AI Agent 记忆的 6 个层级：从 CLAUDE.md 到「统一大脑」

视频来源 ：The 6 Levels of Claude Code Memory --- Simon Scrapes

发布：2026-04-24 | 播放：144,920

整理：视频只给了目录和链接，本文把里面每个工具的仓库、文档、论文都翻了一遍，补齐了架构、命令、跑分和取舍。

核实日期：2026-07-23（版本号和跑分会变，用之前请复核）

一、先说结论

从 Mem0 到 Karpathy 的 LLM Wiki，AI 记忆方案一周一个新轮子，很容易 FOMO。但真正的问题只有一个：

Agent 每开一个新会话，就是一次「失忆」。你要用多大成本，把上一次的上下文还给它？

围绕这个问题，记忆方案可以分成 6 层。层级越高，能力越强，维护成本也越高------绝大多数人停在 Level 2 就够了，Level 3~4 是重度用户的收益区，Level 5~6 属于「你要为它做一份工程」。
#mermaid-svg-WeIQmTqAOA0VcEeB{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-WeIQmTqAOA0VcEeB .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-WeIQmTqAOA0VcEeB .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-WeIQmTqAOA0VcEeB .error-icon{fill:#552222;}#mermaid-svg-WeIQmTqAOA0VcEeB .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-WeIQmTqAOA0VcEeB .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-WeIQmTqAOA0VcEeB .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-WeIQmTqAOA0VcEeB .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-WeIQmTqAOA0VcEeB .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-WeIQmTqAOA0VcEeB .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-WeIQmTqAOA0VcEeB .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-WeIQmTqAOA0VcEeB .marker{fill:#333333;stroke:#333333;}#mermaid-svg-WeIQmTqAOA0VcEeB .marker.cross{stroke:#333333;}#mermaid-svg-WeIQmTqAOA0VcEeB svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-WeIQmTqAOA0VcEeB p{margin:0;}#mermaid-svg-WeIQmTqAOA0VcEeB .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-WeIQmTqAOA0VcEeB .cluster-label text{fill:#333;}#mermaid-svg-WeIQmTqAOA0VcEeB .cluster-label span{color:#333;}#mermaid-svg-WeIQmTqAOA0VcEeB .cluster-label span p{background-color:transparent;}#mermaid-svg-WeIQmTqAOA0VcEeB .label text,#mermaid-svg-WeIQmTqAOA0VcEeB span{fill:#333;color:#333;}#mermaid-svg-WeIQmTqAOA0VcEeB .node rect,#mermaid-svg-WeIQmTqAOA0VcEeB .node circle,#mermaid-svg-WeIQmTqAOA0VcEeB .node ellipse,#mermaid-svg-WeIQmTqAOA0VcEeB .node polygon,#mermaid-svg-WeIQmTqAOA0VcEeB .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-WeIQmTqAOA0VcEeB .rough-node .label text,#mermaid-svg-WeIQmTqAOA0VcEeB .node .label text,#mermaid-svg-WeIQmTqAOA0VcEeB .image-shape .label,#mermaid-svg-WeIQmTqAOA0VcEeB .icon-shape .label{text-anchor:middle;}#mermaid-svg-WeIQmTqAOA0VcEeB .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-WeIQmTqAOA0VcEeB .rough-node .label,#mermaid-svg-WeIQmTqAOA0VcEeB .node .label,#mermaid-svg-WeIQmTqAOA0VcEeB .image-shape .label,#mermaid-svg-WeIQmTqAOA0VcEeB .icon-shape .label{text-align:center;}#mermaid-svg-WeIQmTqAOA0VcEeB .node.clickable{cursor:pointer;}#mermaid-svg-WeIQmTqAOA0VcEeB .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-WeIQmTqAOA0VcEeB .arrowheadPath{fill:#333333;}#mermaid-svg-WeIQmTqAOA0VcEeB .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-WeIQmTqAOA0VcEeB .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-WeIQmTqAOA0VcEeB .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-WeIQmTqAOA0VcEeB .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-WeIQmTqAOA0VcEeB .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-WeIQmTqAOA0VcEeB .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-WeIQmTqAOA0VcEeB .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-WeIQmTqAOA0VcEeB .cluster text{fill:#333;}#mermaid-svg-WeIQmTqAOA0VcEeB .cluster span{color:#333;}#mermaid-svg-WeIQmTqAOA0VcEeB div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-WeIQmTqAOA0VcEeB .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-WeIQmTqAOA0VcEeB rect.text{fill:none;stroke-width:0;}#mermaid-svg-WeIQmTqAOA0VcEeB .icon-shape,#mermaid-svg-WeIQmTqAOA0VcEeB .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-WeIQmTqAOA0VcEeB .icon-shape p,#mermaid-svg-WeIQmTqAOA0VcEeB .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-WeIQmTqAOA0VcEeB .icon-shape .label rect,#mermaid-svg-WeIQmTqAOA0VcEeB .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-WeIQmTqAOA0VcEeB .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-WeIQmTqAOA0VcEeB .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-WeIQmTqAOA0VcEeB :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} Level 1 · 原生记忆

CLAUDE.md + Auto Memory
Level 2 · 可靠召回

Hooks + Skills 强制读写
Level 3 · 语义检索

向量搜索，按意思找
Level 4 · 逐字回放

历史会话原文可查
Level 5 · 自组织知识库

自动归纳 / 去重 / 演进
Level 6 · 统一大脑

跨所有 AI 工具共享

一个贯穿全文的主线：你会发现从 Level 1 到 Level 6，所有方案最后都收敛到同一个模式------

一份常驻的「索引」+ 一堆按需读取的「正文」。

Claude Code 的 MEMORY.md、MemSearch 的三层渐进检索、Karpathy 的 index.md、MemPalace 的 Wing/Room/Drawer、Mem0 的压缩引擎，本质上都在做同一件事：用一行摘要的 token，换一整份内容的可达性。看懂这一点，选型就不难了。

二、Level 1：原生自带的记忆（比你以为的强得多）

很多「Claude Code 记忆方案」的教程还停留在「手写 CLAUDE.md」的年代。实际上现在的 Claude Code 原生有两套并行的记忆系统，加载机制完全不同。

2.1 两套系统的分工

	CLAUDE.md	Auto Memory（自动记忆）
谁来写	你	Claude 自己
内容	指令、规范、约束	它学到的经验、模式、你的纠正
作用域	项目 / 用户 / 组织	按 git 仓库划分，worktree 之间共享
加载方式	每次会话全量加载	每次会话加载 `MEMORY.md` 的前 200 行或 25KB
存储位置	见下方层级表	`~/.claude/projects/<project>/memory/`
开关	------	默认开启，`/memory` 切换或 `autoMemoryEnabled: false`

关键点：Auto Memory 本身就是一个迷你版的 Level 5。它的目录长这样：

text 复制代码

~/.claude/projects/<project>/memory/
├── MEMORY.md          # 索引，每次会话都加载（前 200 行 / 25KB）
├── debugging.md       # 主题文件，按需读取
├── api-conventions.md
└── ...

MEMORY.md 是索引，主题文件不在启动时加载 ，Claude 需要时才用文件工具去读。这正是「索引 + 按需展开」模式。而且从 v2.1.210 起，Claude 写完 MEMORY.md 后 harness 会主动量它的体积 ：接近上限就提醒精简，超了直接报错要求重写索引------因为超出部分下次加载会被静默丢弃。这是原生方案里唯一带强制淘汰压力的机制。

💡 v2.1.214 起，带 frontmatter 的记忆文件在每次写入时会自动记录 modified ISO 8601 时间戳------记忆的新鲜度是可见的，这一点在自建方案里往往被忽略。

2.2 CLAUDE.md 的加载层级（按加载顺序，从宽到窄）

作用域	位置	用途
组织策略	macOS `/Library/Application Support/ClaudeCode/CLAUDE.md` Linux `/etc/claude-code/CLAUDE.md`	全公司规范，个人无法排除
用户	`~/.claude/CLAUDE.md`	跨项目个人偏好
项目	`./CLAUDE.md` 或 `./.claude/CLAUDE.md`	团队共享，进版本库
本地	`./CLAUDE.local.md`	个人项目偏好，加 `.gitignore`

加载规则的几个坑：

向上遍历目录树 ，foo/CLAUDE.md 排在 foo/bar/CLAUDE.md 之前------离你启动目录越近的指令，越靠后被读到；
子目录里的 CLAUDE.md 不在启动时加载，等 Claude 读到那个目录的文件时才生效；
@path/to/file 导入最多 4 跳 ，而且导入不省 token------被导入的文件在启动时同样全量进上下文。想省上下文得用别的办法；
块级 HTML 注释  在注入前会被剥掉，可以拿来写给人看的维护说明而不花 token。

2.3 `.claude/rules/`：被低估的省 token 手段

这是真正能减少常驻上下文 的机制。规则文件带 paths frontmatter 后，只在 Claude 读到匹配文件时才加载：

markdown 复制代码

---
paths:
  - "src/api/**/*.ts"
  - "lib/**/*.{ts,tsx}"
---

# API 开发规则
- 所有 endpoint 必须做入参校验
- 使用统一错误响应格式

不带 paths 的规则则无条件加载，优先级等同 .claude/CLAUDE.md。~/.claude/rules/ 是用户级规则，在项目规则之前加载（项目规则优先级更高）。

2.4 Level 1 的天花板

CLAUDE.md 全量常驻 ，官方建议单文件 200 行以内------"Longer files consume more context and reduce adherence"（越长越不遵守，这是个反直觉但很重要的事实）；
它是上下文，不是配置 。官方原文："Claude treats them as context, not enforced configuration." 想强制阻断某个行为，得用 PreToolUse hook；
Auto Memory 是机器本地的，不跨设备、不进云端环境；
子 agent 默认继承不到主会话的 auto memory（fork 除外）；
只有加载，没有检索------它不会「想起」，只是每次被塞一遍。

📌 实践三条 ：① CLAUDE.md 压到 200 行内，只写「不写就会做错的事」；② 长内容改成 .claude/rules/ + paths；③ 用 /context 确认到底加载了哪些文件，用 /doctor（v2.1.206+）让它帮你裁剪 CLAUDE.md。

三、Level 2：把记忆的读写变成确定性动作

问题：你把知识写进了 notes/，但模型「想不起来去读」。记忆系统的失败绝大多数不是存不下，是召回不触发。

3.1 最小可用版本（Paweł Huryn 的原始配方）

Paweł Huryn（The Product Compass）最早流传的那段，简单到可以直接抄进 CLAUDE.md：

markdown 复制代码

## Memory Management
When you discover something valuable for future sessions --- architectural
decisions, bug fixes, gotchas, environment quirks --- immediately append it
to .claude/memory.md

他后来又补了一层「知识分类」，这个分法很有用：

markdown 复制代码

## Learning
Track two types of knowledge:
- Domain: what things are (product context, user preferences, APIs,
  naming conventions, team decisions)
- Procedural: how to do things (deployment steps, debugging workflows)

⚠️ 注意 Paweł 本人后来的更新："Since posting this note Claude Code got auto memory." ------Level 1 已经原生覆盖了这段配方的大部分 。今天再抄这段，价值主要在于分类规范，而不是「让它记东西」这个动作本身。

3.2 完整版（John Conneely 的结构化系统）

John Conneely 在 How I Finally Sorted My Claude Code Memory 里把它做成了完整目录：

text 复制代码

~/.claude/memory/
├── memory.md          # 索引：所有记忆文件的目录
├── general.md         # 跨项目通用约定
├── domain/{topic}.md  # 领域知识
└── tools/{tool}.md    # 工具配置

配套的三条规则（原文）：

"When you learn something worth remembering, write it to the right file immediately"
"Read memory.md at session start. Load other files only when relevant."
"Before removing or modifying any existing memory entry, use AskUserQuestion to confirm with the user."

第三条是最容易被忽略、也最关键的一条 ：给删除加一道人工确认。自动记忆系统最危险的失败模式不是记错，是悄悄删掉正确的东西。

成效：作者把 CLAUDE.md 从 189 行压到 63 行 ，办法是进 plan mode 跑一句 reorganize memory，把密集的参考内容抽到主题文件里。

3.3 用 Hook 兜底：不依赖模型的自觉

系统的第二部分是一个 PreToolUse hook ，用 bash 包一层 Python 脚本，"injects your project memory and global index before the first tool call of every session---including for new subagents."

去重技巧值得抄：脚本用父进程 PID 做一次性标记，检查 /tmp/claude-memory-loaded-{ppid} 是否存在------每个会话上下文只注入一次，子 agent 因为 ppid 不同会各自触发一次。

选 hook 事件的原则：

Hook 事件	适合干什么
`SessionStart`	注入上次的工作摘要（最常用）
`PreToolUse`	兜底注入 + 硬阻断（唯一能真正阻止动作的机制）
`PreCompact`	压缩前抢救现场------把关键结论落盘，防止被摘要吃掉
`Stop` / `SessionEnd`	收尾时沉淀本次发现
`InstructionsLoaded`	调试：日志记录到底加载了哪些指令文件

✅ 这一层投入产出比最高。写入规范 + 召回钩子 + 删除确认，三件事做完，Agent 才算真的「记得住」。

四、Level 3：按意思搜，而不是按关键词

关键词搜索的致命伤：你搜 auth failure，笔记里写的却是「登录态过期导致 401」。

4.1 MemSearch（Zilliz 出品）

zilliztech/memsearch，MIT，约 2.4k star，Python 为主。它是这一层里工程完成度最高的。

核心设计哲学（原文）：

"Markdown files are always the source of truth --- Milvus is a rebuildable shadow index."

这句话值得裱起来。向量库只是可重建的影子索引，Markdown 才是真相。这直接解决了向量方案最大的信任问题：索引崩了、模型换了、embedding 版本变了------重建就行，数据不丢。

三层记忆模型：

层	内容	文件
Episodic（情景）	每日对话日志	`.memsearch/memory/*.md`，带 `<!-- session:UUID -->` 锚点
Semantic（语义）	项目状态、用户偏好	`PROJECT.md`、`USER.md`
Procedural（程序）	反复出现的工作流蒸馏成 skill	可安装的 `/` 命令

三层渐进检索------这是它最值得学的部分：
#mermaid-svg-3S5VUvNpnqXfCqAx{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-3S5VUvNpnqXfCqAx .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-3S5VUvNpnqXfCqAx .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-3S5VUvNpnqXfCqAx .error-icon{fill:#552222;}#mermaid-svg-3S5VUvNpnqXfCqAx .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-3S5VUvNpnqXfCqAx .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-3S5VUvNpnqXfCqAx .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-3S5VUvNpnqXfCqAx .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-3S5VUvNpnqXfCqAx .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-3S5VUvNpnqXfCqAx .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-3S5VUvNpnqXfCqAx .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-3S5VUvNpnqXfCqAx .marker{fill:#333333;stroke:#333333;}#mermaid-svg-3S5VUvNpnqXfCqAx .marker.cross{stroke:#333333;}#mermaid-svg-3S5VUvNpnqXfCqAx svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-3S5VUvNpnqXfCqAx p{margin:0;}#mermaid-svg-3S5VUvNpnqXfCqAx .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-3S5VUvNpnqXfCqAx .cluster-label text{fill:#333;}#mermaid-svg-3S5VUvNpnqXfCqAx .cluster-label span{color:#333;}#mermaid-svg-3S5VUvNpnqXfCqAx .cluster-label span p{background-color:transparent;}#mermaid-svg-3S5VUvNpnqXfCqAx .label text,#mermaid-svg-3S5VUvNpnqXfCqAx span{fill:#333;color:#333;}#mermaid-svg-3S5VUvNpnqXfCqAx .node rect,#mermaid-svg-3S5VUvNpnqXfCqAx .node circle,#mermaid-svg-3S5VUvNpnqXfCqAx .node ellipse,#mermaid-svg-3S5VUvNpnqXfCqAx .node polygon,#mermaid-svg-3S5VUvNpnqXfCqAx .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-3S5VUvNpnqXfCqAx .rough-node .label text,#mermaid-svg-3S5VUvNpnqXfCqAx .node .label text,#mermaid-svg-3S5VUvNpnqXfCqAx .image-shape .label,#mermaid-svg-3S5VUvNpnqXfCqAx .icon-shape .label{text-anchor:middle;}#mermaid-svg-3S5VUvNpnqXfCqAx .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-3S5VUvNpnqXfCqAx .rough-node .label,#mermaid-svg-3S5VUvNpnqXfCqAx .node .label,#mermaid-svg-3S5VUvNpnqXfCqAx .image-shape .label,#mermaid-svg-3S5VUvNpnqXfCqAx .icon-shape .label{text-align:center;}#mermaid-svg-3S5VUvNpnqXfCqAx .node.clickable{cursor:pointer;}#mermaid-svg-3S5VUvNpnqXfCqAx .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-3S5VUvNpnqXfCqAx .arrowheadPath{fill:#333333;}#mermaid-svg-3S5VUvNpnqXfCqAx .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-3S5VUvNpnqXfCqAx .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-3S5VUvNpnqXfCqAx .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-3S5VUvNpnqXfCqAx .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-3S5VUvNpnqXfCqAx .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-3S5VUvNpnqXfCqAx .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-3S5VUvNpnqXfCqAx .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-3S5VUvNpnqXfCqAx .cluster text{fill:#333;}#mermaid-svg-3S5VUvNpnqXfCqAx .cluster span{color:#333;}#mermaid-svg-3S5VUvNpnqXfCqAx div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-3S5VUvNpnqXfCqAx .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-3S5VUvNpnqXfCqAx rect.text{fill:none;stroke-width:0;}#mermaid-svg-3S5VUvNpnqXfCqAx .icon-shape,#mermaid-svg-3S5VUvNpnqXfCqAx .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-3S5VUvNpnqXfCqAx .icon-shape p,#mermaid-svg-3S5VUvNpnqXfCqAx .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-3S5VUvNpnqXfCqAx .icon-shape .label rect,#mermaid-svg-3S5VUvNpnqXfCqAx .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-3S5VUvNpnqXfCqAx .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-3S5VUvNpnqXfCqAx .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-3S5VUvNpnqXfCqAx :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} chunk hash
需要更多
查询
L1 · 语义搜索

命中 chunk 片段
L2 · 展开

完整 Markdown 章节
L3 · 原始 transcript

逐字对话

上下文按需膨胀，而不是一次灌满。注意 L3 已经踩到了 Level 4 的地盘------好的方案本来就不是单层的。

技术栈：

向量库：Milvus，三种部署形态------Milvus Lite（默认，纯文件）/ Zilliz Cloud（有免费额度）/ 自建 Docker
Embedding：默认 ONNX bge-m3 ，本地 CPU 跑，首次下载约 558 MB；也可切 OpenAI / Ollama
检索：BM25 稀疏 + 稠密向量混合，RRF 重排（不是纯向量，关键词精确匹配的场景不会退化）
增量：SHA-256 内容哈希跳过未变更内容，省 embedding 调用

安装与使用：

bash 复制代码

uv tool install "memsearch[onnx]"       # 或 pipx / pip install memsearch

memsearch config init
memsearch config set embedding.provider onnx

memsearch index ./memory/               # 建索引
memsearch search "Redis caching"        # 混合检索
memsearch expand <chunk_hash>           # 展开上下文（L2）
memsearch watch ./memory/               # 文件监听，实时增量索引
memsearch compact                       # LLM 摘要压缩

Claude Code 插件安装：

bash 复制代码

/plugin marketplace add zilliztech/memsearch
/plugin install memsearch

还支持 OpenClaw、OpenCode、Codex CLI------这已经是半个 Level 6 了（同一份记忆多端可读），只是靠共享文件系统而非服务端。

Python API：

python 复制代码

from memsearch import MemSearch
mem = MemSearch(paths=["./memory"])
await mem.index()
results = await mem.search("Redis config", top_k=3)

限制：ONNX 模型 558 MB 首次下载；后台维护任务默认关闭需手动开；skill 蒸馏出的候选项要手动安装才生效；文档未提供 MCP 接入。

4.2 什么时候该上这一层

代价：向量库 + embedding 调用；索引更新策略（写了没入库 = 检索不到，比没搜索更糟）；召回不准会引入噪声上下文反而干扰模型。

⚖️ 判断标准 ：如果 grep + 目录结构还能找到，就先别上向量库。真正的分水岭是「你自己都想不起来当初写在哪个文件」。

⚖️ 选型时先问一句 ：这个方案的真相源是什么？如果向量库本身就是真相源（不可重建），它坏掉的那天你会失去所有记忆。

五、Level 4：逐字回放历史会话

前三层存的都是「结论」------摘要、规范、经验。但有时你要的是原话：

「上周我们讨论限流方案时，我到底否决了哪个选项，理由是什么？」

摘要一定会丢掉这些细节。而 Claude Code 的会话 JSONL 里，那句话原封不动地躺着。

5.1 视频里的 Recall vs 你真正需要的 recall

⚠️ 这里有个需要说清楚的歧义 ：视频链接的 recall.it 是一个个人知识库产品 ------存 YouTube / 播客 / PDF / 文章，自动打标签、建知识图谱、配间隔重复测验，浏览器插件 + 移动端，50 万用户。它做的是外部内容 的收集与理解，不是你和 Agent 的会话历史检索。

如果你要的是标题里那件事（recall verbatim conversations），真正对口的是这些：

工具	索引什么	技术
arjunkmrm/recall	`~/.claude/projects/`、`~/.codex/sessions/`、`~/.pi/agent/sessions/` 的 `*.jsonl`	SQLite FTS5 + BM25
akatz-ai/cc-conversation-search	Claude Code 会话	语义搜索，返回 session ID 供 `claude --resume`
claude-historian	Claude Code 会话	MCP server

5.2 arjunkmrm/recall 拆解

bash 复制代码

npx skills add arjunkmrm/recall

然后在 Claude Code / Codex / pi 里 /recall，或者直接说「找一下我们之前聊 XX 的那个会话」。

实现细节（都是可以直接抄的工程选择）：

索引库：~/.recall.db，SQLite FTS5，纯 Python stdlib，无外部依赖（Python 3.9+）
双分词表 ：英文用 Porter 词干还原，CJK 用 trigram 分词器------中文用户尤其要看这条，很多方案在中文上直接退化成不可用
排序：BM25 + 时间衰减，30 天半衰期，近期会话最多加权 20%
增量：按文件 mtime 更新
排除 tool_use / tool_result / thinking / image 块------只索引真正的对话内容，这是索引质量的关键

天然限制 ：只在本机 。笔记本和台式机的会话互相看不见，除非你自己同步 ~/.claude/projects/。

5.3 用法边界

适合：决策复盘、写文档、找「当时到底怎么说的」证据、找回丢失的会话去 --resume。

不适合：日常上下文注入------原文太长太吵，直接塞进上下文是灾难。

📌 正确定位 ：按需查询的档案馆 ，不是常驻记忆。

📌 顺带一提 ：Claude Code 会话默认 30 天后过期（MemPalace 文档明确提到这点，并以此论证自动存档 hook 的必要性）。你的「档案馆」如果不主动落盘，是有保质期的。

六、Level 5：会自己长大的知识库

到这一层，记忆不再只是「存 + 搜」，而是有维护行为：新信息进来判断新增还是更新、定期去重合并、清理失效、建立交叉引用。

6.1 Karpathy 的 LLM Wiki：极简但完整的范式

gist.github.com/karpathy/442a6bf555914893e9891c11519de94f（2026 年 4 月）

它反对的是什么（原文）：

"Most people's experience with LLMs and documents looks like RAG: you upload files, the LLM retrieves relevant chunks, and generates an answer. This works, but the LLM is rediscovering knowledge from scratch every question."

它主张的是什么：

"the wiki is a persistent, compounding artifact. The cross-references are already there."

RAG 是每次重新发现 ，Wiki 是一次编译、持续复利。

三层架构：
#mermaid-svg-kRVkeFjdys2jflat{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-kRVkeFjdys2jflat .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-kRVkeFjdys2jflat .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-kRVkeFjdys2jflat .error-icon{fill:#552222;}#mermaid-svg-kRVkeFjdys2jflat .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-kRVkeFjdys2jflat .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-kRVkeFjdys2jflat .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-kRVkeFjdys2jflat .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-kRVkeFjdys2jflat .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-kRVkeFjdys2jflat .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-kRVkeFjdys2jflat .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-kRVkeFjdys2jflat .marker{fill:#333333;stroke:#333333;}#mermaid-svg-kRVkeFjdys2jflat .marker.cross{stroke:#333333;}#mermaid-svg-kRVkeFjdys2jflat svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-kRVkeFjdys2jflat p{margin:0;}#mermaid-svg-kRVkeFjdys2jflat .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-kRVkeFjdys2jflat .cluster-label text{fill:#333;}#mermaid-svg-kRVkeFjdys2jflat .cluster-label span{color:#333;}#mermaid-svg-kRVkeFjdys2jflat .cluster-label span p{background-color:transparent;}#mermaid-svg-kRVkeFjdys2jflat .label text,#mermaid-svg-kRVkeFjdys2jflat span{fill:#333;color:#333;}#mermaid-svg-kRVkeFjdys2jflat .node rect,#mermaid-svg-kRVkeFjdys2jflat .node circle,#mermaid-svg-kRVkeFjdys2jflat .node ellipse,#mermaid-svg-kRVkeFjdys2jflat .node polygon,#mermaid-svg-kRVkeFjdys2jflat .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-kRVkeFjdys2jflat .rough-node .label text,#mermaid-svg-kRVkeFjdys2jflat .node .label text,#mermaid-svg-kRVkeFjdys2jflat .image-shape .label,#mermaid-svg-kRVkeFjdys2jflat .icon-shape .label{text-anchor:middle;}#mermaid-svg-kRVkeFjdys2jflat .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-kRVkeFjdys2jflat .rough-node .label,#mermaid-svg-kRVkeFjdys2jflat .node .label,#mermaid-svg-kRVkeFjdys2jflat .image-shape .label,#mermaid-svg-kRVkeFjdys2jflat .icon-shape .label{text-align:center;}#mermaid-svg-kRVkeFjdys2jflat .node.clickable{cursor:pointer;}#mermaid-svg-kRVkeFjdys2jflat .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-kRVkeFjdys2jflat .arrowheadPath{fill:#333333;}#mermaid-svg-kRVkeFjdys2jflat .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-kRVkeFjdys2jflat .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-kRVkeFjdys2jflat .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-kRVkeFjdys2jflat .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-kRVkeFjdys2jflat .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-kRVkeFjdys2jflat .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-kRVkeFjdys2jflat .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-kRVkeFjdys2jflat .cluster text{fill:#333;}#mermaid-svg-kRVkeFjdys2jflat .cluster span{color:#333;}#mermaid-svg-kRVkeFjdys2jflat div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-kRVkeFjdys2jflat .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-kRVkeFjdys2jflat rect.text{fill:none;stroke-width:0;}#mermaid-svg-kRVkeFjdys2jflat .icon-shape,#mermaid-svg-kRVkeFjdys2jflat .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-kRVkeFjdys2jflat .icon-shape p,#mermaid-svg-kRVkeFjdys2jflat .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-kRVkeFjdys2jflat .icon-shape .label rect,#mermaid-svg-kRVkeFjdys2jflat .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-kRVkeFjdys2jflat .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-kRVkeFjdys2jflat .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-kRVkeFjdys2jflat :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} ingest
约束
📄 Raw Sources（原始素材）

PDF / 文章 / 笔记

不可变，LLM 只读
📚 The Wiki（维基）

摘要页 / 实体页 / 概念页 / 交叉引用

LLM 完全拥有并维护
📐 The Schema（规范）

CLAUDE.md / AGENTS.md

目录约定 + 命名 + 工作流

Schema 层的作用，用原文说是把 LLM 变成 "a disciplined wiki maintainer rather than a generic chatbot"（一个有纪律的维基维护者，而不是通用聊天机器人）。

三个操作：

操作	做什么
Ingest	读素材 → 写摘要页 → 更新 index → 修订实体页和概念页 → 记 log。一份素材通常牵动 10~15 个 wiki 页面
Query	检索 wiki → 带引用综合作答 → "good answers can be filed back into the wiki as new pages" ------问答本身也在积累知识
Lint	定期体检：页面间矛盾、被新素材推翻的过时断言、无入链的孤儿页、缺失的交叉引用、数据缺口

两个基础设施文件：

index.md：每个页面一行摘要 + 元数据，按类别组织，每次 ingest 更新。LLM 回答问题时先读它------这就是不需要 embedding 基础设施的原因（又是「索引 + 按需展开」）
log.md：只追加的时间线，统一前缀如 ## [2026-04-02] ingest | Article Title，标准工具可解析，充当审计轨迹

为什么这个模式成立（全文最好的一句）：

"maintaining a knowledge base isn't the reading or thinking---it's the bookkeeping. Updating cross-references, keeping summaries current, noting when new data contradicts old claims."

维护知识库的痛点从来不是读和想，是记账。而记账正是 LLM 不知疲倦、不会遗漏的强项。Karpathy 把分工说得很干脆："The human's job is to curate sources, direct the analysis, ask good questions, and think about what it all means. The LLM's job is everything else."

gist 刻意不给实现细节："directory structure, schema conventions, page formats, tooling---all that will depend on your domain, your preferences, and your LLM of choice." ------它是一个 idea 文件，设计上就是让你贴给自己的 Agent，让 Agent 陪你把细节长出来。

6.2 MemPalace：把 Wiki 思路做成工程

MemPalace/mempalace，本地优先，逐字存储 + 语义检索。

跑分：LongMemEval 96.6% R@5 ，且 "zero API calls"------不调云端、不用 LLM 重排就能达到这个基线召回。它同时在 LoCoMo、ConvoMem、MemBench 上有可复现结果。

三级空间结构：

层级	含义
Wings（翼）	按人 / 项目划分的集合
Rooms（房间）	翼内的主题分组
Drawers（抽屉）	具体的原始内容

意义在于限定检索范围而不是全库平铺召回------这是精度的主要来源。

可插拔后端 （接口在 mempalace/backends/base.py）：

后端	类型	命名空间	词法检索
`chroma`（默认）	本地嵌入式	✗	✓
`sqlite_exact`	本地精确	✗	✓
`milvus`	本地 / 服务端	✓	✓
`qdrant`	服务端 REST	✓	✓
`pgvector`	Postgres	✓	✓

命令：

bash 复制代码

uv tool install mempalace          # 或 pipx install mempalace
mempalace init ~/projects/myapp

mempalace mine ~/projects/myapp                    # 挖项目文件
mempalace mine ~/.claude/projects/ --mode convos   # 挖 Claude Code 会话

mempalace search "why did we switch to GraphQL"
mempalace wake-up                                  # 新会话加载上下文

其他值得注意的：

知识图谱 ：SQLite 支撑的时序实体关系图，带有效期窗口（validity windows）------这是少见的、把「事实会过期」做进 schema 的设计
36 个 MCP 工具 ，运行时通过 mempalace_list_agents 发现，"no system-prompt bloat"（不预先撑爆系统提示词，这个取舍很聪明）
专家 agent 各自拥有独立的 wing 和 diary
Embedding 模型支持 100+ 语言，约 300 MB 磁盘，核心检索不需要 API key
Claude Code 自动存档 hook：在上下文压缩前保存会话------"Claude Code sessions expire in 30 days without auto-save hooks wired."
⚠️ 官方明确提醒有仿冒站点，认准 GitHub 仓库 / PyPI 包 / mempalaceofficial.com

6.3 Mem0：托管式记忆层

mem0.ai，三步走：Add → Learn → Retrieve 。核心是「记忆压缩引擎」，"automatically condenses chat history into compact memories that cut tokens and latency while keeping the right context."

技术上是 single-pass hierarchical distillation（单遍分层蒸馏）+ multi-signal retrieval（多信号检索）。

官方跑分：

基准	准确率	每次检索平均 token
LoCoMo	92.5%	6,956
LongMemEval	94.4%	6,787
BEAM 1M	64.1%	6,719
BEAM 10M	48.6%	6,914

对照组说法是 "Full-context approaches on these benchmarks routinely consume 25,000+ tokens per query" ，即约 3~4 倍 token 节省。

⚠️ 读跑分要注意 ：论文给了 Mem0 自己的准确率和 token 数，但没有给出被对比方法的准确率数字 ，也没点名 OpenAI Memory 等竞品做头对头比较。所以「3~4 倍 token 节省」是可信的，「准确率更高」则缺乏同表对照。另外注意 BEAM 10M 掉到 48.6%------规模上去之后所有记忆系统都会显著退化，这是行业现状，不是 Mem0 的问题。

部署与合规 ：云托管（app.mem0.ai）或自托管（K8s / 私有云 / 气隙环境），"the same API everywhere"；Python 和 Node.js SDK；SOC 2 Type 1、HIPAA、BYOK 加密、读写全审计日志。另有「Claude Code 集成减少 97% 记忆占用」的宣称。

6.4 三者怎么选

	LLM Wiki	MemPalace	Mem0
形态	一份 idea 文档	本地 CLI + MCP	托管服务 / SDK
谁维护知识	你的 Agent	工具 + Agent	服务自动抽取
数据在哪	你的 markdown	你的机器	云端或自托管
上手成本	低（贴给 Agent 即可）	中	低（但要接 API）
可审计	✅ 全是 markdown	✅ 本地文件	⚠️ 靠审计日志
适合	个人研究、写作、长期主题积累	重度本地 Agent 用户、多项目	产品里给终端用户做记忆

核心难点是「遗忘」，不是「记住」 。一个只增不减的知识库，两个月后就是上下文污染源。评估任何 Level 5 方案，先看它的 Lint / 淘汰 / 有效期机制 ，再看写入能力。上面三家分别对应三种答案：LLM Wiki 的 lint 操作、MemPalace 的 validity windows、Mem0 的压缩引擎。没有这一项的方案，直接淘汰。

七、Level 6：所有 AI 工具共用一个大脑

前五层基本都绑在单一工具（或单台机器）上。Level 6 的目标：

Claude、ChatGPT、Cursor、Claude Code、以及下个月刚出的那个......共享同一份对你的持久记忆。

7.1 OB1 / Open Brain

NateBJones-Projects/OB1，2026-03-11 发布，slogan 直白：

"The infrastructure layer for your thinking. One database, one AI gateway, one chat channel --- any AI plugs in. No middleware, no SaaS."

发布后 5 天拿到 259 star，热度来自它的成本主张：用各家免费额度，月成本约 $0.10\~$ 0.30。

架构：
#mermaid-svg-c7NGCPgr6nqTzbiL{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-c7NGCPgr6nqTzbiL .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-c7NGCPgr6nqTzbiL .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-c7NGCPgr6nqTzbiL .error-icon{fill:#552222;}#mermaid-svg-c7NGCPgr6nqTzbiL .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-c7NGCPgr6nqTzbiL .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-c7NGCPgr6nqTzbiL .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-c7NGCPgr6nqTzbiL .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-c7NGCPgr6nqTzbiL .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-c7NGCPgr6nqTzbiL .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-c7NGCPgr6nqTzbiL .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-c7NGCPgr6nqTzbiL .marker{fill:#333333;stroke:#333333;}#mermaid-svg-c7NGCPgr6nqTzbiL .marker.cross{stroke:#333333;}#mermaid-svg-c7NGCPgr6nqTzbiL svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-c7NGCPgr6nqTzbiL p{margin:0;}#mermaid-svg-c7NGCPgr6nqTzbiL .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-c7NGCPgr6nqTzbiL .cluster-label text{fill:#333;}#mermaid-svg-c7NGCPgr6nqTzbiL .cluster-label span{color:#333;}#mermaid-svg-c7NGCPgr6nqTzbiL .cluster-label span p{background-color:transparent;}#mermaid-svg-c7NGCPgr6nqTzbiL .label text,#mermaid-svg-c7NGCPgr6nqTzbiL span{fill:#333;color:#333;}#mermaid-svg-c7NGCPgr6nqTzbiL .node rect,#mermaid-svg-c7NGCPgr6nqTzbiL .node circle,#mermaid-svg-c7NGCPgr6nqTzbiL .node ellipse,#mermaid-svg-c7NGCPgr6nqTzbiL .node polygon,#mermaid-svg-c7NGCPgr6nqTzbiL .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-c7NGCPgr6nqTzbiL .rough-node .label text,#mermaid-svg-c7NGCPgr6nqTzbiL .node .label text,#mermaid-svg-c7NGCPgr6nqTzbiL .image-shape .label,#mermaid-svg-c7NGCPgr6nqTzbiL .icon-shape .label{text-anchor:middle;}#mermaid-svg-c7NGCPgr6nqTzbiL .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-c7NGCPgr6nqTzbiL .rough-node .label,#mermaid-svg-c7NGCPgr6nqTzbiL .node .label,#mermaid-svg-c7NGCPgr6nqTzbiL .image-shape .label,#mermaid-svg-c7NGCPgr6nqTzbiL .icon-shape .label{text-align:center;}#mermaid-svg-c7NGCPgr6nqTzbiL .node.clickable{cursor:pointer;}#mermaid-svg-c7NGCPgr6nqTzbiL .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-c7NGCPgr6nqTzbiL .arrowheadPath{fill:#333333;}#mermaid-svg-c7NGCPgr6nqTzbiL .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-c7NGCPgr6nqTzbiL .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-c7NGCPgr6nqTzbiL .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-c7NGCPgr6nqTzbiL .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-c7NGCPgr6nqTzbiL .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-c7NGCPgr6nqTzbiL .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-c7NGCPgr6nqTzbiL .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-c7NGCPgr6nqTzbiL .cluster text{fill:#333;}#mermaid-svg-c7NGCPgr6nqTzbiL .cluster span{color:#333;}#mermaid-svg-c7NGCPgr6nqTzbiL div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-c7NGCPgr6nqTzbiL .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-c7NGCPgr6nqTzbiL rect.text{fill:none;stroke-width:0;}#mermaid-svg-c7NGCPgr6nqTzbiL .icon-shape,#mermaid-svg-c7NGCPgr6nqTzbiL .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-c7NGCPgr6nqTzbiL .icon-shape p,#mermaid-svg-c7NGCPgr6nqTzbiL .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-c7NGCPgr6nqTzbiL .icon-shape .label rect,#mermaid-svg-c7NGCPgr6nqTzbiL .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-c7NGCPgr6nqTzbiL .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-c7NGCPgr6nqTzbiL .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-c7NGCPgr6nqTzbiL :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} Claude Code
MCP Server（远程）
Claude Desktop
ChatGPT
Cursor
Slack / Discord Bot

（快速捕获）
Supabase + pgvector

thoughts 表 + 扩展 sidecar
AI Gateway
Edge Functions

（Serverless 扩展）

数据库 ：Supabase + pgvector；也可纯 K8s 自托管 PostgreSQL + pgvector，不依赖 Supabase
Schema ：核心是一张 thoughts 表；扩展以 sidecar 形式挂载而非改基表------Agent Memory schema 记录来源、审核状态、使用策略、引用和审计轨迹；社区还有家庭维护、日历、备餐、CRM、求职跟踪等自定义表
接入：全部走 MCP，无 Zapier 之类中间件
多用户 ：PostgreSQL Row Level Security 做基于角色的隔离，够家庭 / 小团队用
栈：TypeScript 46% / JavaScript 32% / Python 10.5% / PL-pgSQL 7%，SvelteKit 和 Next.js 两套 dashboard
搭建：官方称 45 分钟，无需编码经验

限制：偏向向量检索和语义召回，不是传统关系型查询场景；共享模型止步于家庭 / 团队规模。

🔎 生态信号：OpenClaw 有 issue 讨论把 OB1 MCP 作为一等公民记忆目标，说明「记忆后端与 Agent 客户端解耦」这个方向不止一家在推。

7.2 真实代价

收益：终端里踩过的坑，IDE 和网页端不会重踩。

代价（这些没人在教程里讲）：

你多了一个必须自己运维的有状态服务------权限、同步、备份、schema 迁移、隐私边界；
它是单点。大脑挂了，所有工具一起失忆，而且是在你最需要的时候；
隐私面变大。所有工具的上下文汇聚到一处，一次泄露的爆炸半径远大于分散存储；
写入质量的锅变大 。一个客户端写进去的垃圾记忆，会污染所有其他客户端------跨工具共享放大的不只是好记忆。

⚖️ 建议：只有当你确实在 3 个以上工具里重度工作、并且已经把 Level 2 做扎实了，再上这一层。否则你只是给自己加了一个新的故障源。

八、选型总表

层级	解决的问题	代表方案	数据在哪	成本	建议
L1 原生	基础约定不用重复说	CLAUDE.md + Auto Memory + `.claude/rules/`	本机	极低	所有人必做
L2 可靠召回	记了但想不起来	Hooks + Skills + 结构化记忆目录	本机	低	性价比最高
L3 语义检索	记忆多到 grep 不动	MemSearch（Milvus + bge-m3 + RRF）	本机 / Zilliz Cloud	中	条目上千再上
L4 逐字回放	要原话不要摘要	recall（FTS5）、cc-conversation-search	本机	中	复盘 / 找回会话需求强再上
L5 自组织	知识库自己会腐烂	LLM Wiki / MemPalace / Mem0	视方案	高	长期知识沉淀才值得
L6 统一大脑	多工具记忆割裂	OB1（Supabase + pgvector + MCP）	自建云	很高	3+ 工具重度用户

选型五问：

我丢失的到底是规则（→ L1/L2）、事实（→ L3）还是原话（→ L4）？
这套方案的真相源是什么？向量库能不能重建？（MemSearch 的答案是「Markdown 是真相，Milvus 是影子」------这是黄金标准）
它有淘汰机制吗？lint / 有效期 / 体积上限，至少要有一个。
它对中文友好吗？（看有没有 trigram 分词或多语 embedding------很多方案在这里静默退化）
它坏掉时我能发现吗？静默失效的记忆系统 = 负资产。

九、几条容易被忽略的原则

记忆的成本是上下文预算，不是磁盘。存下来不要钱，塞进上下文才要钱------所以「索引 + 按需展开」永远优于「全量注入」。所有六层最后都收敛到这个模式。
文件越长，遵守度越低 。官方原话："Longer files consume more context and reduce adherence." 写得多 ≠ 记得牢，往往相反。
上下文不是强制力。要硬阻断某个行为，用 hook，不要用记忆文件写「禁止 XXX」。
给删除加确认。自动记忆最危险的失败不是记错，是悄悄删掉对的东西。
不要记录代码本身已经记录的东西 。目录结构、函数签名、git history------模型可以现场读，重复存只会过期得比代码还快。/doctor 的裁剪逻辑正是这个原则。
记忆会过期 。写入时把「上周」「下个月」换成绝对日期；记录 modified 时间戳；引用文件路径的记忆，用之前先确认文件还在。
规模上去了都会退化 。看看 Mem0 在 BEAM 10M 上的 48.6%------别指望任何方案在无限增长的记忆上保持精度。定期修剪比换更强的工具有效得多。
先跑通 L1 + L2，用一个月。多数人以为自己需要向量库，实际只是没写好那 20 行 hook。

十、参考链接

原始视频提到的

Karpathy's LLM Wiki --- https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
MemSearch（Zilliz） --- https://github.com/zilliztech/memsearch
MemPalace --- https://github.com/MemPalace/mempalace
Mem0 --- https://mem0.ai/
Recall（个人知识库产品） --- https://www.recall.it/
OpenBrain / OB1 --- https://github.com/NateBJones-Projects/OB1
John Conneely《How I Finally Sorted My Claude Code Memory》--- https://www.youngleaders.tech/p/how-i-finally-sorted-my-claude-code-memory
Paweł Huryn 的 Substack --- https://substack.com/@huryn

补充查证的

Claude Code 官方记忆文档 --- https://code.claude.com/docs/en/memory
arjunkmrm/recall（会话逐字检索 skill） --- https://github.com/arjunkmrm/recall
akatz-ai/cc-conversation-search --- https://github.com/akatz-ai/cc-conversation-search
Paweł Huryn《The Guide to Claude Code for PMs》--- https://www.productcompass.pm/p/claude-code-guide

AI Agent 记忆的 6 个层级：从 CLAUDE.md 到「统一大脑」