AI 跨工具记忆,MemHub 在 Windows 能用吗

AI 跨工具记忆这件事，腾讯 10 月 16 日给了个开源答案：把偏好、项目背景、历史结论存在本地一份，再分别授权给不同工具读。产品叫 MemHub，底层引擎是 Hy-Memory。但官方 README 里有个限制得先看：v1.0.5 的发行目标是 Linux 和 macOS，Windows 不支持。所以这篇先回答你能不能装，再给两条路。

一、先判断你撞不撞得上这堵墙

README 原文写得很明确：v1.0.5 的发行目标是 Linux x64/arm64 的 Runtime，以及 macOS arm64/x64 的 App 和 Runtime。Windows 不支持。

而且整个项目还在 preview 阶段，README 自己说「部分平台制品、安装路径与宿主体验仍在持续优化验证」。

所以分三种情况：

• 主力机是 macOS 或 Linux，可以往下走第三节。
• 主力机是 Windows，直接跳到第四节，那里给的是替代方案，不是安装步骤。
• 你只用一个 AI 工具，这篇可以关了，往下都是负收益。

如果你的主力机是 Windows，这篇的价值在方案不在安装。 省得你照着教程装一半，才发现跑不起来。

二、本地优先是什么意思

先搞清楚它到底存了什么、存在哪。

数据默认放在 ~/.one-memory，本地目录，不在云端。README 的原则写得很直白：一次安装、一个 Runtime、一份数据、多种客户端。

它不采集什么，也说清楚了：不含屏幕、无障碍树、OCR、键鼠、剪贴板或后台录音。这一条值得单独说，因为「跨工具记忆」听起来像是把你的操作全录下来，实际设计不是这样，它只收你明确授权的 AI 对话和编码记录。

模型侧是 Hy-Memory-30B-A3B，约 3B 激活。官网给了四套记忆系统的总均分 55.49，同口径下 Opus5 是 54.62。两个数都出自厂商评测，看看量级就行，别当第三方结论。

npm 上那个包只有约 384 KB，是个 Bootstrap CLI，不含 Runtime、不含模型。真正的东西要你显式执行 memhub install 才下载。

三、macOS 和 Linux：五步装完

按 README 的命令走：

第一步，装 CLI。

npm i -g memhub-cli

第二步，装 Runtime。 这一步才会下载完整运行时，体积不小，别在弱网下做。

memhub install

第三步，起服务。

memhub start

想在前台看日志就用 memhub serve。

第四步，验证。

memhub statusmemhub doctor

doctor 是排查用的，装完先跑一次，有问题它会告诉你卡在哪。

第五步，在工具里接入。 官网列了 10 种支持的工具，但每个工具的接入完成度不一样，README 也没给完整清单，所以这一步按你实际用的那个工具去看它的接入文档。

一个容易踩的点：桌面端和 CLI 用的是同一个 Runtime 和同一份数据，关掉桌面窗口不会停掉服务。要停用 memhub stop，要彻底卸载用 memhub uninstall。

四、Windows：用偏好文件顶上

Windows 上现在装不了，但「跨工具记忆」这个需求是真的。替代方案是一份 markdown 文件。

做法：在项目根目录建一个 我的偏好.md，然后在各个工具的 rules 文件、CLAUDE.md、系统提示里引用它。文件里写四段，顺序别换：

# 我的偏好## 一、我是谁（岗位、行业、常用工具，两三句。例：B 端产品经理，做 SaaS 后台，日常用 Excel 和飞书，不写代码。）## 二、我在做什么项目（项目名、目标、当前阶段、关键约束。例：客户续费分析，目标是找出 90 天内可能流失的客户，数据在内部 BI，不能导出到外部，只能用截图。）## 三、我的输出偏好（格式、长度、语气、术语。例：结论放第一句；不要用「赋能」「抓手」这类词；表格优先于段落；数字要给口径。）## 四、不要做什么（明确的禁止项，比正面要求有效。例：不要编造数据；不要给没有出处的百分比；不确定就说不知道。）

第四段最容易被省略，但它是最省时间的。正面要求写十条，不如禁止项写三条。

这套做法的代价：文件要手动同步。你换了电脑、改了偏好，得自己复制过去。它不会像 MemHub 那样自动汇总历史会话。

五、权限授权该怎么划

无论走哪条路，授权这件事都得自己划边界。MemHub 的设计里有一个概念值得抄：来源读取、模型处理、宿主读取是三条相互独立的授权边界。

翻译成能用的三条：

第一，读取范围单独给。 允许它读你的对话记录，不等于允许它读你的整个项目目录。先给一个目录，跑一周看看它拿走了什么。

第二，模型处理单独给。 本地模型处理和上传到云端处理是两件事。Hy-Memory 可以在本地跑，这是它的卖点之一，别在配置里随手改成云端。

第三，工具读取单独给。 一份记忆授权给三个工具读，和授权给十个工具读，风险不是线性增长的。先给两个你最常用的。

还有一条清理路径要记住：npm uninstall 只移除 CLI，memhub uninstall 移除服务、Runtime 和 CLI 但默认保留数据，只有 memhub delete-data 才真删。想彻底清干净，得跑 delete-data 那一条。

六、什么时候这套东西是负收益

三种情况，别装。

只用一个 AI 工具。 跨工具记忆的前提是跨工具。你只用 Cursor，它自带的上下文管理够用，多一层记忆只是多一层要维护的东西。

项目周期在一个月以内。 短期项目的背景讲一遍就过去了，沉淀下来的东西用不上第二次。

你的规范还没定型。 这是最容易被忽略的一条。记忆系统会把当前的偏好固化下来，如果你的写作风格、代码规范还在改，它记的其实是错的。先定规范，再上记忆。

至于时间账，给个估算：每装一个新工具，重讲一遍偏好大约 8 分钟，一年装三个就是 24 分钟，这点时间不值得折腾。真正贵的是重复解释项目背景，每次两三分钟，一周五次，一年下来接近 9 小时。这套东西省的不是开头那 8 分钟，是后面那 9 小时。

记忆系统解决的是「说过的话要再说一遍」，不解决「该说什么」。后者还得你自己想。