# PLUR

> 仓库地址：https://github.com/plur-ai/plur
> 作者/组织：plur-ai
> 成熟度：beta
> 分析日期：2026-04-15

## 一句话总结
Local-first 的跨工具 agent 持久化记忆层，用 engram 格式存储知识、用 ACT-R 模型实现自然遗忘。

## 项目定位与架构
PLUR 解决的问题是：agent 的 memory 被锁在单一工具中，跨 Claude Code、Cursor、Windsurf 等工具无法共享。它提供统一的、本地优先的 persistent memory layer，所有数据以 YAML 文件存储在磁盘上，零 API 调用实现检索。

核心存储单元是 **engram**（记忆元）——typed assertions，包含 activation strength（ACT-R 衰减模型）、polarity classification（directive vs constraint）、hierarchical scope（global/project/service）、feedback ratings 和 associations。第二存储单元是 **episode**（情境），捕获时间戳事件。

## 关键技术特性
- **Cross-tool Persistence**：Claude Code、Cursor、Windsurf、OpenClaw 统一 memory
- **Engram Format**：activation strength + polarity + scope + feedback + associations
- **ACT-R Natural Decay**：未使用的记忆自然衰减，无需手动清理
- **Hybrid Retrieval**：BM25 full-text + BGE embeddings + Reciprocal Rank Fusion
- **86.7% LongMemEval**：与云端方案持平，零查询成本
- **Local-first**：全 YAML 存储，零 API 依赖

## 设计亮点与创新
ACT-R activation model 是核心创新——借鉴认知科学的记忆衰减理论，让 agent memory 自然"遗忘"不再使用的知识，避免 memory 膨胀。Hybrid retrieval 在纯本地实现了 86.7% LongMemEval 得分，证明本地方案可以不输云端。

## 局限性与风险
- 本地 embedding 模型的计算资源需求可能不低
- YAML 存储在大规模数据下的性能瓶颈
- 跨工具 plugin 的维护成本较高

## 与生态系统的关联
为 Hermes 生态提供了**跨工具 memory infrastructure**。与 Maestro 的 local-first 理念共鸣。engram format 可能成为 agent memory 的标准化参考。