我为AI编码代理构建了一个开源持久记忆层

我一直在开发一个开源项目，它作为AI编码代理的持久记忆层。基本想法是：当前的大语言模型虽然有用，但它们会忘记项目决策、重复犯错、跨会话漂移，并且常常需要将大量上下文重新注入到提示中。这个项目将持久记忆存储在数据库中，进行嵌入，并仅根据当前提示/任务检索相关的记忆。目标是让上下文窗口更小，同时使Copilot、Claude、Cursor、本地LLM等工具能够访问相同的长期项目记忆。其核心使用Postgres + pgvector来存储和搜索记忆。记忆层跟踪诸如项目决策、用户偏好、之前的修复、架构笔记、修正和经验教训等内容。LLM并不“拥有”记忆——数据库才是。嵌入被用作语义指针，这样代理可以只检索重要的内容，而无需将整个聊天历史拖入上下文。我还在记忆系统周围尝试了评估循环：判断检索到的上下文是否足够，检查响应是否可能偏离已知的项目上下文，并追踪使用了或更新了哪些记忆。更大的目标是让编码代理不那么健忘，也不那么依赖一个巨大的上下文窗口。这仍然处于早期/原型阶段，但我正在考虑将其进一步推进为一个面向AI编码助手开发者的本地优先开源工具。我很想听听来自使用AI代理、RAG、MCP、本地LLM或编码代理工作流程的开发者的反馈。具体来说： * 这个功能是否解决了你遇到的问题？ * 你会为编码代理使用本地持久记忆层吗？ * 哪些集成最重要：MCP、VS Code扩展、Cursor、Claude Code、CLI、API？ * 什么因素会让你信任或不信任AI记忆系统？ 长期想法很简单：使用你自己的LLM，但保留你自己的持久大脑。见下方链接