从 Claude Code 切到 Codex 不用从头解释项目?把 ai-memory 的八步数据流一次讲透

原创2026-10-19 17:52:411,353 阅读
文章标签:人工智能AI 应用Agent 记忆MCP 服务MCP ClientsCLI开发者工具后端知识管理

从 Claude Code 切到 Codex 不用从头解释项目?把 ai-memory 的八步数据流一次讲透

用 AI 编程的朋友,几乎都踩过一个坑:

你上午用 Claude Code 改了三个小时,架构讲清楚了,试错方案列明白了,下午换个 Codex 继续干——新家伙一脸懵,啥都不记得,你得把背景再啰嗦一遍。

更难受的是,每个 AI 编程工具的"记忆"都是各记各的:Claude Code 的小本子 Claude Code 自己看,Cursor 记的东西 Cursor 独享,换台电脑更是直接清零。

最近,"给 AI 智能体装长期记忆"突然成了顶流话题。麻省理工科技评论发问"当 AI 开始失忆,谁来给智能体装上长期记忆?",腾讯云开源了自家的 Agent Memory,Mem0、Supermemory 一堆项目扎堆入场。而 GitHub 上有个叫 ai-memory 的开源项目,被国内技术社区反复拆解,被称为"给所有 AI 编程工具装上互通的长期记忆"。

今天这篇文章,就把它背后的 八步数据流 掰开揉碎讲明白:它是怎么"记下来"的、怎么"交接班"的、怎么"搜回来"的,全程大白话,不贴一行代码。

一、它到底是个啥?一句话说清

你可以把 ai-memory 理解成给 AI 编程团队配的一个"公共值班秘书"。

这个秘书干四件事:你在工位上干活的每一件事,它悄悄记笔记(自动的,不用你吩咐);一下班,它写一份"值班小结";你换人来干,它把小结塞给新人;哪天你想查"这事我们以前讨论过吗",它翻出笔记给你。

而且这个秘书有个硬核特点:它记的不是什么加密黑盒,就是一本本普通的 Markdown 文档,用 git 管版本。你能用记事本打开看、能手改、能扔进 Obsidian 里当知识库刷。数据库只是从这些文档里"抄"出来的一份检索索引,索引坏了,随时能靠文档重建。

目前它支持的工具清单长得吓人:Claude Code、Codex、Cursor、Gemini CLI、OpenCode、Grok、Devin、Kimi、Kiro、GitHub Copilot CLI……二十多个 AI 编程客户端,全都喂给同一本记忆册子。

二、八步数据流·上:它是怎么"记下来"的

先说全流程。官方文档把数据流拆成八步:

① 钩子捕获 → ② 脱敏入库 → ③ 会话摘要 → ④ LLM 深度整理(可选)→ ⑤ 自动改进巡检(可选)→ ⑥ 融合检索 → ⑦ 分层遗忘 → ⑧ 备份恢复

咱们一段段说。

第一步:钩子捕获,相当于给 AI 装了"工位监控+值班记录"

这些 AI 编程工具有个特性:你一提问、它一调工具、会话一开始一结束,都会触发相应的"事件"。ai-memory 就盯着这些事件——你说了什么、AI 调了什么命令、改了什么文件、几点干完的——统统记录下来。

妙就妙在"无感"两个字。你写代码时完全不需要对它说"记住啊",它自己在后台默默记录;而且记录这件事绝不拖慢你的 AI 干活速度,网络慢的时候事件先存在本地小本本上,等会儿再补交。

第二步:脱敏入库,进门先过"安检"

这是最容易被外行忽略、但对打工人极其重要的一步。

你干活时,屏幕上可能闪过 API 密钥、私钥、密码这类东西。ai-memory 在数据落库之前设了一道"安检门":私钥整段抹掉,替换成"[已打码]";GitHub token、云服务商的密钥、Bearer 令牌、写着 password 或 secret 的赋值,统统打码。就像电视剧里车牌要打马赛克一样,密钥进档案库之前先糊掉。

国内一篇拆解读文章特别提到这个词——"类型化脱敏"。说白了就是:不是笼统地"怕泄露就全过滤",而是按类型精准识别、精准打码,该记的干活细节一条不少,该挡的敏感信息一个不放过。

另外它还有一个"单写者"设计:不管外面来多少条记录,最终只有**一个"档案员"**在往里写。就像档案馆只留一个窗口办入库,不会出现两个人同时往同一页本子上写、把本子写花的情况。

第三步:会话摘要,下班自动生成"值班小结"

你这一轮会话结束时,ai-memory 会把这些零散记录自动汇总成一篇可读的 Markdown 小结页面,顺手写进"项目维基",并且默认这一步一个 API 都不用调,一分钱不花——靠的是规则引擎,把"干了啥、卡在哪、还剩啥"拎出来。

同时,它会立一张"交接单",等下一位接手。

三、八步数据路·中:怎么"交接",怎么"找回来"

Handoff 交接棒:有主、只认一个人

这是整个项目最出圈的设计。看官方给的一个真实场景(我把术语翻译成人话):

你先用 Claude Code 干了小时活,说"JWT 轮换有问题,我试试 session cookie 方案",然后退出。

隔一会儿,你在同一个目录打开 Codex。

Codex 一启动,交接单自动塞进它的上下文。它开口第一句就是:"我接上了——你之前在研究用 session cookie 替代 JWT,对吧?"

全程没人复制粘贴,没人写备忘录。

而且这根"接力棒"是有规矩的:每张交接单有明确的主人,只能被领取一次,防止两个会话同时抢同一根棒子打架;旧棒子会被新棒子自动作废,不会让新人捡到过期的旧情报。

融合检索:多个"评委"各排各的名,最后合榜

标题里那个"RRF 融合检索",是它搜索为什么准的关键。先说它手里有哪几张牌:

  • 全文检索(FTS5):关键词硬匹配,就像给全部笔记装了个超快的"Ctrl+F",你写过的错误代码、文件名、报错信息,一个字都能翻出来;
  • 实体索引:相当于人名地名的"名录",你说"上次那个数据库迁移",它能按名字定位;
  • 邻域扩展:找到一条后,顺藤摸瓜把关联的那几条也一起端上来,像朋友推荐朋友;
  • 向量检索(可选):这个最像人——它"懂意思",你搜"怎么换机油",它能找到写着"发动机保养"的那页。

RRF(倒数排名融合)干的活,就是让这几路检索各排各的名次,然后合榜:在好几份榜单上都靠前的,最终得分高;只在一份榜单里冒尖的,分就低。相当于好几位评委独立打分,最后按综合排名定成绩,谁也别想靠偏科混进来。

这套组合拳的效果有硬数据:在业内公认的长期记忆检索基准 LongMemEval-S 上,它纯靠全文检索(不用大模型、不用向量)的命中率从 0.666 一路干到 0.951——也就是说,你问一百个问题,95 个它能从正确的笔记里把答案捞回来。对一套"零大模型"的默认配置来说,这个分数相当能打。

四、八步数据流·下:它还会"忘",还会"存档"

分层遗忘:像人脑一样,常用的记忆越用越牢

记忆系统最怕的不是忘,是变成垃圾场。ai-memory 的遗忘机制设计得很有"人味":

  • 每类记忆有自己的"保鲜期",过期的自动退场;
  • 退场不等于消灭——先留个"墓碑"占位,原文还躺在 git 版本库里,想恢复随时能捞回来;
  • 最关键的一条:你越常用的记忆,忘得越慢。你打开过一页、搜索命中过一页、或者它是别的笔记的邻居被顺带翻到过,都算"使用",它的"热度"就涨一格。就像图书馆里借阅率高的书永远不会被下架。

所以它的记忆库是活的:干货越攒越牢,水货自然凉下去,但永远不搞"物理删除"的激进操作。

备份恢复:一键打包,一键还原

最后一步是备份。因为"真相"就在那些 Markdown 文件里,备份朴素得可爱:打包成一个文件,或者直接把维基目录推到 git 仓库。恢复时反着来一遍就行。官方还专门用数据库的在线备份接口,做到"备份的时候服务不停",边干活边存档。

五、为什么全网都在盯着它

把视角拉远一点看,这事为什么会火:

第一,赛道太热。"智能体记忆"已经从技术名词变成行业赛道,腾讯云刚开源了 v2.0 的 Agent Memory,主打团队记忆中枢;Mem0、Zep、Supermemory 各占一角。国外媒体甚至用"分层内存系统"研究多智能体怎么共享记忆。

第二,它选了个与众不同的路线。多数记忆工具走"向量数据库+大模型"路线,记忆是一堆你看不懂的向量点和事实行。ai-memory 偏偏反着来:记忆就是你手里的 Markdown 文档,数据库只是检索用的影子。它的理念源自 Karpathy 提的"LLM 维基"——知识只编译一次,反复使用,而不是每次提问都临时翻一堆原始片段。

第三,省钱。默认路径零大模型调用:记录、搜索、交接,全程不需要 API Key。配上大模型只是锦上添花(比如把小结重写成更漂亮的深度笔记、把冷笔记合并成连贯长文),不配照样干活。

第四,团队真能用。架到一台小服务器上,全队指向它,一个人会话里学到的东西,全队的 AI 都能检索到;每人干啥都有署名和审计记录,多人权限不是付费墙后面的高级功能。

它还有个浏览器界面,随时能看看 AI 们到底攒了些什么。左边是按"概念/决策/踩坑记录/会话"分好类的笔记目录,右边是最近动态,一条一条明明白白:

ai-memory 网页界面:项目记忆总览

点进一个项目,能看到 AI 自动从日常干活里"编译"出来的知识页——架构决策、配置策略、踩过的坑,全都归档立册:

ai-memory 项目视图:自动归档的记忆页面

六、普通人怎么上手?门槛有多高

放心,它不挑机器。

不需要显卡,不需要配 API Key,普通电脑就能跑。 它是单个自包含的可执行文件,Linux、macOS 上两条命令的事——官网给了一行安装脚本,再跑一条 setup 命令,它会自动找到你机器上装过的 AI 编程工具,把"记忆钩子"一个个接好,全程会先给你看计划、问你同不同意。Windows 用户同样两条命令搞定,也提供 Docker 方式。

装完怎么用?啥也不用做。继续用你原来的 AI 编程工具干活就行,记忆是它自己记的。想查的时候直接问一句"这事我们以前讨论过吗?"或者"给我讲讲最近项目都干了啥",它就把笔记翻给你。

适合谁? 天天跟 Claude Code、Codex、Cursor 们打交道的开发者是最直接受益的人——尤其是那种一个项目要换好几个工具、团队要共享项目经验的场景。科技发烧友和 AI 爱好者也值得一试,因为"零大模型也能跑 95% 检索命中率"这事本身就挺值得玩味。

写在最后

回看这八步,其实就是一套特别朴素的逻辑:默默记下 → 打码入库 → 写小结 → 递棒子 → 合榜搜索 → 聪明地忘 → 稳稳存档。

它没有堆什么炫技的模型,却把"AI 健忘"这个困扰所有 AI 编程用户的老毛病,用工程手段结结实实地治了。而且它把最值钱的记忆,放进了你人人看得懂、改得动、带得走的 Markdown 文件里——这在"记忆即黑盒"盛行的当下,反而是最让人安心的一点。

说个大胆点的预测:以后 AI 编程工具之间的竞争,可能不只是比谁的模型聪明,还要比谁的"记性"好、谁的记忆能在团队里流通。ai-memory 算是先趟出一条路的人。

最后留个话题给你:你觉得 AI 编程助手最该记住你什么?是踩过的坑,还是你的代码习惯? 欢迎在评论区聊聊你的"AI 失忆"名场面。

登录后查看全文
ai-memory