项目总览与系统架构

1. 项目定位与核心价值

MnemoQ（Agent Memory Engine，下文简称引擎）是一个为 AI 编码代理设计的情景记忆（episodic memory）系统，核心目标是在多步任务中让代理跨会话、跨项目复用过往的踩坑记录、调优经验和架构教训，而不是每次都从零推导。资料来源：README.md

系统围绕一个追加式 JSONL 文件 learnings.jsonl 作为唯一权威存储，所有写入路径必须通过同一条校验闸门，避免在多个项目中产生非法或不一致条目。资料来源：src/agent_memory/engine/constants.py。同时，引擎内置了 BM25 检索、指数衰减排序、可选重排序器（cross-encoder 或 llm-local）以及"睡眠周期"（Sleep Cycle）合并机制，让条目随着时间被自然淘汰、归档或提升。资料来源：README.md:48-66

2. 系统架构总览

引擎在分层上遵循"接口层 → 引擎核心 → 持久化"的清晰边界。下图展示了从 CLI / MCP 客户端到磁盘 JSONL 的请求路径：

flowchart LR
    A[CLI / MCP 客户端] --> B[接口层<br/>cli.py / mcp_main.py]
    B --> C[引擎核心<br/>retrieval / handlers / consolidation]
    C --> D[持久化层<br/>learnings.jsonl / metrics.jsonl / archive/]
    C --> E[配置层<br/>config.json + constants.py]
    C --> F[辅助模块<br/>git_utils / agents_review / eval]
    D --> G[(磁盘 / Git 仓库)]
    E --> G
    F --> C

接口层只负责把外部调用（命令行参数或 MCP JSON-RPC 消息）映射成引擎函数，不做业务校验；引擎核心统一处理解析、检索、校验、写入和合并；持久化层把一切落到 <memory_dir> 下的标准文件结构。资料来源：src/agent_memory/cli.py:14-42、src/agent_memory/engine/mcp_server.py:1-18。

3. 核心引擎模块

引擎核心由若干职责单一的模块组成，分别对应一条主要的命令路径。

资料来源：src/agent_memory/engine/retrieval.py、src/agent_memory/engine/handlers.py:1-30、src/agent_memory/engine/metrics.py:1-22。

每个核心入口都接受一个 _Paths 数据类和 ctx 字典，ctx 用于在运行时覆盖默认配置（如 DOMAIN_MAPPINGS、tuning 参数），从而在不重启进程的情况下完成 Phase-2 初始化。资料来源：src/agent_memory/engine/constants.py:24-32。

4. 接口层：CLI 与 MCP 双通道

引擎同时暴露两种调用形式，互为等价但服务于不同的宿主环境。

CLI 模式 由 src/agent_memory/cli.py 入口 python -m agent_memory.cli 触发，支持 --step/--components/--files/--domain 检索、--log / --log-file 写入、--resolve、--stats、--consolidate、--review-agents、--verify 等子命令。资料来源：src/agent_memory/cli.py:1-42。

MCP 模式 通过 src/agent_memory/mcp_main.py 启动 stdio 上的 JSON-RPC 服务器，对外暴露 retrieve_learnings、log_learning、resolve_learning、get_stats、consolidate 五个工具，以及 learnings://project/{id} 与 metrics://project/{id} 两个资源模板，所有请求体均通过 pydantic 模型 LearningEntry / LogRequest 进行统一校验。资料来源：src/agent_memory/engine/mcp_server.py:1-36、src/agent_memory/engine/models.py:1-30。

两路入口最终都会进入相同的引擎函数（retrieve_core、log_core、resolve_core、stats_core、consolidate_core），因此业务行为天然一致，避免出现"CLI 写一条、MCP 写一条"行为不一致的情况。

5. 持久化与数据模型

引擎的写入路径只接受符合 LearningEntry 模式的 JSON 对象，必填字段包括 step、source_agent、type、domain、components、files_touched、trigger、action、reason、importance、severity，可选字段则覆盖 scope、verified、debt_level、embedding、project_id 等扩展维度。资料来源：src/agent_memory/engine/models.py:11-40。

值域白名单集中定义在 constants.py：合法 type 仅 bug_fix / optimization / architectural_pattern，合法 domain 12 类，合法 severity 为 minor / major / critical，scope 为 file / module / system，debt_level 为 proper / workaround / temporary。任何不在白名单内的取值都会被校验闸门直接拒收，防止跨项目的字段语义漂移（例如 feature_request 在 A 项目被允许但在 B 项目不应被允许）。资料来源：src/agent_memory/engine/constants.py:1-22。

每条条目在落盘前会被 git_utils.stamp_entry 自动补齐 commit、ts、access_count、reinforcement_count，并在随后的 Sleep Cycle 中通过 git diff 重新评估其陈旧度。资料来源：src/agent_memory/engine/git_utils.py:11-40。

6. 运行时配置

config.json 提供默认值与可覆盖项的统一入口，README 文档列出了完整字段说明，关键字段包括 schema_version、max_step、valid_domains、valid_source_agents、retrieval_only_agents、embedding_model、reranker、tuning.decay_rate 等。资料来源：README.md:30-66。初次安装时，scaffold.py 会引导用户输入项目名并接受默认 tuning 参数，避免冷启动时手工编辑出错。资料来源：src/agent_memory/scaffold.py:1-40。

See Also

• Configuration Reference
• Retrieval Engine Internals
• Sleep Cycle & Consolidation
• MCP Server API

概述与架构

MnemoQ 的 Core Engine 是 Agent Memory 系统的中枢，负责在多智能体（multi-agent）软件开发场景中提供三类核心能力：

1. 检索 (Retrieval)：根据任务上下文（step / components / files / domain）从 learnings.jsonl 中筛选并打分相关学习条目。
2. 验证 (Validation)：在写入路径上拦截非法条目，保证数据 schema 一致性。
3. 整合 (Consolidation)：周期性触发 "Sleep Cycle"，归档未解决条目、生成晋级候选、检测矛盾与陈旧条目。

引擎通过同一组 *_core 函数同时被 CLI（src/agent_memory/cli.py）、HTTP/MCP 服务器（src/agent_memory/engine/mcp_server.py）以及 SDK 共享，从而保证多端行为一致 资料来源：[src/agent_memory/cli.py:1-30] 资料来源：[src/agent_memory/engine/mcp_server.py:1-30]。下图展示了从任务上下文到经验沉淀的完整生命周期：

flowchart LR
    A["任务上下文<br/>step/components/files/domain"] --> B["检索核心<br/>tiered + BM25 + RRF"]
    B --> C["重排序器<br/>none / cross-encoder / llm-local"]
    C --> D["Top-N 学习条目"]
    E["新学习条目 JSON"] --> F["验证核心<br/>Pydantic + constants 白名单"]
    F --> G["git_utils.stamp_entry<br/>commit + ts"]
    G --> H["learnings.jsonl"]
    H --> I["stats_core<br/>写入 metrics.jsonl"]
    H --> J["consolidate_core<br/>Sleep Cycle"]
    J --> K["归档文件 + 晋级报告"]

检索机制 (Retrieval)

检索入口是 retrieve_core(step, components, files, domain, ctx, paths)，同时被 CLI 的 --step 模式与 MCP 工具 retrieve_learnings 调用 资料来源：[src/agent_memory/engine/mcp_server.py:50-60]。完整流程分为三阶段：

1. 分层打分 (Tiered Scoring)：根据 step 距离、组件匹配、域匹配为每个候选条目赋初始分。
2. BM25 评分：retrieval.py 中 _compute_corpus_stats 计算文档频率与平均长度，bm25_score 实现标准 BM25 公式（带 k1、b 调参）资料来源：[src/agent_memory/engine/retrieval.py:1-90]。
3. RRF 融合：分层排名与 BM25 排名通过 Reciprocal Rank Fusion 合并，公式为 1 / (rrf_k + rank)，常数 rrf_k 默认 60 资料来源：[README.md:50-100]。

可选的 Reranker 在融合之后介入，支持三种模式：none、cross-encoder、llm-local，由 reranker 配置字段控制；reranker_top_n 控制进入精排的候选数（默认 20）资料来源：[README.md:30-60]。检索质量可通过 eval.py 中的 grade harness 进行离线评估，它读取 memory/eval/grading.jsonl 并以子进程方式运行检索，输出 top-1 / top-3 命中率 资料来源：[src/agent_memory/engine/eval.py:1-60]。

写入验证 (Validation)

所有写入路径（CLI --log、MCP 工具 log_learning、HTTP POST /api/log）都经过两层校验：

1. Pydantic Schema：LearningEntry 模型定义必填字段约束——step >= 1、components / files_touched 非空、trigger 必须以 "When" 开头、action 必须包含 "ALWAYS" 或 "NEVER" 等；model_config = {"extra": "allow"} 允许扩展字段 资料来源：[src/agent_memory/engine/models.py:1-60]。
2. 常量白名单：constants.py 维护枚举白名单——VALID_TYPES = {"bug_fix", "optimization", "architectural_pattern"}、VALID_DOMAINS（包含 ui / data / tooling / performance / testing / security / api / backend / frontend / database / deployment / documentation）、VALID_SEVERITIES = {"minor", "major", "critical"}、VALID_SCOPES = {"file", "module", "system"}、VALID_DEBT_LEVELS = {"proper", "workaround", "temporary"} 资料来源：[src/agent_memory/engine/constants.py:1-30]。

通过校验的条目进入 git_utils.stamp_entry，自动注入 commit（git rev-parse --short HEAD）和 ISO-8601 UTC 时间戳 ts，并初始化 access_count = 0、reinforcement_count = 0 资料来源：[src/agent_memory/engine/git_utils.py:1-40]。config.json 中的 valid_domains / valid_source_agents / retrieval_only_agents（仅 basic-reviewer）等字段允许进一步收紧白名单 资料来源：[README.md:20-50]。

整合与睡眠周期 (Consolidation)

Consolidation 又称 Sleep Cycle，由 consolidate_core 实现，可通过 CLI 参数 --consolidate [--sprint N] 或 MCP 工具 consolidate 触发；后者还支持 force 参数以覆盖已存在的归档 资料来源：[src/agent_memory/cli.py:20-40] 资料来源：[src/agent_memory/engine/mcp_server.py:80-100]。其职责包括：

• 归档未解决条目：将 unresolved 学习写入按 sprint 编号命名的归档文件。
• 生成晋级候选：从高频强化（reinforcement_count）条目中提炼值得晋升到 AGENTS.md 的规则。
• 检测矛盾：跨条目比较相同 trigger 与相反 action。
• 检测陈旧：git_utils.check_staleness 通过 git diff 对比 commit 与当前 HEAD 之间 files_touched 的行变化 资料来源：[src/agent_memory/engine/git_utils.py:40-70]。

触发时机由 tuning.sleep_cycle_days（默认 7 天）与 tuning.sleep_cycle_quarantine_threshold（默认 20）共同决定；stats_core 会预判 sleep_cycle_due 状态并返回 sleep_cycle_reasons 资料来源：[src/agent_memory/engine/handlers.py:1-50]。CLI 还提供 --consolidate --confirm-reset，在确认归档后可清空 learnings.jsonl 资料来源：[src/agent_memory/cli.py:25-40]。

配置调优、指标与诊断

所有引擎调用都会向 <memory_dir>/metrics.jsonl 追加结构化事件，事件类型包括 retrieval、log、update、resolve、stats、consolidate、review_agents，每条都带 ts、project_id、latency_ms 等公共字段，可跨项目（~/.agent-memory/engine/projects.txt 列举）聚合分析 资料来源：[src/agent_memory/engine/metrics.py:1-40]。stats_core 汇总总量、未解决 / 已解决比例、严重度 / 类型 / 域分布、强化模式与睡眠周期状态 资料来源：[src/agent_memory/engine/handlers.py:1-50]。

常用调优字段（见 README 配置表）：tuning.decay_rate = 0.995（按 step 的指数衰减）、tuning.score_threshold = 0.15（最小检索分数）、tuning.embedding_alpha = 0.5（RRF 与 cosine 融合权重）、tuning.semantic_dedup_threshold = 0.85（去重相似度）、tuning.bm25_k1 = 1.5、tuning.bm25_b = 0.75 资料来源：[README.md:50-100]。此外，agents_review.py 提供 --review-agents 诊断模式：通过 Jaccard 相似度 + 关键词包含数（阈值 >= 0.1 或 >= 3 命中）评估 AGENTS.md 章节健康度，将每节标记为 ACTIVE / COLD / UNMATCHED 资料来源：[src/agent_memory/engine/agents_review.py:60-110]。

See Also

• README.md — 项目总览、配置参考与数据 schema
• CHANGELOG.md — 版本变更记录
• docs/ROADMAP.md — 路线图与计划功能
• CONTRIBUTING.md — 贡献流程与 CLA

MCP Server、SDK 与平台集成

概述

MnemoQ 是一个面向 AI Agent 的本地优先（local-first）记忆引擎，其核心交付形态围绕模型上下文协议（Model Context Protocol, MCP）展开。系统通过标准化的 JSON-RPC 接口、共享的 Pydantic 数据模型与脚手架工具，使 Claude Desktop、Cursor、Windsurf、VS Code 等多种 Agent 客户端能够以一致的方式记录（log）、检索（retrieve）与整合（consolidate）学习条目。README 中明确提到，MCP 集成覆盖所有兼容 MCP 的客户端，并通过 stdio 通道提供 JSON-RPC 服务，无需 FastAPI/uvicorn 等额外 Web 框架依赖。资料来源：README.md:11-15

MCP 服务器架构

工具与资源

agent_memory/engine/mcp_server.py 是 MCP 服务器的核心实现。该模块基于 Python 标准库构建 JSON-RPC over stdio，仅依赖 pydantic 进行参数校验，因此部署时无需引入 Web 容器。其对外暴露的能力分为两类：

• 工具（Tools）：包括 retrieve_learnings(step, components, files, domain)、log_learning(entry)、resolve_learning(timestamp)、get_stats() 与 consolidate(sprint_number, force=False)。其中 consolidate 即"睡眠周期"（Sleep Cycle），负责归档未解决条目、生成晋升候选、检测矛盾并检查陈旧条目。资料来源：src/agent_memory/engine/mcp_server.py:25-95
• 资源（Resources）：通过 URI 模板暴露 learnings://project/{project_id} 与 metrics://project/{project_id}，分别返回项目的所有学习条目和指标摘要。资料来源：src/agent_memory/engine/mcp_server.py:79-95

工具分发与路径解析

_call_tool() 是统一的工具调用路由器，根据 name 字段将请求分派给底层的核心函数（retrieve_core、log_core、resolve_core、stats_core、consolidate_core），并把结果以 content[].text 形式回传。每个工具都使用相同的 _Paths 数据类（包含 memory_dir、repo_root、config_path、learnings_path 等字段）来定位项目资源。资料来源：src/agent_memory/engine/mcp_server.py:42-78

flowchart LR
    Client[Agent / MCP 客户端] -->|stdio JSON-RPC| MCPServer[mnemoq-mcp]
    MCPServer -->|retrieve_learnings| RetrieveCore[retrieve_core]
    MCPServer -->|log_learning| LogCore[log_core]
    MCPServer -->|resolve_learning| ResolveCore[resolve_core]
    MCPServer -->|get_stats| StatsCore[stats_core]
    MCPServer -->|consolidate| ConsolidateCore[consolidate_core]
    RetrieveCore --> JSONL[(learnings.jsonl)]
    LogCore --> JSONL
    ConsolidateCore --> Archive[archive 目录]
    MCPServer -->|读指标| Metrics[metrics.jsonl]

入口与启动方式

入口脚本 mcp_main.py 解析 --memory-dir 命令行参数后调用 run_server(memory_dir)。若未提供该参数，则会读取 AGENT_MEMORY_DIR 环境变量或在工作目录下自动发现 memory/ 目录。CLI 中也提供了等价的 --mcp 标志来启动同一服务器，但该标志与其它操作型标志（如 --step、--log、--verify）互斥，混合使用会被 parser.error() 拒绝。资料来源：src/agent_memory/mcp_main.py:1-25、src/agent_memory/cli.py:227-247

SDK 与共享数据模型

单一可信模式源

agent_memory/engine/models.py 定义了跨 HTTP 服务器、MCP 服务器与 SDK 共享的请求/响应模式，确保所有接入层使用单一可信数据源。其中 LearningEntry 是核心条目模式，必填字段包括 step、source_agent、type、domain、components（至少 1 个）、files_touched（至少 1 个）、trigger、action、reason、importance（1–10）和 severity，并通过 Field(ge=, le=) 约束取值范围；可选字段涵盖 scope、verified、symptoms、debt_level 等。LogRequest 与 UpdateRequest 则分别对应 POST /api/log 与 POST /api/update 的请求体。资料来源：src/agent_memory/engine/models.py:1-50

CLI 互斥与可选依赖

CLI 通过 argparse 强制实施互斥规则——例如 --mcp、--verify、--migrate_schema 都不能与其它操作型标志共存；而 --serve / --dashboard 模式需要 [api] 可选依赖（uvicorn），未安装时会打印 pip install agent-memory[api] 提示并返回退出码 1。资料来源：src/agent_memory/cli.py:236-247

平台集成与脚手架

IDE 平台支持

scaffold.py 提供 mnemoq-scaffold 命令，在目标项目中创建 memory/ 目录并写入 config.json 与 learnings.jsonl。其 --ide 参数支持多种 Agent 平台：opencode、windsurf、cursor、claude-code、copilot，并可通过 --ide all 一键启用全部，或通过 --ide ? 查询支持的列表。资料来源：src/agent_memory/scaffold.py:1-150、README.md:32-44

Shim 与版本回退

scaffold.py 在写入项目记忆目录时会先删除遗留的 profile.py，然后写入一个轻量级 shim 文件 filter.py 作为对 agent_memory 包的转发层。这意味着主仓库更新时只需升级已安装的 Python 包即可，无需手动同步引擎文件。资料来源：src/agent_memory/scaffold.py:74-95

版本号由 engine_version.py 中的 get_engine_version() 提供，采用三层回退链：先查询已安装的 mnemoq 包元数据，再读取本地 VERSION 文件，最后回退到硬编码的 FALLBACK_VERSION，从而在开发与部署环境中都能正确报告引擎版本。资料来源：src/agent_memory/engine_version.py:1-30

常见故障模式

See Also

• CLI Reference
• MCP Integration Guide
• Configuration Tuning
• Architecture Documentation Index

一、学习条目数据模式 (Data Schema)

MnemoQ 中的每一条学习记录 (learning entry) 必须满足最低字段约束，必填字段及其校验规则如下：

资料来源：README.md:106-119 中给出了简明表格；校验常量定义于 src/agent_memory/engine/constants.py:8-15，其中 VALID_TYPES、VALID_DOMAINS、VALID_SEVERITIES 等枚举集合被验证器直接消费。Pydantic 模型 LearningEntry 进一步把这些约束形式化为类型安全对象，被 HTTP 服务、MCP 服务与 SDK 共用，实现"单一数据源"。

引擎在写入 (log) 时会自动补齐以下字段，无需用户填写：

• ts：UTC ISO-8601 时间戳，由 src/agent_memory/engine/git_utils.py:13-39 的 stamp_entry() 通过 datetime.now(timezone.utc) 生成；
• commit：调用 git rev-parse --short HEAD 获取短哈希；
• access_count 与 reinforcement_count：默认 0；
• schema_version：默认 1；
• 溯源字段：project_id、origin_project 等。

二、配置文件 (config.json)

memory/config.json 控制引擎行为，由 mnemoq-scaffold --defaults 自动生成，主要选项如下：

资料来源：README.md:60-86 列出了完整的配置项表。DOMAIN_MAPPINGS 在 src/agent_memory/engine/constants.py:30-34 采用"两阶段初始化"：模块加载时为 None，运行期由 load_config() 通过 ctx 字典覆盖，实现项目级自定义域映射与硬编码默认值的共存。

三、MCP / HTTP 服务接口

引擎同时暴露 MCP 协议 (stdio) 与 HTTP API 两种接口。mcp_server.py 注册了 5 个工具与 2 个资源模板：

• 工具：retrieve_learnings、log_learning、resolve_learning、get_stats、consolidate；
• 资源：learnings://project/{project_id}、metrics://project/{project_id}。

MCP 工具的入参由 Pydantic 校验，类型定义复用 src/agent_memory/engine/models.py:46-55 的 LogRequest 等模型。log_learning 的 entry 子对象严格遵循上文数据模式字段，因此 MCP 与 HTTP 通道共享同一份语义约束。资料来源：src/agent_memory/engine/mcp_server.py:42-118 完整展示了工具分派与 JSON Schema。

flowchart LR
    A[Agent / IDE] -->|JSON-RPC| B(MCP Server)
    A -->|HTTP| C(HTTP Server)
    B --> D[Pydantic Models]
    C --> D
    D --> E[Validation]
    E --> F[(learnings.jsonl)]
    E --> G[(metrics.jsonl)]

四、部署与脚手架 (Deployment)

4.1 安装

两种官方分发渠道：

pip install mnemoq          # 适用于已有 Python 项目
pipx install mnemoq         # CLI 独立环境（无需 Python 项目）

资料来源：README.md:14-22。

4.2 项目初始化

mnemoq-scaffold 一键生成 memory/ 目录、config.json、learnings.jsonl，并把项目注册到 ~/.agent-memory/engine/projects.txt，随后自动写入 IDE 平台配置：

mnemoq-scaffold ./my-project --defaults
mnemoq-scaffold ./my-project --defaults --ide windsurf
mnemoq-scaffold ./my-project --defaults --ide windsurf,cursor,claude-code
mnemoq-scaffold ./my-project --defaults --ide all
mnemoq-scaffold --ide ?       # 查看所有支持的 IDE

支持的 IDE：opencode、windsurf、cursor、claude-code、copilot、all。脚手架逻辑见 src/agent_memory/scaffold.py:101-148：若 config.json 已存在则跳过，若目标 IDE 未知则报错并列出合法值。

4.3 评估与回填

仓库附带 mnemoq --eval 评分脚本，从 memory/eval/grading.jsonl 加载 (step, components, files, domain, expected_trigger) 夹具，逐条调用 CLI 检索并报告 top-1 / top-3 命中率。该脚本通过 subprocess 调用 python -m agent_memory.cli，确保每个夹具都加载自身 config.json。资料来源：src/agent_memory/engine/eval.py:35-79。

五、常见失败模式

1. 未知 IDE 平台：脚手架会以非零退出码终止，并在 stderr 打印合法平台列表。
2. 域不在白名单：当 valid_domains 非空且 domain 未命中时，记录被写入 quarantine.jsonl，不进入 learnings.jsonl。
3. agent 无写权限：retrieval_only_agents（默认 basic-reviewer）仅允许检索，写入会触发校验失败。
4. Git 不可用：若仓库非 Git 仓库，stamp_entry() 会把 commit 设为 "unknown"，但不会阻断写入；参见 src/agent_memory/engine/git_utils.py:13-25。

See Also

• 架构总览：README.md
• 检索算法 BM25：src/agent_memory/engine/retrieval.py
• 整合/睡眠周期：src/agent_memory/engine/consolidation.py
• 指标与监控：src/agent_memory/engine/metrics.py

Pitfall Log / 踩坑日志

项目：Mnemoq/MnemoQ

摘要：发现 8 个潜在踩坑项，其中 0 个为 high/blocking；最高优先级：配置坑 - 可能修改宿主 AI 配置。

1. 配置坑 · 可能修改宿主 AI 配置

• 严重度：medium
• 证据强度：source_linked
• 发现：项目面向 Claude/Cursor/Codex/Gemini/OpenCode 等宿主，或安装命令涉及用户配置目录。
• 对用户的影响：安装可能改变本机 AI 工具行为，用户需要知道写入位置和回滚方法。
• 证据：capability.host_targets | https://github.com/Mnemoq/MnemoQ | host_targets=mcp_host, claude_code, claude, cursor

2. 能力坑 · 能力判断依赖假设

• 严重度：medium
• 证据强度：source_linked
• 发现：README/documentation is current enough for a first validation pass.
• 对用户的影响：假设不成立时，用户拿不到承诺的能力。
• 证据：capability.assumptions | https://github.com/Mnemoq/MnemoQ | README/documentation is current enough for a first validation pass.

3. 运行坑 · 运行可能依赖外部服务

• 严重度：medium
• 证据强度：source_linked
• 发现：项目说明出现 external service/cloud/webhook/database 等运行依赖关键词。
• 对用户的影响：本地安装成功不等于能力可用，外部服务不可用会阻断体验。
• 证据：packet_text.keyword_scan | https://github.com/Mnemoq/MnemoQ | matched external service / cloud / webhook / database keyword

4. 维护坑 · 维护活跃度未知

• 严重度：medium
• 证据强度：source_linked
• 发现：未记录 last_activity_observed。
• 对用户的影响：新项目、停更项目和活跃项目会被混在一起，推荐信任度下降。
• 证据：evidence.maintainer_signals | https://github.com/Mnemoq/MnemoQ | last_activity_observed missing

• 严重度：medium
• 证据强度：source_linked
• 发现：no_demo
• 证据：downstream_validation.risk_items | https://github.com/Mnemoq/MnemoQ | no_demo; severity=medium

6. 安全/权限坑 · 存在评分风险

• 严重度：medium
• 证据强度：source_linked
• 发现：no_demo
• 对用户的影响：风险会影响是否适合普通用户安装。
• 证据：risks.scoring_risks | https://github.com/Mnemoq/MnemoQ | no_demo; severity=medium

7. 维护坑 · issue/PR 响应质量未知

• 严重度：low
• 证据强度：source_linked
• 发现：issue_or_pr_quality=unknown。
• 对用户的影响：用户无法判断遇到问题后是否有人维护。
• 证据：evidence.maintainer_signals | https://github.com/Mnemoq/MnemoQ | issue_or_pr_quality=unknown

8. 维护坑 · 发布节奏不明确

• 严重度：low
• 证据强度：source_linked
• 发现：release_recency=unknown。
• 对用户的影响：安装命令和文档可能落后于代码，用户踩坑概率升高。
• 证据：evidence.maintainer_signals | https://github.com/Mnemoq/MnemoQ | release_recency=unknown