN[📄 ...]
```
### MEMORY.md — 长期记忆（你的"个人档案"）
存放长期有效、极少变动的关键信息，就像一本**个人百科**：
- **位置**：`{working_dir}/MEMORY.md`
- **内容示例**：项目使用 Python 3.12、偏好 pytest 框架、数据库选型为 PostgreSQL
- **更新方式**：Agent 通过 `write` / `edit` 工具自动写入
### memory/YYYY-MM-DD.md — 每日日志（你的"工作日记"）
每天一页，追加写入，记录当天的工作与交互：
- **位置**：`{working_dir}/memory/YYYY-MM-DD.md`
- **内容示例**：今天修复了登录 Bug、部署了 v2.1、讨论了缓存策略
- **更新方式**：Agent 通过 `write` / `edit` 工具追加写入；上下文压缩时自动触发
<video src="https://github.com/user-attachments/assets/befa7e40-63ba-4db2-8251-516024616e00" width="80%" controls></video>
---
## 📦 安装
## 安装
### 从 PyPI 安装（推荐）
### PyPI（推荐）
```bash
pip install reme-ai --pre
```
### 从源码安装
### 从源码装
```bash
git clone https://github.com/agentscope-ai/ReMe.git
@ -74,194 +76,189 @@ cd ReMe
pip install -e .
```
> 要求 Python >= 3.10
> Python >= 3.10
---
## ⚙️ 配置
## 配置
### 环境变量
除了 yaml 配置外，以下环境变量用于配置 API 密钥，可以放到根目录的.env文件中：
除了 yaml 配置文件，API 密钥通过环境变量设置，可以写在项目根目录的 `.env` 里：
| 环境变量 | 说明 | 示例 |
|---------------------------|------------------------|-----------------------------------------------------|
| `REME_LLM_API_KEY` | LLM 服务的 API Key | `sk-xxx` |
| `REME_LLM_BASE_URL` | LLM 服务的 Base URL | `https://dashscope.aliyuncs.com/compatible-mode/v1` |
| `REME_EMBEDDING_API_KEY` | Embedding 服务的 API Key | `sk-xxx` |
| `REME_EMBEDDING_BASE_URL` | Embedding 服务的 Base URL | `https://dashscope.aliyuncs.com/compatible-mode/v1` |
> 如果没有embedding，搜索效果会受限，同时请配置vector_enabled=false
| 环境变量 | 说明 | 示例 |
|---------|------|------|
| `REME_LLM_API_KEY` | LLM 的 API Key | `sk-xxx` |
| `REME_LLM_BASE_URL` | LLM 的 Base URL | `https://dashscope.aliyuncs.com/compatible-mode/v1` |
| `REME_EMBEDDING_API_KEY` | Embedding 的 API Key | `sk-xxx` |
| `REME_EMBEDDING_BASE_URL` | Embedding 的 Base URL | `https://dashscope.aliyuncs.com/compatible-mode/v1` |
> 没有 embedding 服务的话搜索效果会打折扣，记得同时设 `vector_enabled=false`。
### 联网搜索（可选）
| 环境变量 | 说明 |
|---------------------|-----------------------------------------|
| `TAVILY_API_KEY` | Tavily 搜索 API Key |
| `DASHSCOPE_API_KEY` | DashScope 百炼 LLM(enable search) API Key |
> 两者配置其一即可；优先使用 Tavily。
| 环境变量 | 说明 |
|---------|------|
| `TAVILY_API_KEY` | Tavily 搜索 API Key |
| `DASHSCOPE_API_KEY` | 百炼 LLM（带搜索）API Key |
> 二选一就行，有 Tavily 优先用 Tavily。
---
### 配置文件 cli.yaml
`remecli` 启动时默认加载 [cli.yaml](https://github.com/agentscope-ai/ReMe/blob/main/reme/config/cli.yaml) 配置文件（`config_path="cli"`）。这是整个 CLI 的**中枢配置**，就像飞机的仪表盘 🛫——所有核心参数都在这里集中管理：
`remecli` 启动时加载 [cli.yaml](https://github.com/agentscope-ai/ReMe/blob/main/reme/config/cli.yaml)（`config_path="cli"`），所有核心参数都在这一个文件里管。
#### 📐 参数详解
#### 参数说明
**基础配置**
| 参数 | 值 | 说明 |
|---------------|---------|----------------------------------------|
| `backend` | `cmd` | 运行模式，CLI 使用 `cmd` |
| `working_dir` | `.reme` | 工作空间目录，记忆文件（MEMORY.md、memory/*.md）存放于此 |
| 参数 | 值 | 说明 |
|------|-----|------|
| `backend` | `cmd` | 运行模式，CLI 用 `cmd` |
| `working_dir` | `.reme` | 工作空间目录，记忆文件存这里 |
**metadata — 上下文窗口与检索参数** 🎒
**metadata — 上下文窗口与检索参数**
这些参数控制"背包管家"如何管理上下文空间和记忆检索：
控制上下文空间怎么分配、记忆怎么搜：
| 参数 | 默认值 | 说明 |
|-------------------------|----------|---------------------------------------|
| `context_window_tokens` | `100000` | 上下文窗口总容量（token），背包的**总大小** |
| `reserve_tokens` | `30000` | 为输出和系统开销预留的 token，背包里**留给新东西的空间** |
| `keep_recent_tokens` | `10000` | 压缩后保留的最近对话 token，**最新鲜的对话**不会被压缩 |
| `vector_weight` | `0.7` | 混合检索中向量搜索的权重（BM25 权重 = 1 - 0.7 = 0.3） |
| `candidate_multiplier` | `2` | 检索候选池扩大倍数，越大召回越全但越慢 |
| 参数 | 默认值 | 说明 |
|------|--------|------|
| `context_window_tokens` | `100000` | 上下文窗口总大小（token） |
| `reserve_tokens` | `30000` | 给输出和系统开销预留的空间 |
| `keep_recent_tokens` | `10000` | 压缩后保留多少最近的对话 |
| `vector_weight` | `0.7` | 向量搜索权重（BM25 = 1 - 0.7 = 0.3） |
| `candidate_multiplier` | `2` | 检索候选池倍数，越大召回越全、越慢 |
> 💡 自动压缩触发条件：当消息 token 数 ≥ `context_window_tokens - reserve_tokens`（即 100000 - 30000 = 70000）时触发。
> 自动压缩的触发点：消息总 token ≥ `context_window_tokens - reserve_tokens`，即默认 70000 token。
**llms — LLM 模型配置** 🧠
**llms — LLM 模型**
| 参数 | 说明 |
|--------------------|-------------------------|
| `backend` | LLM 后端类型，使用 OpenAI 兼容接口 |
| `model_name` | 模型名称，默认使用通义千问 |
| `request_interval` | 请求间隔（秒），用于速率控制 |
| 参数 | 说明 |
|------|------|
| `backend` | 后端类型，走 OpenAI 兼容接口 |
| `model_name` | 模型名，默认通义千问 |
| `request_interval` | 请求间隔（秒），控速用 |
**embedding_models — Embedding 模型配置** 🔍
**embedding_models — Embedding 模型**
| 参数 | 说明 |
|--------------|---------------------------------------|
| `backend` | Embedding 后端类型 |
| `model_name` | Embedding 模型名称，默认 `text-embedding-v4` |
| `dimensions` | 向量维度，`1024` 维 |
| 参数 | 说明 |
|------|------|
| `backend` | Embedding 后端类型 |
| `model_name` | 模型名，默认 `text-embedding-v4` |
| `dimensions` | 向量维度，`1024` |
**memory_stores — 记忆存储后端** 💾
**memory_stores — 记忆存储**
| 参数 | 说明 |
|-------------------|------------------------------|
| `backend` | 存储后端，默认使用 `chroma`（ChromaDB） |
| `db_name` | 数据库文件名 |
| `store_name` | 集合名称 |
| `embedding_model` | 引用的 Embedding 模型配置名 |
| `fts_enabled` | 是否启用 BM25 全文检索 |
| `vector_enabled` | 是否启用向量语义搜索 |
| 参数 | 说明 |
|------|------|
| `backend` | 存储后端，默认 `chroma`（ChromaDB） |
| `db_name` | 数据库文件名 |
| `store_name` | 集合名 |
| `embedding_model` | 用哪个 Embedding 模型 |
| `fts_enabled` | 开不开 BM25 全文检索 |
| `vector_enabled` | 开不开向量语义搜索 |
> 🔧 推荐同时启用 `fts_enabled` 和 `vector_enabled`，使用混合检索获得最佳召回效果。
> 建议 `fts_enabled` 和 `vector_enabled` 都开，混合检索效果最好。
**file_watchers — 文件监控配置** 👁️
**file_watchers — 文件监控**
| 参数 | 说明 |
|------------------|--------------------|
| `backend` | 监控模式，`full` 为全量扫描 |
| `memory_store` | 关联的记忆存储配置名 |
| `watch_paths` | 监控的目录/文件路径列表 |
| `suffix_filters` | 只监控指定后缀的文件（`.md`） |
| `recursive` | 是否递归监控子目录 |
| `scan_on_start` | 启动时是否全量扫描一次，确保索引完整 |
| 参数 | 说明 |
|------|------|
| `backend` | 监控模式，`full` = 全量扫描 |
| `memory_store` | 对应的记忆存储配置 |
| `watch_paths` | 要监控的目录/文件 |
| `suffix_filters` | 只关心哪些后缀（`.md`） |
| `recursive` | 是否递归子目录 |
| `scan_on_start` | 启动时先全量扫一遍 |
**token_counters — Token 计数器** 🔢
**token_counters — Token 计数器**
| 参数 | 说明 |
|-----------|-------------------------------|
| `backend` | 计数器后端，`base` 使用默认 tiktoken 计数 |
| 参数 | 说明 |
|------|------|
| `backend` | 计数方式，`base` 用 tiktoken |
## 🚀 启动 CLI
## 启动
```bash
remecli config=cli
```
启动时自动加载 [cli.yaml](https://github.com/agentscope-ai/ReMe/blob/main/reme/config/cli.yaml) 配置。
现在你可以直接和 Remy 对话了！ReMe 会在后台自动管理上下文压缩和长期记忆。
启动后自动加载 [cli.yaml](https://github.com/agentscope-ai/ReMe/blob/main/reme/config/cli.yaml)，然后就可以直接跟 Remy 聊了。ReMe 在后台自动处理压缩和记忆。
---
## 📟 系统命令
## 系统命令
在对话中输入以 `/` 开头的命令来控制对话状态：
对话里输入 `/` 开头的命令控制状态：
| 命令 | 说明 | 需要等待 |
|------------|-------------------------|------|
| `/compact` | 手动压缩当前对话为摘要，同时后台保存到长期记忆 | ⏳ 是 |
| `/new` | 清空上下文开始新对话，后台保存历史到长期记忆 | ⚡ 否 |
| `/clear` | 完全清空上下文（**不保存**到长期记忆） | ⚡ 否 |
| `/history` | 查看当前对话中所有未压缩的消息 | ⚡ 否 |
| `/help` | 显示可用命令列表 | ⚡ 否 |
| `/exit` | 退出 CLI | ⚡ 否 |
| 命令 | 说明 | 需要等 |
|------|------|--------|
| `/compact` | 手动压缩当前对话，同时后台存到长期记忆 | 是 |
| `/new` | 开始新对话，历史后台保存到长期记忆 | 否 |
| `/clear` | 清空一切，**不保存** | 否 |
| `/history` | 看当前对话里未压缩的消息 | 否 |
| `/help` | 看命令列表 | 否 |
| `/exit` | 退出 | 否 |
### 命令对比
### 三个命令的区别
| 命令 | 压缩摘要 | 长期记忆 | 消息历史 |
|------------|----------|--------|------------|
| `/compact` | 📦 生成新摘要 | ✅ 后台保存 | 🏷️ 保留最近消息 |
| `/new` | 🗑️ 清空 | ✅ 后台保存 | 🗑️ 完全清空 |
| `/clear` | 🗑️ 清空 | ❌ 不保存 | 🗑️ 完全清空 |
| 命令 | 压缩摘要 | 长期记忆 | 消息历史 |
|------|----------|--------|----------|
| `/compact` | 生成新摘要 | 保存 | 保留最近的 |
| `/new` | 清空 | 保存 | 清空 |
| `/clear` | 清空 | 不保存 | 清空 |
> ⚠️ `/clear` 是不可逆的——清除的内容不会被保存到任何地方。
> `/clear` 是真删，删了就没了，不会存到任何地方。
---
## 🛠️ ReMeCli 能力介绍
## ReMeCli 的能力
ReMeCli 是一个功能完整的终端 AI 助手，装备了丰富的工具集。就像一个随身携带整套工具箱的工程师 🧰：
### 什么时候会写记忆？
### 何时写入记忆？
| 触发场景 | 写入目标 | 方式 |
|---------------------|------------------------|-------------------------|
| 🤖 上下文溢出自动压缩 | `memory/YYYY-MM-DD.md` | 后台自动触发 |
| 🎮 用户执行 `/compact` | `memory/YYYY-MM-DD.md` | 手动触发压缩 + 后台保存 |
| 🆕 用户执行 `/new` | `memory/YYYY-MM-DD.md` | 立即开始新对话 + 后台保存 |
| 💬 用户说"记住这个" | `MEMORY.md` 或日志 | Agent 通过 `write` 工具立即写入 |
| 🔑 Agent 识别到关键决策/偏好 | `MEMORY.md` | Agent 主动写入 |
| 场景 | 写到哪 | 怎么触发 |
|------|--------|---------|
| 上下文超长自动压缩 | `memory/YYYY-MM-DD.md` | 后台自动 |
| 用户执行 `/compact` | `memory/YYYY-MM-DD.md` | 手动压缩 + 后台保存 |
| 用户执行 `/new` | `memory/YYYY-MM-DD.md` | 新对话 + 后台保存 |
| 用户说"记住这个" | `MEMORY.md` 或日志 | Agent 用 `write` 工具写入 |
| Agent 发现了重要决策/偏好 | `MEMORY.md` | Agent 主动写 |
### 记忆检索
Agent 有两种方式找回过去的记忆：
两种方式找回之前的东西：
| 方式 | 工具 | 适用场景 | 示例 |
|---------|-----------------|----------------|---------------------------|
| 🔍 语义搜索 | `memory_search` | 不确定记在哪，按意图模糊召回 | "之前关于部署流程的讨论" |
| 📖 直接读取 | `read` | 已知日期或文件路径，精确查阅 | 读取 `memory/2025-02-13.md` |
| 方式 | 工具 | 什么时候用 | 举例 |
|------|------|-----------|------|
| 语义搜索 | `memory_search` | 不确定记在哪，模糊找 | "之前关于部署的讨论" |
| 直接读 | `read` | 知道是哪天、哪个文件 | 读 `memory/2025-02-13.md` |
搜索采用**向量 + BM25 混合检索**（默认向量权重 0.7，BM25 权重 0.3），两种信号互补，无论是自然语言提问还是精确查找都能获得可靠结果。
搜索用的是**向量 + BM25 混合检索**（向量权重 0.7，BM25 权重 0.3），自然语言和精确关键词都能搜到。
### 内置工具
### 内置工具一览
| 工具 | 能力 | 说明 |
|--------------------|--------------|------------------------------------------|
| 🔍 `memory_search` | 记忆语义搜索 | 在 MEMORY.md 和 memory/*.md 中进行向量+BM25混合检索 |
| 🖥️ `bash` | 执行终端命令 | 运行任意 bash 命令，支持超时控制和输出截断 |
| 📂 `ls` | 列出目录 | 浏览目录结构，支持条目数限制 |
| 📖 `read` | 读取文件 | 读取文本文件和图片，支持 offset/limit 分段读取 |
| ✏️ `edit` | 精确编辑文件 | 通过精确文本匹配进行外科手术式修改 |
| 📝 `write` | 写入文件 | 创建或覆盖文件，自动创建父目录 |
| 🐍 `execute_code` | 执行 Python 代码 | 动态运行 Python 代码片段 |
| 🌐 `web_search` | 联网搜索（可选） | 通过 Tavily 或 DashScope 进行实时网络搜索 |
| 工具 | 干什么 | 细节 |
|------|--------|------|
| `memory_search` | 搜记忆 | MEMORY.md 和 memory/*.md 里做向量+BM25 混合检索 |
| `bash` | 跑命令 | 执行 bash 命令，有超时和输出截断 |
| `ls` | 看目录 | 列目录结构 |
| `read` | 读文件 | 文本和图片都行，支持分段读 |
| `edit` | 改文件 | 精确匹配文本后替换 |
| `write` | 写文件 | 创建或覆盖，自动建目录 |
| `execute_code` | 跑 Python | 运行代码片段 |
| `web_search` | 联网搜索 | 通过 Tavily 或 DashScope 搜 |
---
## 🔄 上下文压缩机制
## 上下文压缩怎么工作的
压缩就像写**会议纪要** 📋——把冗长的讨论浓缩成关键要点，同时保留最近的讨论内容不变。
简单说就是把长对话浓缩成摘要，最近的对话保持原样。两种触发方式：
ReMe 提供两种压缩方式，就像汽车的**自动挡和手动挡** 🚗：
### 自动压缩
### 🤖 自动压缩（自动挡）
每次对话前，ReMe 像一个贴心管家 🧹 检查背包还剩多少空间。当 token 超过阈值（`context_window_tokens - reserve_tokens`）时自动整理：
每轮对话前 ReMe 会检查当前 token 用量。超过阈值（`context_window_tokens - reserve_tokens`）就自动压缩旧消息：
```mermaid
graph TB
@ -274,7 +271,7 @@ graph TB
end
subgraph 压缩后
B1[📦 压缩摘要: 之前帮用户写了代码并完成调整]
B1[压缩摘要: 之前帮用户写了代码并完成调整]
B2[消息5: 新需求]
end
@ -285,17 +282,17 @@ graph TB
A5 --> B2
```
### 🎮 手动压缩（手动挡）
### 手动压缩
随时输入 `/compact` 强制压缩**所有**当前消息，不受阈值限制。
随时输入 `/compact`，强制压缩所有当前消息，不看阈值。
### 摘要保留什么？
### 摘要里会留什么？
| 部分 | 内容 | 举例 |
|----------|---------------|-----------------------------|
| 🎯 目标 | 用户想要完成什么 | "构建一个用户登录系统" |
| ⚙️ 约束和偏好 | 用户提到的要求 | "使用 TypeScript，不要用任何框架" |
| 📈 进展 | 完成/进行中/阻塞的任务 | "登录接口已完成，注册接口进行中" |
| 🔑 关键决策 | 做出的决策及原因 | "选择 JWT 而非 Session，因为需要无状态" |
| ➡️ 下一步 | 接下来要做什么 | "实现密码重置功能" |
| 📌 关键上下文 | 文件路径、函数名、错误信息 | "主文件在 src/auth.ts" |
| 内容 | 说的是啥 | 例子 |
|------|---------|------|
| 目标 | 用户想干什么 | "搞一个登录系统" |
| 约束和偏好 | 用户提的要求 | "用 TypeScript，不要框架" |
| 进展 | 做到哪了 | "登录接口好了，注册还在写" |
| 关键决策 | 定了什么、为什么 | "选 JWT 不选 Session，要无状态" |
| 下一步 | 接下来干嘛 | "做密码重置" |
| 关键上下文 | 文件名、函数名、报错 | "主文件 src/auth.ts" |