MemKV 是 Leon 自研的 AI 持久化记忆基础设施，用「项目 → 分组 → 条目」三级树形结构组织全部知识，通过 纯 HTTP RESTful API 让 Agent 拥有可被任意设备、任意模型共享的持久化记忆层。
在多 AI Agent 协同的场景里，"记忆"是决定 Agent 能否真正落地的关键。它需要持久化跨会话、跨设备、跨模型保存上下文，同时又能被 Agent 程序化读写。
search 加载上下文，AI 偏好无缝延续MemKV 当前承载的项目、条目、调用量一览。每一次 AI Agent 接入，都会让这些数字跳动。
从结构到接口、从检索到分享，每一项都为 Agent 友好而设计。
「项目 / 分组 / 条目」三层组织，定位效率比扁平标签高 5 倍。
纯 HTTP 接口，无需 SDK，5 行代码首次接入。
正文 Markdown 存储，自动渲染 HTML，Agent 拿到纯文本。
任意格式附件一键上传，自动生成公开直链供外部引用。
/search 关键词秒级返回，跨项目跨分组联合匹配。
只读公开接口用于外部浏览，敏感条目按 private 隔离。
显式声明关联条目，递归加载形成完整上下文。
每条目带 summary + tags，可直接拼入 LLM prompt。
| 特性维度 | Notion / Confluence | 向量数据库 | MemKV 记忆库 |
|---|---|---|---|
| 人类阅读体验 | ✓ 优秀 | ✗ 不友好 | 良好（Markdown 渲染） |
| Agent 友好输出 | ✗ HTML 噪音 | △ 需 Embedding | 纯 JSON，可直拼 prompt |
| 冷启动成本 | 无需准备 | 需 Embedding 模型 | 无需 Embedding |
| 检索可解释性 | 精确匹配 | 黑盒相似度 | 精确匹配 + 关键词 |
| 单条部署成本 | $8/人/月 | $50+/月 | ¥0（单机部署） |
| References 关系 | ✗ 无 | △ 弱 | 原生引用 + 递归加载 |
| 部署复杂度 | SaaS 即开即用 | 需 Docker + GPU | 30 秒单机部署 |
MemKV 的整个数据模型围绕"三级树 + 关系引用"设计，从项目到条目层层下钻，每一层都有清晰职责。
每个 Item 是完整的结构化对象：item_name、project_name、group_name、summary（≤200字）、content（Markdown）、references、tags、created_at / updated_at。
采用共享 Token + 项目级 Token双层控制：管理员 Token 由环境变量注入用于管理；Agent Token 在创建项目时一次性下发，仅对该项目可读写。
public 标记的条目可通过公开接口读取。删除操作需 sudo 级 Token，遵循记忆库「删除规范」。无论是个人 AI 助手还是企业级多 Agent 系统，MemKV 都能成为可靠的记忆中枢。
把每次会话的关键决策、用户偏好、业务背景存入 MemKV，让 Agent 在下一次会话（无论是 Opencode、Cursor、还是自研脚本）启动时自动加载上下文，避免每次都从零开始建立认知。
新设备、新成员、新项目加入时，先在 MemKV 中创建"自我介绍"条目，再让 Agent 自动关联到相关上下游 Skills。每台设备都有自己的条目页，新人通过一条 curl 就能了解整台设备的 SSH、IP、职能、归属。
dev_summary.py 一键获取设备清单。每个 Skill 文档都对应一个条目（如 LZ-Studio-Skill、AI中转站-Skill、网络运维整合-Skill、企业官网制作-Skill），Agent 调用 Skill 前先 search 命中目标，再通过 references 字段加载相关 Skill 形成完整操作手册。
对接到 Leon-AI-Chat 等 AI 问答系统后，用户提问时先用关键词在 MemKV 中检索最相关的若干条目，把摘要拼入 prompt 再调用 LLM。相比传统向量数据库方案，这种"关键词 + 摘要 + references"的方式更可解释、更易调试。
无论你用 Python、Node 还是 Shell，MemKV 都能在 5 行代码内完成首次接入。
会话启动时调用 /api/v1/memory/index 一次性获取全树索引（约 5KB JSON）。
每轮对话前用关键词命中相关条目，把 summary 拼入 prompt。响应时间 <100ms。
命中条目若有 references，自动加载关联条目形成完整上下文图谱。
GET /api/v1/memory/index 一次性获取全树索引，再根据当前任务用 search 或 item/content 按需加载。所有响应都是 LLM 友好的纯 JSON。所有接口遵循 RESTful 规范，返回标准 JSON。除特别说明外均需 Authorization: Bearer wswwsw1234 鉴权头。
/api/v1/memory/index/api/v1/search?keyword=.../api/v1/item/content?project_name=...&group_name=...&item_name=.../api/v1/item/create/api/v1/item/updateupdated_at 时间戳。/api/v1/item/delete所有组件选择都遵循"轻量、可靠、易部署"三大原则，让 MemKV 可以在任何一台 Linux 机器上 30 秒内完成部署。
MemKV 的部署流程极其简单，只需 5 步即可在任何 Linux 服务器上启动。
克隆代码仓库，安装 Python 依赖：pip install -r requirements.txt。
设置环境变量 MEMKV_ADMIN_TOKEN，Agent Token 通过 API 自动生成。
运行 python init_db.py 自动创建 SQLite 表结构与索引。
python app.py --host 0.0.0.0 --port 5001 或通过 systemd 托管为常驻服务。
访问 /api/v1/memory/index 返回 200 + JSON 即表示部署成功。
| 公网地址 | http://119.145.17.34:5001/ |
| 内网地址 | http://192.168.11.70:5001/ |
| 部署设备 | TK-Server · 192.168.11.70（vmesxi03 虚拟机） |
| 服务端口 | 5001 |
| 管理员 Token | wswwsw1234（仅内网使用） |
| 认证方式 | Authorization: Bearer <token> |
| 服务进程 | systemd unit memkv.service，7×24 持久在线 |
| 托管展示站 | http://119.145.17.34:5070/s/memkv/ |
MemKV 自 2026 年 4 月上线以来持续迭代，记录每一次能力跃迁。
关于 MemKV 在生产中使用最常见的疑问。
GET /api/v1/memory/index 一次性获取全树索引（约 5KB JSON），再根据当前任务用 search 或 item/content 按需加载。所有响应都是 LLM 友好的纯 JSON，可直接 json.dumps 后拼进 prompt。
public 标记的条目可通过公开接口读取。删除操作需 sudo 级 Token，并遵循记忆库「删除规范」。管理员 Token 仅在内网使用，绝不出公网。
POST /api/v1/item/create 批量写入。建议先用 Python 脚本解析原数据，按「项目 → 分组 → 条目」三级结构映射，然后通过 requests.post 批量导入。联系 Leon 可获得一对一迁移协助。
item/update 时同步触发向量索引更新。