换个AI就得从头交代?20多个编码工具共用一本可手写的记忆册

昨晚关掉Claude Code去睡觉，今天上午打开Codex接着写，第一句话还是得从"我们上次做到哪了"讲起。

进度写到哪个文件、为什么改这个接口、昨天卡在哪个报错、哪条路走过别走了。这些东西昨晚那个窗口里都有，今天这个窗口里全是空的。

你得重新交代一遍，AI也得重新理解一遍。时间花在复述上，没花在往前赶。

这种"换个对话就失忆"的状况，最近一年被讨论得很多。解决方向分成好几派，今天这条速递的主角，选了一条很朴素的路：把记忆写成你能直接打开、直接手写、直接用git管理的markdown册子。它叫「ai-memory」。

先把这个日常场景说透。

一个项目你可能同时开好几个工具。Claude Code写主线，Codex跑重构，Cursor改界面，Gemini CLI查资料。每个窗口都很聪明，但每个窗口都只记得自己这一段。

早上在A工具里定的方案，下午切到B工具，B工具一无所知。你只能把A里的结论复制粘贴过去，或者重新口述一遍。

更麻烦的是断档。晚上关掉，第二天再开，上下文窗口早就被新对话挤掉了。昨天查到的约束、昨天推翻的方案、昨天顺手记下的注意事项，全部要靠人脑补。

就算不换工具，同一个长任务也会被压缩打断。上下文塞不下时，早期内容被摘要替换，细节糊成一团，AI开始重复已经否决过的方案，你得在旁边不停纠正。

团队里也一样。同事在他的Agent里摸清了一个坑，你这边的Agent并不知道，又踩一遍。新人接手项目，没有一份"这个项目为什么这么设计"的书面交代，只能靠老人口述。

问题的根子在于：现在大多数AI的记忆是「会话内的短期记忆」，对话一关，记忆就断了。项目真正需要的是「跨会话、跨工具、跨时间的长期记忆」。

短期记忆像工作台面上摊开的纸，用完就收；长期记忆像档案柜，按项目归档，下次开工直接调出来。ai-memory要做的就是给Agent配这个档案柜。

ai-memory是一个Rust写的单二进制程序，MIT开源，自己部署自己管。它给编码Agent配了一台记忆服务器，把每次会话沉淀成一个git仓库里的markdown wiki。

这里先交代几个容易混淆的组成部分，看这张表就够了。

有一个设计选择值得单独说：它把「真相」放在markdown文件里，数据库只是个可重建的索引。

这和很多记忆方案相反。常见做法是把记忆塞进封闭的向量库或二进制块，你想看一眼都得借它的工具。ai-memory反过来，页面就是纯文本，grep能搜，git能提交，Obsidian能开，打包能交给别人。

2.0版本开始，它采用了Google在2026年发布的OKF（Open Knowledge Format）开放格式。wiki文件本身就是合法的OKF文件，不需要额外导出一个分叉副本。记忆不被这个项目本身锁死。

页面之间还带类型化链接，causes表示因果、fixes表示修复、contradicts表示矛盾。这些链接本身就能做矛盾检查，不需要额外调用模型。查询支持as_of，你可以问"在某个日期之前，我们对这件事的认知是什么"，实现按时间回溯。

本地嵌入模型默认开启后，检索从纯关键词全文升级成语义匹配。你换个说法描述需求，也能翻到当时记下的相关页，不必逐字命中关键词。模型文件约87MB，带固定校验和，第一次运行在后台下载，之后全程在本机跑。

机制分三步，顺着一次会话走一遍就清楚了。

第一步是静默捕获。钩子挂在Agent运行时上，每个prompt、每次工具调用、每个会话边界都被记录下来，全程不需要你喊一句"记住这个"。

第二步是会话结束时整合。对话收尾，或者上下文要被压缩（PreCompact）之前，相关的页面被整合成一段连贯叙述，而不是堆原始日志。

第三步是交接。同一个目录下，下一个Agent启动，在它收到第一条任务之前，先拿到一个带类型的"where you left off"交接块，知道前面做到哪、为什么停、下一步该接什么。

交接这块它做了一个防重复设计，叫claim-once。交接棒有唯一owner，被一个会话认领之后就失效，第二个会话不会把同一根棒抢走。你留给同事的待交接内容，不会被他的Agent误吞。

个人和团队也分开。每个人"我正在做什么"的槽位按人隔离，你的私人上下文不会漏进团队的公共简报。

并发写入靠单写者队列加背压。两个窗口同时写同一页，第二个不会覆盖第一个，而是生成新版本进版本链，旧版本还能回溯。这一点直接关系到它为什么没像某些竞品那样在并发写时损坏数据。

给Agent做长期记忆，市面上已经有好几条路线，各有取舍。

作者在2.0前做过一轮2026年市场调研，文档留在仓库里。这里面有个值得记下的教训：MemPalace两周内冲到近5万星，吸引了大量关注，但审计后发现基准数字注水，而且两个写操作同时发生时会损坏数据。热度高不等于稳，记忆这种要长期留底的东西，并发一致性比星数重要。

ai-memory把几个点凑在了一起，这是它和单个竞品拉开距离的地方。

跨Agent。二十多个运行时喂进同一本记忆，Claude Code、Codex、Cursor、OpenCode、Gemini CLI等都在支持列表里，交接是一套有类型、带owner、只认领一次的协议。

跨机器。记忆放在你自己的服务器上，台式机做到一半，笔记本接着拿，项目落在同一个位置，不跟着某台电脑走。

给团队用。多人指向同一台服务器，写入带署名，自带审计日志，谁改过哪页都查得到。

默认不花模型钱。零LLM路径下，捕获、检索、注入、交接都不需要API key。本地嵌入模型默认开启，纯Rust跑all-MiniLM-L6-v2，约87MB，不需要GPU，数据不出本机。作者自评在LongMemEval-S上，命中率hit@5从纯全文的0.617升到0.779，这个数字是作者自己测的，缺独立第三方复测，先记着参考。

它面向开发者，门槛要如实说，别吹成人人能装。

主目标是Linux和macOS，原生Windows还是实验性，官方建议用WSL2。普通办公读者暂时用不上安装流程，看懂趋势就够。

不是所有客户端都能自动交接。Grok Build CLI、Zero、Kimi Code这几个会丢弃SessionStart钩子的输出，自动交接注入不生效，得改走MCP的memory_handoff_accept工具手动接。

项目2026年5月才建仓，迭代快，版本号涨得猛，长期维护性还需要继续观察。基准分为作者自评，没有独立端到端对比。本机这一轮没有实际部署，真实安装手感、响应速度、整合质量都标「待实测」。

安装渠道含release二进制、Homebrew、AUR和Docker，单二进制起步，团队模式则在一台homelab或内网机器上起服务器，前面加HTTPS反代，每人把自己的Agent指向同一URL，后端仍是单SQLite，不堆多套数据库。

团队模式下，公共页面所有人可读可写，靠审计日志记录归属，故意不做逐页权限隔离；交接棒和"正在做"槽位才是私有边界。这是一种取舍：把信任放在记录和历史里，而不是给每页上锁。

零LLM模式能跑，是指检索和交接不花钱。如果你要让它自动把几轮会话整合成更聪明的页面、做矛盾lint、给自动改进建议，那才需要选配一个LLM provider，这部分是可选的。

除了主选题，过去24小时还有几条动态，快速过一遍。

GPT-6 Astra Pro多智能体并行。OpenAI在10月16日升级，Pro档可以让多个智能体分头处理同一任务，主对话跟踪各支线进度，点开能查每支成果。并行只对没有依赖的部分有效，前后有依赖的步骤仍要按序。Plus档位用不了Chat内的GPT-6 Pro，200美元档和100美元档分周限额。OpenAI近30天我们已经写过，这条只作快讯。

可灵Kling 4.0全量上线。快手10月15日晚推出，10-bit HDR，支持4K、1080p和21:9超宽，单次原生最长30秒一镜到底，可续拍延展到约2分钟，单次最多输入10张图、5段视频、7个主体，并接入MCP和CLI，企业与开发者API近期开放。

FLUX 3 Image Klein开源。Black Forest Labs 10月15日发布，5.6B开放权重，INT8量化后8GB显存可跑，支持到4K，API按张计价，年收入低于500万美元可用Kommunity License免费商用。它要配合prompt upsampler使用，短直出效果会明显变弱，图中文字可能变形，目前没有独立榜单排名。

LongHorizon-Harness长任务循环。它包在编码Agent外面，把任务切成有界步，独立Auditor核验真实产物，只把通过的记为进度，失败回到检查点。作者报告通过率从51.8提到80.7，属于自述，待实测；8月后基本没有新提交。

ai-job-search求职技能库。GitHub上5万余星，12个slash命令加6个招聘门户skill，起草agent和fresh context审稿agent分开，职位帖当不可信输入处理。它面向丹麦市场，需要付费Claude Code订阅和LaTeX工具链，本地化要自己改。

Product Hunt 10月18日榜。第二位mylens，做AI规模化一对一live presentation；第三位shim-cli，查看并脱敏coding agent外发的内容，记录每次调用，本地运行。

AI财务方向，过去24小时没有拿到真正的重大新发布，按不凑数原则这一条今天不收。

回到开头那个场景。你关掉一个AI，打开另一个，不想再从头讲一遍，是因为项目是你的，记忆也该是你的。

模型和订阅这个月选哪家，下个月可能换一家。项目沉淀下来的决策、踩过的坑、走到一半的进度，应该留在自己手里，纯文本、可手写、能进git，这是ai-memory给出的答案。至于装不装、值不值得为你的项目配一台记忆服务器，等你真的被"又要重讲一遍"磨到，再回来对照第05节的门槛判断。

你好，我是長青，你的AI工具实战向导。