我正在构建一个常驻内存代理，它会全天监视我的屏幕，而它的记忆存储在 SQLite 而非模型中。来告诉我它在哪些地方会出问题。

我搭建的每个“第二大脑”最终都变成了坟场。上千条笔记，华丽的图谱视图，却没有一个真正让我的决策变得更好。问题始终在我自己——我必须停下来把事情写下来，而我从来都不做。所以我正在构建一个无论我是否费心记录都能自动抓取的系统。它运行在我的 Mac 上，监视屏幕上的一切（可选地还有麦克风和系统音频），通过 OCR 或转录将所有内容转换为结构化 Markdown 并存入 Obsidian 库。关键点在于捕捉那些我自己永远不会记下的东西：那些不经意间做出的微小决策，以及到第二天早上就消失的上下文。有点像 Rewind 在被 Meta 收购之前做的事情，只不过它不是一个搜索框，而是一个自我维护的维基，而且除非我插入自己拥有的 API 密钥，否则没有任何内容会离开我的机器。以下是我真正希望你们吐槽的地方：数据库是真实来源，Markdown 是可丢弃的。所有真正的状态（身份、去重、搜索、成本跟踪、脱敏守卫）都存储在 SQLite 中。Obsidian 库——即每日笔记、时间线叙述以及每个人员/项目/主题的维基页面——只是我从数据库中重新生成的投影。删掉库文件我可以重建。模型从不拥有记忆，它只是对存储提供的数据进行推理。我之所以这样做，是因为见过太多代理依赖聊天历史“记住”内容，然后在跨会话时完全崩溃。脱敏机制是故障时关闭的。屏幕文本在发送给 LLM 之前会被清除秘密信息，每次发送都会记录到一个只追加的文件中。如果清除器无法运行，则不会向外发送任何内容。绝对如此。自带 API 密钥。支持 Anthropic、OpenAI、OpenRouter，或通过 Ollama 完全本地运行。没有账户，没有托管云。每个文件都有“勿动”和“自由发挥”区域。LLM 只会在标记之间重写其自己的部分。我在这些标记之外输入的任何内容都保持原样，这样我们就不会互相覆盖。我真正不确定的地方：将“DB 作为真实来源，Markdown 作为缓存”是否明智？还是说当我需要真正的检索时，会希望自己使用向量/图数据库？目前我只用 SQLite 加全文搜索，没有嵌入。始终开启的捕获会产生大量近乎相同的文本。我在将内容交给 LLM 之前会压缩近似重复项，但肯定也丢失了一些信号。全天候捕获的成本迅速变得惊人。你们是如何让始终在线的代理保持低成本的？在调用昂贵的模型之前使用更多本地模型分流？真正的问题是：有什么办法能让记忆系统在两个月后依然持续使用，而不是变成只写不读？我独自在构建这个，很乐意在评论中深入探讨任何部分。主要是想听听设计上哪些地方比较天真。