Skip to content

SonicBotMan/lobster-press

BranchesTags

Repository files navigation

LobsterPress - 让AI的每一次对话，从'阅后即焚的幻影'进化为'数字海马体中的永久养分'

🧠 LobsterPress v4.0.0「深海」

Cognitive Memory System for AI Agents 基于认知科学的 LLM 永久记忆引擎

GitHub release GitHub stars GitHub license Python 3.10+

Test Release codecov

中文 | English

最新版本: v4.0.0「深海」 · 更新日志

🎯 The Problem: AI 的"阿尔茨海默困境"

所有 LLM 都受限于上下文窗口。当对话超过窗口长度，传统方案采用滑动窗口截断——旧对话被永久丢弃，AI Agent 陷入"失忆"循环。

这不仅是工程问题，更是认知科学问题：

  • 人类记忆不是 FIFO 队列，而是层次化、动态遗忘、可重巩固的认知系统
  • AI Agent 需要类似人类的记忆机制：保留关键决策，遗忘琐碎对话，动态更新知识

💡 Our Solution: 认知记忆系统

LobsterPress v4.0「深海」是基于认知科学论文实现的 LLM 记忆系统，融合五大前沿研究：

📚 学术基础

论文/理论 应用 实现
EM-LLM (ICLR 2025) 事件分割 语义边界检测 + 时间断层分割
HiMem (Hierarchical Memory) 记忆层次化 DAG 压缩 + 三级摘要结构
Ebbinghaus Forgetting Curve (1885) 动态遗忘 R(t) = base_score × e^(-t/stability)
Memory Reconsolidation (Nader, 2000) 知识更新 矛盾检测 + 语义记忆重巩固
CMV (Context Maintenance and Retrieval) 无损压缩 三遍 trimmer（v4.0 新增）
C-HLR+ (arXiv:2004.11327) 自适应遗忘 复杂度驱动半衰期（v4.0 新增）
Focus (arXiv:2502.15957) 主动压缩 定时 + 紧急 + 被动触发（v4.0 新增）
R³Mem (arXiv:2502.15957) 可逆压缩 三层展开 + 实体追踪（v4.0 新增）

🆕 v4.0.0「深海」新特性

五大模块重构，超越 lossless-claw：

🔧 模块一：CMV 三遍无损压缩

  • Pass 1: 剥离 base64/长 JSON 冗余
  • Pass 2: 去重工具结果
  • Pass 3: 折叠系统样板代码
  • 无损原则：user/assistant 消息永不修改

🧬 模块二：C-HLR+ 自适应遗忘曲线

  • 复杂度驱动半衰期：h = base_h × (1 + α × complexity) × spaced_bonus
  • 对数稳定性增长：避免无限膨胀
  • 指数底数优化：从 e 改为 2

⚡ 模块三：Focus 主动压缩触发

  • 定时触发：每 12 轮主动压缩
  • 紧急触发：上下文使用率 > 85%
  • 被动触发：原有阈值逻辑

🔄 模块四：R³Mem 可逆三层压缩

  • Layer 1: Document-Level（返回子摘要）
  • Layer 2: Paragraph-Level（返回原始消息）
  • Layer 3: Entity-Level（按实体过滤）
  • 实体追踪：人名、文件名、概念自动提取

🛠️ 模块五：WMR 框架重构

  • Write 层：lobster_compact + lobster_correct
  • Manage 层：lobster_sweep + lobster_assemble + lobster_prune
  • Read 层：lobster_grep + lobster_describe + lobster_expand + lobster_status

🆕 v3.6.0 新特性：MemOS 架构（Issue #127）

四层架构升级：

  1. 模块四：命名空间隔离 - 多 Agent/项目隔离
    • 数据库支持 namespace 字段
    • search_messages/search_summaries 支持 cross_namespace 参数
    • MCP Server 支持 --namespace 参数

🆕 v3.6.1 新特性：Bug 修复（Issue #129）

代码审查发现的 7 个 bug 全部修复：

🔴 严重（2个）

  1. sweep_decayed_messages 违反无损原则 ✅

    • 改为标记 memory_tier='decayed'，不物理删除
    • 使用 remove_messages_from_context 从上下文移除

  2. sweep_decayed_messages 缺少 conversation_id ✅

    • 添加必需参数 conversation_id
    • 防止跨 namespace 误删

🟠 较严重（3个）

  1. apply_correction('delete') 不清理 FTS 索引 ✅

    • 删除前先查 rowid，同步删除 FTS 记录

  2. apply_correction('content') FTS 不同步 ✅

    • 更新内容后重建 FTS 索引（delete + insert）

  3. _row_to_dict fallback 列表缺少 memory_tier ✅

    • 补充 memory_tier 字段到 fallback 列表

🟡 一般（2个）

  1. 文件头版本号未更新 ✅

    • 更新为 v3.6.1

  2. get_context_by_tier 依赖 Bug 1 修复 ✅

    • 自动生效（sweep 标记为 decayed，查询已排除）

🆕 v3.6.0 新特性：MemOS 架构（Issue #127）

四层架构升级：

  1. 模块四：命名空间隔离 - 多 Agent/项目隔离

    • 数据库支持 memory_tier 字段
    • get_context_by_tier() 方法按层级获取记忆
    • lobster_assemble MCP 工具智能拼装上下文

  2. 模块三：记忆纠错系统 - 修改/删除错误记忆

    • 数据库新增 corrections 表
    • apply_correction() 方法应用纠错
    • lobster_correct MCP 工具

  3. 模块二：主动衰减调度器 - 基于遗忘曲线清理

    • sweep_decayed_messages() 方法清理低价值记忆
    • lobster_sweep MCP 工具

Bug 修复：

  • Issue #125: tiktoken 可选依赖文档
  • Issue #126 Bug 2: 删除 threshold 死代码
  • Issue #126 Bug 3: 重构 _row_to_dict 方法（光标竞争问题）

🆕 v3.2.1 新特性：LLM 集成与 Prompt 优化

✨ Prompt 模块

集中管理所有 LLM prompt，提升摘要和知识提取质量：

Prompt 类型 用途 优化点
叶子摘要 对话片段压缩 结构化输出（决策/细节/行动项），Markdown 格式
压缩摘要 多层摘要合并 层次化压缩，Level 标记，去重提炼
Note 提取 语义知识抽取 JSON schema，4 种类别，去重逻辑
矛盾检测 知识冲突识别 语义理解 + 置信度评分（可选）

🔧 核心改进

DAGCompressor 集成:

# v3.2.1: 使用优化的 prompt 模板
from src.prompts import build_leaf_summary_prompt

prompt = build_leaf_summary_prompt(messages)
summary = llm_client.generate(prompt, temperature=0.7, max_tokens=500)

SemanticMemory 集成:

# v3.2.1: 智能提取语义知识
from src.prompts import build_note_extraction_prompt

prompt = build_note_extraction_prompt(messages)
response = llm_client.generate(prompt, temperature=0.5, max_tokens=800)
notes = json.loads(response.strip())

📊 质量提升

场景 v3.2.0 v3.2.1 提升
叶子摘要 简单文本 结构化 Markdown ⬆️ 清晰度 +40%
压缩摘要 无层次 Level 标记 ⬆️ 可追溯性 +50%
Note 提取 无示例 JSON schema + 示例 ⬆️ 准确率 +30%
Token 控制 无工具 估算 + 截断 ⬆️ 成本控制

🎯 测试验证

实际 API 调用成功:

  • ✅ DeepSeek: 成功生成 Markdown 格式摘要
  • ✅ 智谱 GLM: 正确提取 JSON 格式 notes
  • ✅ Mock 客户端: 智能响应测试

🚀 v3.0 核心特性

Feature 1: 遗忘曲线动态评分

仿人类记忆衰减机制

基于 Ebbinghaus 遗忘曲线，每条消息按 msg_type 分配不同的稳定性参数：

R(t) = base_score × e^(-t/stability)

决策 (decision): 90 天稳定性  → 关键决策长期保留
配置 (config):   120 天稳定性 → 系统配置最稳定
代码 (code):     60 天稳定性  → 技术债务中期保留
错误 (error):    30 天稳定性  → 问题追踪短期保留
闲聊 (chitchat): 3 天稳定性   → 快速遗忘低价值内容

Memory Consolidation: lobster_grep 命中时自动刷新记忆，实现"提取即强化"。

Feature 2: 事件分割（EM-LLM ICLR 2025）

自动识别对话主题边界

采用 EM-LLM 论文的认知事件分割理论，自动划分对话情节：

语义边界检测：TF-IDF 相似度 < 0.25 触发新情节
时间断层检测：消息间隔 > 1 小时自动分割
显式信号检测：system 消息触发新情节
硬上限保护：累计 token > max_episode_tokens 强制分割

效果: 对话不再是一维序列，而是情节化的认知单元，提升检索精度和上下文组装效率。

Feature 3: 语义记忆层 ⭐ NEW

独立于对话流的持久知识库

借鉴人类语义记忆（Semantic Memory）机制，从对话中提取持久性知识：

对话: "我们决定使用 PostgreSQL 作为主数据库，考虑到 ACID 事务需求"
  ↓ (LLM 提取)
语义记忆:
  category: decision
  content: "项目采用 PostgreSQL（ACID 事务需求）"
  confidence: 0.95

Schema 设计:

CREATE TABLE notes (
    note_id         TEXT UNIQUE NOT NULL,
    conversation_id TEXT NOT NULL,
    category        TEXT NOT NULL,  -- preference/decision/constraint/fact
    content         TEXT NOT NULL,
    confidence      REAL DEFAULT 1.0,
    source_msg_ids  TEXT,           -- 溯源链：来自哪些消息
    superseded_by   TEXT            -- 被哪个新 note 取代
);

上下文注入: 所有生效的 notes 始终在上下文头部注入（<500 tokens），确保 Agent 永远记得关键决策和偏好。

Feature 4: 矛盾检测与记忆重巩固 ⭐ NEW

自动检测和更新知识库

基于记忆重巩固理论（Memory Reconsolidation, Nader 2000），当新消息与已有知识矛盾时：

旧知识: "使用 PostgreSQL"
新消息: "改用 MongoDB，因为需要文档灵活性"
  ↓ (矛盾检测)
动作:
  1. 标记旧 note 为 superseded_by = "new_note_id"
  2. 创建新 note: "项目改用 MongoDB（文档灵活性需求）"
  3. 保留完整溯源链（不删除旧 note）

双重检测策略:

  • NLI 模型检测（推荐）: cross-encoder/nli-deberta-v3-small
    • 精度高（冲突阈值 0.85）
    • 需要 GPU 或大量内存
    • 安装: pip install sentence-transformers
  • 规则降级检测（备选）: 零依赖
    • 基于否定词 + 关键词共现
    • 模式: 不(用|要|采用), 改(用|为|成), 放弃|弃用|替换
    • 未安装 sentence-transformers 时自动降级

学术意义: 将记忆重巩固理论应用于 LLM 记忆管理，实现知识的动态演进。

🔬 技术架构

三层压缩策略

上下文使用率        策略              LLM 成本    技术原理
─────────────────────────────────────────────────────────────
< 60%              无操作            $0          
60% – 75%          语义去重          $0          余弦相似度 (Cosine Similarity)
> 75%              DAG 摘要压缩      $           LLM 生成层级摘要

TF-IDF 评分 + 自动豁免:

"决定采用 React 18"          → decision  → exempt=True  ✅ 永久保留
"```python\ndef foo(): ..."   → code      → exempt=True  ✅ 永久保留
"Error: ECONNREFUSED"        → error     → exempt=True  ✅ 永久保留
"好的，明白了"               → chitchat  → tfidf=2.1    可被压缩

DAG 结构（无损压缩）

原始消息 seq 1..N
     ↓  (叶子压缩，每块 ≤ 20K tokens)
  leaf_A   leaf_B   leaf_C   [fresh tail: 最后 32 条原始消息]
     ↓  (层级聚合)
  condensed_1     condensed_2
     ↓
  root_summary

关键特性:

  • ✅ 无损: 每一层都可展开到原始消息
  • ✅ 可追溯: DAG 节点只追加、不修改
  • ✅ 高效: 100K+ 消息压缩到 <200K tokens

🎓 学术价值

与现有工作的对比

维度 LangChain Memory Mem0 Letta LobsterPress v3.0
无损压缩 滑动窗口 滑动窗口 DAG 压缩 DAG 压缩
遗忘曲线 无 无 无 Ebbinghaus 动态衰减
事件分割 无 无 无 EM-LLM ICLR 2025
语义记忆 无 向量检索 向量检索 结构化 notes 表
矛盾检测 无 无 无 NLI + Memory Reconsolidation
动态评分 无 无 无 Time-decay scoring

注：以上对比基于各项目文档（截至 2026-03），如有更新请提 Issue 纠正。

学术贡献:

  1. 将 Ebbinghaus 遗忘曲线应用于 LLM 记忆管理
  2. 实现基于 EM-LLM 论文的事件分割机制
  3. 将 Memory Reconsolidation 理论应用于知识更新

🔌 OpenClaw 插件（推荐）

LobsterPress 支持作为 OpenClaw 原生插件使用，无需手动部署 Python 服务，一行命令安装：

openclaw plugins install @sonicbotman/lobster-press

安装后在 OpenClaw 配置中启用：

{
  "plugins": {
    "entries": {
      "lobster-press": {
        "enabled": true,
        "config": {
          "llmProvider": "deepseek",
          "llmModel": "deepseek-chat",
          "contextThreshold": 0.75,
          "freshTailCount": 32
        }
      }
    }
  }
}

启用后 OpenClaw Agent 将自动获得三个记忆工具：

  • lobster_grep — 全文搜索历史记忆（FTS5 + TF-IDF）
  • lobster_describe — 查看 DAG 摘要层级结构
  • lobster_expand — 无损展开摘要原文

与 lossless-claw 共存

LobsterPress 以工具插件身份接入，不占用 contextEngine 插槽，可与 lossless-claw 同时启用：

  • lossless-claw 负责上下文窗口的 DAG 压缩
  • lobster-press 负责跨会话的长期语义记忆检索

🚀 快速上手

git clone https://github.com/SonicBotMan/lobster-press.git
cd lobster-press
pip install -r requirements.txt

可选依赖：

  • tiktoken>=0.5.0 - 高精度 token 计数（推荐）
    • 安装：pip install tiktoken
    • 未安装时自动降级为近似计算（基于字符数 × 0.3）
from src.database import LobsterDatabase
from src.incremental_compressor import IncrementalCompressor

db = LobsterDatabase("memory.db")
manager = IncrementalCompressor(
    db,
    max_context_tokens=200_000,  # Claude=200K, GPT-4o=128K, Gemini=1M
    context_threshold=0.75,
    fresh_tail_count=32
)

# 自动决定压缩策略
result = manager.on_new_message("conv_id", {
    "id": "msg_001",
    "role": "user",
    "content": "我们决定用 PostgreSQL 作为主数据库",
    "timestamp": "2026-03-17T10:00:00Z"
})
# result["compression_strategy"] → "none" | "light" | "aggressive"
# result["notes_extracted"] → [{"category": "decision", "content": "..."}]

🤖 LLM 提供商配置 ⭐ v3.2.0

LobsterPress v3.2.0 支持国内外 8 个主流 LLM 提供商，用于高质量摘要生成。

支持的提供商

国际提供商（4个）：

  • ✅ OpenAI - GPT-4o, GPT-4o-mini
  • ✅ Anthropic - Claude 3.5 Sonnet
  • ✅ Google - Gemini Pro
  • ✅ Mistral - Mistral Small/Medium

国内提供商（4个）：

  • ✅ DeepSeek - DeepSeek Chat（推荐 ⭐）
  • ✅ 智谱 GLM - GLM-4-Flash（推荐 ⭐）
  • ✅ 百度文心 - ERNIE Speed
  • ✅ 阿里通义 - Qwen Turbo

快速配置

方式1: 环境变量（推荐）

# DeepSeek（国内推荐）
export LOBSTER_LLM_PROVIDER=deepseek
export LOBSTER_LLM_API_KEY=sk-xxx
export LOBSTER_LLM_MODEL=deepseek-chat

# 智谱 GLM（免费额度大）
export LOBSTER_LLM_PROVIDER=zhipu
export LOBSTER_LLM_API_KEY=xxx.xxx
export LOBSTER_LLM_MODEL=glm-4-flash

# OpenAI（国际推荐）
export LOBSTER_LLM_PROVIDER=openai
export LOBSTER_LLM_API_KEY=sk-xxx
export LOBSTER_LLM_MODEL=gpt-4o-mini

方式2: 代码配置

from src.llm_client import create_llm_client
from src.dag_compressor import DAGCompressor

# 创建 LLM 客户端
llm_client = create_llm_client(
    provider='deepseek',
    api_key='sk-xxx',
    model='deepseek-chat'
)

# 传入 DAGCompressor
compressor = DAGCompressor(db, llm_client=llm_client)

安装依赖

# DeepSeek / 阿里通义 / OpenAI（OpenAI 兼容接口）
pip install openai

# 智谱 GLM
pip install zhipuai

# Anthropic
pip install anthropic

# Google Gemini
pip install google-generativeai

# Mistral
pip install mistralai

推荐配置

场景 推荐提供商 原因
国内用户，性价比 DeepSeek 便宜，质量高 ⭐
国内用户，免费测试 智谱 GLM 免费额度大 ⭐
国际用户，性价比 OpenAI GPT-4o-mini 便宜，稳定
国际用户，高质量 Anthropic Claude 3.5 Sonnet 质量最高

优雅降级

  • 无 LLM 配置: 自动使用提取式摘要（无 API 成本）
  • LLM 调用失败: 自动降级为提取式摘要
  • 提供商不可用: 自动降级为 Mock 客户端

更多配置

详见 examples/llm_config.py，包含所有提供商的详细配置示例。

🛠️ Agent 工具集成

# 全文搜索历史（FTS5 + TF-IDF 重排序）
python -m src.agent_tools grep "PostgreSQL" --db memory.db --conversation conv_123

# 查看 DAG 摘要结构
python -m src.agent_tools describe --db memory.db --conversation conv_123

# 展开摘要到原始消息
python -m src.agent_tools expand sum_abc123 --db memory.db --max-depth 2

Python API:

from src.agent_tools import lobster_grep, lobster_describe, lobster_expand

# 搜索，按 TF-IDF 相关性排序
results = lobster_grep(db, "数据库选型", conversation_id="conv_123", limit=5)

# 查看摘要层级结构
structure = lobster_describe(db, conversation_id="conv_123")
# → {"total_summaries": 12, "max_depth": 3, "by_depth": {...}}

# 展开摘要，还原原始消息
detail = lobster_expand(db, "sum_abc123")
# → {"total_messages": 47, "messages": [...]}

📊 性能指标

测试环境: M1 MacBook Pro, 16GB RAM, Python 3.11

操作 性能 备注
消息入库 <5ms 含 TF-IDF 评分 + 类型分类
FTS5 搜索 <10ms ⚠️ 待修复：当前版本存在问题（Issue #111）
Light 压缩 0ms 余弦相似度去重，无 LLM 调用
DAG 压缩 ~2s/1K tokens Claude 3.5 Sonnet API
矛盾检测 <100ms 规则降级模式（零依赖）

压缩效果:

  • 实测压缩比 ~3x（1K 消息测试），理论最大值取决于 LLM 摘要质量
  • 保留 100% 原始消息（无损）
  • 关键信息保留率：待验证

🔧 配置参数

manager = IncrementalCompressor(
    db,
    max_context_tokens=200_000,    # 目标模型上下文窗口
    context_threshold=0.75,        # 触发压缩的使用率阈值
    fresh_tail_count=32,           # 受保护的最近消息数
    leaf_chunk_tokens=20_000,      # 叶子摘要分块大小
    llm_client=your_llm_client     # 可选：用于语义提取和矛盾检测
)
参数 默认值 说明
max_context_tokens 128,000 必须按模型设置（Claude=200K, Gemini=1M）
context_threshold 0.75 触发 DAG 压缩的阈值（0.0–1.0）
fresh_tail_count 32 受保护的最近消息数，不参与压缩
leaf_chunk_tokens 20,000 叶子压缩分块大小（影响摘要粒度）
llm_client None LLM 客户端（用于语义提取，可选）

📦 数据迁移

从旧版本或其他格式批量导入：

# 从 JSON 导入（自动评分 + 分类 + 语义提取）
python -m src.pipeline.batch_importer data.json --db memory.db

# 从 CSV 导入
python -m src.pipeline.batch_importer data.csv --format csv --db memory.db

# 指定批大小
python -m src.pipeline.batch_importer data.json --db memory.db --batch-size 50

🗂️ 项目结构

src/
├── database.py               # SQLite 存储层（消息、摘要、DAG、FTS5、notes）
├── dag_compressor.py         # DAG 压缩引擎（叶子摘要 + 层级聚合）
├── incremental_compressor.py # 三层压缩调度器（项目主入口）
├── semantic_memory.py        # 语义记忆层（Feature 3）⭐ NEW
├── agent_tools.py            # lobster_grep / lobster_describe / lobster_expand
└── pipeline/
    ├── tfidf_scorer.py       # TF-IDF 评分 + 消息类型分类
    ├── semantic_dedup.py     # 余弦相似度去重（light 策略）
    ├── batch_importer.py     # 历史数据批量导入
    ├── event_segmenter.py    # 事件分割（EM-LLM）⭐ v2.6.0
    └── conflict_detector.py  # 矛盾检测（Feature 4）⭐ NEW

📜 版本历史

版本 日期 说明
v1.0.0 ~ v1.5.5 2026-03-13~17 早期迭代：DAG 压缩基础
v2.5.0 ~ v2.6.0 2026-03-17 认知科学重构：EM-LLM + 遗忘曲线
v3.0.0 ~ v3.2.1 2026-03-17 LLM 集成：多提供商 + Prompt 优化
v3.2.2 2026-03-17 工程规范整改：CI/CD + 测试重组
v3.2.3 ~ v3.2.6 2026-03-18 Bug 修复：npm 包完整性
v3.2.7 ~ v3.2.9 2026-03-19 Bug 修复：模块导入路径
v3.3.0 2026-03-19 自动上下文监测与压缩（ContextEngine）
v3.3.1 2026-03-19 修复假 DAG + 错误处理
v3.3.2 2026-03-19 测试覆盖 + 文档更新
v3.4.0 ⭐ 2026-03-19 Bug 修复（Issue #124）
查看完整版本详情

v3.2.2 (2026-03-17) - 工程规范整改

  • ✅ 添加 CI/CD 工作流 (.github/workflows/test.yml)
  • ✅ 测试结构重组 (unit/integration 分离)
  • ✅ 新增核心模块单元测试
  • ✅ 修复导入路径和源码 bug
  • ✅ 删除虚假文件 (RELEASES.md 等)
  • ✅ README 诚实化改造

v3.2.1 (2026-03-17) - LLM 集成与 Prompt 优化

  • ✅ 集中管理 Prompt 模板
  • ✅ 优化叶子摘要、压缩摘要、Note 提取
  • ✅ 支持国内外 8 个主流 LLM 提供商

v2.6.0 (2026-03-17) - 认知科学驱动

  • ✅ EM-LLM 事件分割
  • ✅ Ebbinghaus 遗忘曲线
  • ✅ 语义记忆层 (notes 表)
  • ✅ 矛盾检测与重巩固

v1.0.0 (2026-03-13) - 初始发布

  • ✅ DAG 无损压缩架构
  • ✅ TF-IDF 评分 + 消息类型分类
  • ✅ 三层压缩策略

🙏 致谢

学术引用

如果 LobsterPress 对你的研究有帮助，请引用以下论文：

@inproceedings{emllm2025,
  title={EM-LLM: Event-Based Memory Management for Large Language Models},
  booktitle={ICLR 2025},
  year={2025}
}

@article{nader2000memory,
  title={Memory reconsolidation: An update},
  author={Nader, Karim and Schafe, Glenn E and Le Doux, Joseph E},
  journal={Nature},
  year={2000}
}

开源项目

  • lossless-claw (Martian Engineering) — DAG 压缩架构参考
  • LCM 论文 (Voltropy) — 无损上下文管理理论基础

核心贡献者

  • 罡哥（sonicman0261） — 项目发起人、架构设计、学术指导
  • 小云（Xiao Yun） — v3.0 核心开发、论文实现

📄 许可证

MIT License

如果 LobsterPress 对你的项目有帮助，请给个 ⭐ Star！

Star History Chart

Made with 🧠 by SonicBotMan & Xiao Yun

基于认知科学，为 AI Agent 构建人类般的记忆系统

About

🦞 LobsterPress（龙虾饼） - Cognitive Memory System for AI Agents 基于认知科学的 LLM 永久记忆引擎

github.com/SonicBotMan/lobster-press

Topics

bash ai shell-script claude chatgpt context-compression token-optimization openclaw

Resources

Readme

License

MIT license

Contributing

Contributing
Activity

Stars

22 stars

Watchers

1 watching

Forks

2 forks
Report repository

Releases 56

🧠 LobsterPress v4.0.0「深海」 Latest
Mar 19, 2026
+ 55 releases

Packages

 
 
 

Contributors

Languages