综合介绍

Cursor Memories 是一个命令行（CLI）工具，它为开发者提供了一个强大且持久的外部“记忆”系统。这个工具的核心功能是解决AI编程助手无法长期记忆有价值的开发经验、代码模式和解决方案的问题。它通过连接开发者自己的Supabase云数据库和OpenAI的向量模型，将重要的开发见解结构化地存储起来。当开发者在Cursor编辑器中工作时，AI助手可以通过该工具进行语义化搜索，用自然语言查询并找回相关的历史记录。这使得AI能够基于项目和开发者个人的经验积累，提供更具上下文感知能力和针对性的编程辅助，相当于为每个开发者创建了一个私有、可随时查阅的云端开发知识库。

功能列表

• 云端记忆存储: 将开发过程中的灵感、解决方案和代码模式安全地存储在自己的Supabase数据库中。
• 语义化搜索: 利用OpenAI embeddings技术，可以通过自然语言（而非精确的关键词）来查询和匹配相关的记忆。
• 结构化分类: 允许通过仓库、技术栈、分类（如架构、数据库、安全等）等多个维度来组织和标记每一条记忆。
• 项目隔离: 能够按代码仓库（Repository）组织记忆，让AI在不同项目中可以调取高度相关的历史经验。
• 安全私密: 所有数据都存储在用户自己的Supabase项目里，确保了开发知识的私密性和安全性。
• 高效命令行: 提供简洁快速的命令行指令，方便开发者随时添加和搜索记忆。
• 无缝集成: 设计旨在与Cursor编辑器内的AI Agent协同工作，由AI在后台自动调用以存取记忆。

使用帮助

Cursor Memories 将你的开发经验沉淀为一个可搜索的知识库。它的安装和使用需要一些前置配置，主要是设置用于存储记忆的云端数据库。以下是完整详细的配置和使用流程。

第一步：前置准备 (配置Supabase数据库)

在使用此工具前，你需要在Supabase平台上创建一个免费的云数据库项目。

1. 创建Supabase项目
   • 访问 supabase.com 并登录。
   • 创建一个新的组织（Organization），选择免费套餐。
   • 在组织内创建一个新项目（New project），为其命名，设置一个安全的数据库密码，并选择一个服务器区域。项目创建过程大约需要2-3分钟。
2. 启用Vector向量扩展
   • 项目创建成功后，在左侧导航栏进入 Database -> Extensions。
   • 在搜索框中找到 vector 并启用它。这个扩展是实现语义化搜索的核心。
3. 创建memories数据表
   • 在左侧导航栏进入 SQL Editor，点击 New query。
   • 将下面的SQL代码粘贴进去并执行，以创建用于存储记忆的数据表：

     CREATE TABLE memories (
     id SERIAL PRIMARY KEY,
     repo TEXT NOT NULL,
     category TEXT NOT NULL,
     tech_stack TEXT[] DEFAULT '{}',
     title TEXT NOT NULL,
     document TEXT NOT NULL,
     embedding VECTOR(1536),
     created_at TIMESTAMP WITH TIME ZONE DEFAULT NOW()
     );
     

4. 为向量搜索创建索引
   • 再次新建一个查询，将下面的SQL代码粘贴进去并执行。这会为向量搜索创建索引，大幅提升查询速度。

     CREATE INDEX ON memories USING ivfflat (embedding vector_cosine_ops)
     WITH (lists = 100);
     

5. 创建搜索函数 (RPC)
   • 继续新建一个查询，将下面的SQL代码粘贴进去并执行。这将创建一个名为search_memories的函数，让搜索操作更高效、更安全。

     CREATE OR REPLACE FUNCTION search_memories(
     query_embedding VECTOR(1536),
     match_threshold DOUBLE PRECISION,
     match_count INTEGER,
     filter_repo TEXT,
     filter_category TEXT,
     filter_tech_stack TEXT[]
     )
     RETURNS TABLE (
     id bigint,
     repo text,
     category text,
     tech_stack text[],
     title text,
     document text,
     embedding vector,
     created_at timestamp with time zone
     )
     LANGUAGE plpgsql
     AS $$
     BEGIN
     RETURN QUERY
     SELECT
     memories.id,
     memories.repo,
     memories.category,
     memories.tech_stack,
     memories.title,
     memories.document,
     memories.embedding,
     memories.created_at
     FROM memories
     WHERE (filter_repo IS NULL OR memories.repo = filter_repo)
     AND (filter_category IS NULL OR memories.category = filter_category)
     AND (filter_tech_stack IS NULL OR memories.tech_stack @> filter_tech_stack)
     AND (1 - (memories.embedding <=> query_embedding)) > match_threshold
     ORDER BY (memories.embedding <=> query_embedding)
     LIMIT match_count;
     END;
     $$;
     

6. 获取API凭证
   • 在左侧导航栏进入 Settings -> API。
   • 在页面中找到并复制你的 Project URL 和 Service Role Key。同时，你还需要准备好你的 OpenAI API Key。
   • 注意：Service Role Key 是高度机密的凭证，请妥善保管，不要泄露。

第二步：安装与配置

1. 全局安装CLI工具在你的终端（命令行工具）中运行以下命令：

   npm install -g cursor-memories
   

2. 配置环境变量运行以下命令，工具会引导你输入上一步获取的凭证：

   memories setup
   

   根据提示，依次输入你的Supabase项目URL、Supabase Service Role Key和OpenAI API Key。这些信息将被保存在工具的全局目录中，让你可以在任何项目中直接调用memories命令。

第三步：如何使用

配置完成后，你就可以通过命令行来管理你的开发记忆了。

添加一条记忆 (memories add)

使用此命令来存储一条新的开发经验。基础语法:memories add --repo="仓库名" --category="分类" --tech_stack="技术,栈" --title="标题" --document="详细内容"

参数说明:

• --repo, -r: 记忆所属的代码仓库名称。
• --category, -c: 记忆的分类，官方推荐分类包括 Architecture, Database, Security, Performance, Patterns 等。
• --tech_stack: 使用到的技术栈，用逗号分隔，例如 "React,Node.js"。
• --title, -t: 记忆的简短标题。
• --document, -d: 记忆的详细内容。如果内容中需要换行，请使用 __NEWLINE__ 代替。

示例: 存储一个数据库连接池的优化方案。

memories add \
--repo="ecommerce-app" \
--category="Database" \
--tech_stack="PostgreSQL,Node.js" \
--title="数据库连接池模式" \
--document="使用 pg-pool 实现连接池以处理高并发数据库连接。配置为 max: 20, idleTimeoutMillis: 30000。这次优化使连接开销减少了60%，响应时间提升了40%。"

搜索记忆 (memories search)

使用此命令通过自然语言查询已存储的记忆。

基础语法:memories search --query="你的问题或关键词" [可选过滤条件]

参数说明:

• --query, -q: 你的搜索内容，可以是问题或几个关键词。
• --repo, -r: (可选) 按仓库名称过滤。
• --category, -c: (可选) 按分类过滤。
• --tech_stack, -t: (可选) 按技术栈过滤。
• --threshold: (可选) 相似度阈值，范围0.0到1.0，默认为0.3。
• --limit: (可选) 最大返回结果数，默认为10。
• --full: (可选) 显示匹配结果的完整详细信息。

示例: 搜索关于性能优化的记忆。

memories search --query="如何优化数据库性能" --category="Performance" --full

应用场景

1. 沉淀解决方案当你解决一个复杂的bug或完成一次巧妙的性能优化后，使用memories add命令，将问题背景、解决方案和关键代码记录下来。未来当自己或同事遇到类似问题时，只需用自然语言搜索memories search --query="修复那个图片上传的超时bug"，就能立刻找到当时的解决方案。
2. 统一团队规范团队的技术负责人可以将项目的设计模式、架构决策、代码规范等作为Architecture或Patterns类别的记忆存入团队共享的Supabase项目中。新成员入职后，AI助手就能基于这些“权威记忆”给出符合团队规范的建议，加速其融入过程。
3. 跨项目知识复用你在A项目中实现了一个通用的身份验证模块。你可以将其核心思想存入记忆库，并标记tech_stack为JWT,Node.js。几个月后，在B项目中需要类似功能时，可以搜索memories search --query="用户认证流程"，快速回忆并复用之前的成熟方案。
4. 辅助代码审查 (Code Review)在进行代码审查时，如果发现某个实现方案有更优的模式，审查者可以将更优方案添加为一条记忆。然后，在评论中建议代码作者可以搜索memories search --query="异步任务处理模式"来查看更佳实践，这比单纯的文字描述更具说服力。

QA

1. 这个工具和普通笔记软件有什么区别？最大的区别在于语义化搜索。普通笔记依赖精确的关键词匹配，而Cursor Memories利用AI模型将你的笔记和查询都转化为向量，通过计算向量间的相似度来查找内容。这意味着你可以用“数据库很卡怎么办”来找到标题为“优化SQL查询性能”的笔记，搜索更智能、更符合人类思维。
2. 我的开发笔记是私密的吗？是的。所有数据都存储在你个人创建和控制的Supabase项目中。本工具的开发者和任何第三方都无法访问你的数据。安全性由Supabase平台保障。
3. 我能为不同的客户或项目建立独立的记忆库吗？该工具的全局安装模式默认连接到一个Supabase项目。如果你需要为不同项目或客户维护完全隔离的记忆库，官方建议采取本地克隆的方案：将项目git clone到本地，为每个需要隔离的项目单独运行npm link和memories setup，配置不同的Supabase数据库凭证。
4. 使用这个工具必须要有OpenAI API Key吗？是的，必须要有。核心的语义化搜索功能依赖OpenAI的embeddings模型来将文本转换成向量。没有API Key，工具将无法实现其最关键的搜索能力。