这俩AI工具太香了:Mac跑大模型 + Claude长期记忆

这期聊两个实战工具，不整虚的。

作者ashhart，让Apple Silicon Mac跑MoE架构的大模型（比如Qwen2.5-32B、DeepSeek）。MoE就是"混合专家"——模型总参数量大，但每次只激活一小部分专家，所以Mac那点内存也能扛住。

TensorFold利用MoE特性 + 苹果MLX框架的混合精度，M2 Mac（16GB）就能跑30B级别模型。正常这得买上万的显卡。

安装：

pip install mlx

git clone https://github.com/ashhart/TensorFold

cd TensorFold

python run.py --model Qwen/Qwen2.5-32B-A3B

等模型下载完就能在命令行聊天。

适合场景： 本地编程助手（代码不上云）、文档问答、本地数据处理、断网应急。

坑： 只支持MoE模型，纯Dense模型（Llama 3 70B）跑不动；生成速度不快，每秒几个token；MLX版本要匹配，升级可能报错；M1 8GB用户建议跑7B-14B的小模型。

mcncarl/codex-memory 用 Obsidian + SQLite 给 Claude Code 做长期记忆。原理简单：记忆存为Markdown放Obsidian vault里，人可以直接读写；SQLite建索引，Claude Code能快速检索。

记忆内容包括：项目决策、代码架构、编码偏好、技术选型理由等。

上手：

git clone https://github.com/mcncarl/codex-memory

cd codex-memory

看完README装依赖，把Obsidian vault链接到项目目录，然后在Claude Code配置里引入记忆指令。每次对话结束时Claude写重要决策到Markdown，下次新会话自动检索，就像一直记得你。

适合场景： 长期项目（两三个月不"失忆"）、团队协作（记忆共享）、个性化编码风格、顺便当项目文档。

坑： 需要会用Obsidian和vault概念；Claude Code有时检索不准；记忆文件会膨胀，需要定期整理；不是全自动，得检查Claude写的记忆对不对；跨项目记忆暂不支持。

• **TensorFold**：手头只有Mac、想在本地跑大模型，省钱省事，速度不快但能用。

• **codex-memory**：用Claude Code做正经项目，搭建有点麻烦，但搭好后不再被"失忆"折磨。

*链接：*

• TensorFold：https://github.com/ashhart/TensorFold

• codex-memory：https://github.com/mcncarl/codex-memory