你的第二大脑该长在工具里,还是长在你自己电脑上?

你昨天花半小时教会 Claude Code 你项目的技术栈偏好，今天打开 Cursor，它完全不记得这回事。

如果你一个人管好几个项目，同时用 Cursor 写代码、Claude Code 调 bug、Codex 跑重构、OpenClaw 处理日常琐事，这种"集体失忆"你一定不陌生。每个工具都像刚入职的新员工，聪明但每次都从自我介绍开始——你越依赖 AI，越在重复一件荒谬的事：把同样的背景信息反复喂给不同模型。

这次想聊一个具体解法。MemTensor 团队开源的 Memmy（GitHub: MemTensor/memmy-agent，MIT 协议），定位是"本地优先的跨 Agent 共享记忆中枢"，7 月 30 日在 Product Hunt 上线当天拿到 585 票排到第二，写稿这会儿星标刚过 600。它要解决的就是一件事：让 Claude Code、Cursor、Codex、OpenClaw、Hermes Agent 共用同一份记忆。

配置文件那套打法，撑不过第二个工具

多数人的解法是给每个工具单独写一份配置——CLAUDE.md、.cursorrules、AGENTS.md，把规范、风格、偏好各抄一份。只用一个工具时够用，一旦跨到两个以上 Agent 就露馅：三份文件谁是最新版？昨天在 Claude Code 里踩过的坑，Cursor 完全不知道，得再写一遍。配置文件记的是"规则"，不是"经历"，它不会帮你记住上周为什么放弃某个方案。超级个体需要的是一个跟着自己成长的记忆，不是一份静态说明书。

Memmy 想做的事：把记忆挪到自己电脑里

Memmy 背后是 MemTensor（上海）与上海交通大学等机构 2025 年 7 月开源的 MemOS——一套给大模型做长期记忆管理的引擎。Memmy 构建在其上，面向个人，提供桌面 App、CLI（memmy / memmy-memory）和一个 OpenAI 兼容 API，三个入口共享同一套记忆和配置。核心主张很直白：记忆不属于某个工具，属于你自己的电脑。

图：架构图写得很直白——SQLite 默认存储、服务跑在 127.0.0.1 本地回环，采集外部历史时先脱敏再入库

实际装起来是什么样子

安装不复杂：官网下桌面版，或源码走 git clone + bash scripts/dev-start.sh。首次打开会弹授权界面，分开问两件事——要不要扫描本机已有 Agent 的历史，要不要把生成的记忆写回给其他 Agent 用，"不允许 / 仅允许扫描 / 全部允许"摆在一起，不是默认全开。

图：授权分两步——先问能不能读历史，再单独问能不能把记忆写给别的 Agent

同意后，它会读 Cursor、Claude Code、Codex、OpenCode、OpenClaw、Hermes Agent 六个工具在本机的存储目录（如 Claude Code 是 ~/.claude/projects），把对话蒸馏成结构化记忆，官方称这一步是"增量同步"——旧历史只读一次，之后只追新增。

图：扫描界面底部写着"对话记录仅在本机读取，扫描完成后可在设置中管理来源"

扫描完会生成一份"初见报告"，把你近期的工作习惯、在跑的项目整理成一段话对你说，还会主动指出你在不同工具里其实在讨论同一件事。

图：报告问你要不要帮你把散落在不同工具里的讨论整合到一起

真正让记忆"跨工具"生效的，是给每个外部 Agent 装的 Skill/插件——Cursor 靠 beforeSubmitPrompt 钩子，Claude Code 靠 UserPromptSubmit／Stop 钩子，装上后新对话会先被检索相关上下文注入，结束时再写回记忆库。设置里的"跨 Agent 接入"页能看到每个工具装没装、抓了多少条。

图：每个 Agent 都能单独"移除 Skill"或"同步新增"，颗粒度是每个工具独立控制

诚实说：边界在哪

先说隐私。扫描需要授权读取各工具的历史存储文件，即便承诺本地脱敏，你也得清楚同意的到底是什么。处理过带 NDA 的客户代码、密钥的话，点"全部允许"前该先确认它到底扫哪些目录——别看到"local-first"就默认安全。

第二是记忆污染。长期记忆系统的通病是：一条错误信息一旦写入，会被反复检索、越用越像"事实"。今年 7 月的论文《When Claws Remember but Do Not Tell》演示了一种叫 MemGhost 的攻击——一封精心构造的邮件，就能让有邮件读取能力的 Agent（研究里主要测 OpenClaw，Claude Code SDK Agent 也有类似问题）把假信息悄悄写进持久记忆，用户毫无察觉。这不是针对 Memmy 的指控，而是"给 Agent 装长期记忆"这条赛道的系统性风险——Memmy 连工具执行痕迹都采集，暴露面只会更大，值得长期观察。

第三是记忆分层。Memmy 现在更像"一个人的记忆"，按工具来源分，不是按项目或客户分。手上同时有几个客户的活儿时，个人偏好该共享，但客户 A 的细节不该带进客户 B 的会话，这个边界得靠自己手动把控，产品层面还没有成熟的项目级隔离。

最后，项目还年轻：7 月底才上 Product Hunt，星标刚过 600，路线图里"团队协作、Agent 间共享记忆"还在计划阶段。选它意味着用一个快速迭代但边界还没完全跑通的工具。

自己动手 vs 装一个 Memmy

如果你懂技术，用 MCP 加本地向量库手搓一套记忆层完全可行，数据结构和检索逻辑全在自己手里，不依赖第三方项目的存续，代价是要自己写钩子适配、自己处理脱敏和增量同步——这些正是 Memmy 已经踩过一遍坑、开源出来的部分。

对多数超级个体来说，更现实的路径是先用 memmy-memory CLI（init／search／add／get）跑几天，看蒸馏出的记忆质量能不能用；不顺手就在设置里把 Skill 移除，或把记忆库删掉重来。真正的门槛不是技术，是你愿不愿意先花十分钟想清楚，哪些历史值得记住，哪些客户边界必须自己划清楚。

本文由 AI 辅助研究与写作，核心事实（GitHub 信息、README 内容、Product Hunt 数据、MemGhost 论文）均已核实，具体功能以 Memmy 官方文档为准。信息来源：MemTensor/memmy-agent GitHub^[1]、memmy.bot^[2]、Product Hunt^[3]、The Hacker News 关于 MemGhost 攻击的报道。

引用链接