看了ClaudeCode源码,我发现我的软件跟他非常像

昨天Claude Code 源码泄露，看了一下，我们心想，完蛋了。

因为Claude Code  里面有一个功能，和我们正在做的软件，功能高度相似。

前段时间豆包手机以及OpenClaw的爆火，让我们看到了AI与物理世界交互的更多可能性。

简单说几句话，AI就真的帮我把事儿做了，这种感觉真的就给了我一种未来已来的错觉。但唯一的缺点是这个感觉还不够沉浸和炫酷，过年期间就在想，如果结合我平时玩的游戏绝区零中的Fairy（游戏中的超级AI）的话……，点子一下就来了

经过我们深度开发一个多月，我们成功实现了具备永久仿生记忆能力的AI智能体应用。也就是说，我们这个软件，你跟AI对话，记忆是永久记住到本地的。

刚开始其实我只是想做一个龙虾壳子的，让龙虾能发出声音再有个全屏的画面互动。那一定会非常上头

当时记的备忘录，怕过节玩嗨了忘掉：

于是节后说干就干，了解和学习了很多在Agent领域相对于底层的东西，学着学着就发现了一堆痛点，随着龙虾普及大众，暴露出来的缺点就越来越多了。

我把最大的几个问题放在下面：

1.记忆持久化问题：龙虾能一定程度上实现记忆，但方式非常粗暴（把所有对话历史全塞进上下文）

2.上下文长度限制：词元数量限制导致长对话信息丢失（加上问题1，导致词元疯狂燃烧）

3.工具操作集成：缺乏与桌面级外部工具的有效交互，装skill的话装多了AI又会变傻

4.安全权限管理：AI执行操作时的权限控制与安全边界漏洞很大，容易虾虾队闯大祸

所以在学完这些东西之后，我就意识到这玩意儿就是个粗糙的玩具，配不上Fairy的名字（Fairy是最棒的）。所以在文件夹还没新建的时就不想再做壳子了

于是经过了将近…一个多月的狂肝，Fairy已经有了雏形（本来打算搞完再发的，都怪Claude，逼得我再不发的话就被淹没了），下面就介绍一下已完工部分

1. 永久仿生记忆系统

AuroraFairy最核心的创新在于实现了永久仿生记忆能力。与传统的RAG（检索增强生成）技术不同，我们的记忆系统具备以下优势：

基于LLM的逻辑推理检索：不单纯依赖的语义相似度匹配，而是通过逻辑推理来定位相关记忆。但又不同于纯推理式索引的低效。我们保留了RAG的优点，所以我创新性地搞了个混合式记忆检索架构

混合检索架构简单来说就是：采用文档检索与向量匹配相结合的方式，提升检索准确率（下面草草地画了一个图，可以看看）

记忆召回效果：

2. 记忆整合机制

我们引入了类似人类”做梦”的记忆整合机制。在系统空闲时段，后台会自动进行记忆的整理、关联和强化，形成更完整的知识网络。这种机制确保了记忆之间的逻辑关联性、长期记忆的稳定性、检索效率的持续优化、无用记忆的剔除（这也是AuroraFairy和ClaudeCode最像的地方）

3. 严格的权限管理体系

系统内置了完善的安全规则和权限控制机制：有精确的操作权限定义、实时的权限验证流程、可视化的授权管理界面、单次授权机制

4. 工具操作集成

支持与外部工具的无缝集成，扩展AI的实际操作能力，当前还在研发一个协议，叫“触桥”，它将成为下一代机-机交互入口

5.安全架构

权限定义层：细粒度的操作权限配置

验证执行层：实时权限检查与授权流程

审计日志层：完整的操作记录与追踪

6.其它

除以上以外还有任务编排、子Agent等，可以进一步对复杂任务进行处理。

本来想的是，软件全部完成后，再发出来开源，做一个功能更强大，且具有记忆能力的小龙虾，但是已经来不及了，再不发的话，后面肯定有人说我们是抄的claude code。

所以，目前部分核心组件已开源至GitCode和GitHub，有兴趣的同学，可以一起参与。

FBM（记忆管理系统）：https://gitcode.com/Nicek/FBMhttps://github.com/culiulemon/FBMFairyAction（工具操作框架）：https://gitcode.com/Nicek/FairyActionhttps://github.com/culiulemon/FairyAction当然，这并不是AI记忆的最终解，最终解是记忆参数内化，但这个时代我们的硬件科技做不到，所以如此已是当前最优解