Personal Computer Memory Skill（个人电脑信息管理 Skill）

面向生产力级 AI Agent（Qoder、WorkBuddy、TRAE Work 等）的本地 Skill。 让 Agent 在用户授权下访问、理解、检索和关联电脑上的本地文件，数据从不离开本机。

核心能力

安装

python -m pip install -r requirements.txt
python -m pip install pywin32            # named-pipe 服务（Windows）
python -m pip install modelscope          # 模型下载工具

首次运行自动下载 all-MiniLM-L6-v2 语义模型（约 90MB）。无网络时自动回退为离线关键词向量，功能仍可用。

本地大模型（RAG 问答）准备

1. 下载 Qwen3.5-4B-Instruct GGUF（魔搭官方量化，约 3GB）：

   modelscope download --model unsloth/Qwen3.5-4B-GGUF Qwen3.5-4B-Q4_K_M.gguf --local_dir %USERPROFILE%\models\Qwen3.5-4B-GGUF
   

2. 安装推理引擎（llama.cpp）。本项目在 RTX 5060 上使用 Vulkan/GPU 预编译 wheel（免 CUDA 运行时，本机已验证）：

   pip install llama-cpp-python --extra-index-url https://abetlen.github.io/llama-cpp-python/whl/vulkan
   # 网络受限时：从 https://github.com/abetlen/llama-cpp-python/releases 取对应 wheel 经加速镜像下载后本地安装
   

快速开始（服务化入口，推荐）

.\run.ps1 start                 # 1) 启动常驻服务（named-pipe，模型常驻）
.\run.ps1 ask "鱼香肉丝怎么做"   # 2) 本地大模型 RAG 问答（含出处）
.\run.ps1 query "机器学习资料"   # 3) 语义检索
.\run.ps1 index "D:\我的文档"     # 4) 建立索引
.\run.ps1 understand "D:\笔记.md" # 5) 单文件理解
.\run.ps1 status / shutdown      # 状态 / 停止

之后每次直接用 run.ps1 ask/query/...，首请求加载模型约 30–60 秒，之后秒级响应。

Python API

from src.server import index_directory, query_index, analyze_directory, ask

# 索引
index_directory(root_dir="D:/我的文档", data_dir="data")

# 检索：返回相关文件 + 命中片段 + 分数
result = query_index(query="怎么用机器学习做预测", data_dir="data", top_k=5)

# 摘要与关联
analysis = analyze_directory(root_dir="D:/我的文档", threshold=0.35)

# 本地大模型 RAG 问答（检索 → 本地 Qwen3.5-4B 生成，返回 answer + evidence）
answer = ask(question="鱼香肉丝怎么做", data_dir="data", top_k=4)

使用 OpenVINO 后端（Intel CPU/GPU/NPU）

把 embedding 推理编译到 OpenVINO，脱离 PyTorch 推理，适合 AI PC 本地部署：

from src.server import index_directory, query_index

# 显式指定 OpenVINO 后端与设备（索引与查询需用同一后端/设备）
index_directory("D:/我的文档", data_dir="data_ov", backend="ov", device="GPU")
result = query_index("机器学习资料", data_dir="data_ov", backend="ov", device="GPU")

需先安装 openvino；设备可用性见 openvino 返回的 available_devices。 backend 取值：auto（默认）/ ov（OpenVINO）/ kw（强制离线关键词向量）。

集成到 Agent（Qoder / WorkBuddy / TRAE Work 等）

Skill 采用本地 named-pipe Client/Server 服务形态，Agent 只需把 run.ps1 作为唯一入口执行命令即可调用：

在真实 Agent（如 Qoder）中验证步骤：

1. 本机先执行一次 .\run.ps1 start（或由运行目录自动拉起）；
2. 在 Agent 对话中输入上述意图；
3. Agent 调用 run.ps1 并把返回 JSON 作为上下文生成最终回答。

已自动验证通过（scripts/verify_agent.py，5/5）：status / query / understand / index / ask 均走真实管道链路。

Skill 只返回"知识上下文"，最终回答由 Agent 生成，符合 Skill 的定位边界。

隐私

• 全部处理在本机完成，文件内容与本地大模型都不上传；
• 语义模型、QA 生成模型全部本地运行；
• 索引数据保存在本地 data/ 目录（已被 .gitignore 忽略）。

项目结构

personal-memory-skill/
├── SKILL.md               # 官方 local-ai-skill 规范入口/说明
├── info.json / meta.json  # 官方运行时/商店元数据
├── run.ps1                # 固定入口（named-pipe 调用）
├── server.py              # 常驻服务：named-pipe + 模型常驻
├── client.py              # 短命客户端（请求/响应）
├── install-env.ps1        # 环境安装脚本
├── scripts/verify_agent.py# Agent 集成验证（5 组指令）
├── skill.yaml             # Skill 描述（入口、能力、命令契约）
├── requirements.txt
├── src/
│   ├── scanner.py        # 文件扫描
│   ├── parser.py         # 格式解析 → 纯文本
│   ├── chunker.py        # 文本切片
│   ├── indexer.py        # 向量索引（embedding + chromadb）
│   ├── retriever.py      # 语义检索
│   ├── summarize.py      # 内容摘要（AI 理解）
│   ├── link.py           # 文件关联分析（AI 理解）
│   ├── generator.py      # 本地大模型推理（llamacpp Vulkan/CUDA/http/torch）
│   ├── openvino_backend.py # 可选 OpenVINO embedding 后端
│   └── server.py         # Skill Python API（index/query/analyze/ask/...）
├── data/                 # 索引数据（本地，不入库）
└── tests/
    ├── test_core.py / test_e2e.py / test_generator.py
    └── samples/          # 样例文档（md/txt/pdf/docx）