北京
分享至
用ChatGPT写东西和梳理思路，用编程智能体做软件开发，再把一些任务交给本地模型跑在自己机器上——工具一多，同一个问题就反复出现：每个智能体都揣着自己那份上下文，有用的信息很少能跟着人从一个工具走到另一个工具。
切换工具，往往意味着把项目细节、个人偏好、此前做过的决定再讲一遍。为了应对这件事，他开始用Markdown文件搭一个共享的本地记忆库。
他对这个方案的要求很明确：简单、可迁移、不绑定任何一家AI提供商。记忆库把持久化的上下文存进结构化的Markdown文件，按他工作和兴趣的不同领域分别组织。
这样一来，AI智能体可以做到几件事：
- 开始任务前先读取相关上下文；
- 复用此前对话中已经确立的信息；
- 随着项目和决策演进，更新已有的知识；
- 共享上下文，而不依赖某家提供商自带的记忆功能。
建库本身相对直接，真正有意思的问题出在“维护”上。哪些信息值得保留？智能体该依据什么判断何时更新已有文件？又怎么防止过时或重复的信息越积越多？
随着他把这个记忆库接进日常工作流，这些问题变得越来越重要。他把这套做法、仓库结构、与不同AI工具的集成方式，以及过程中遇到的取舍，都写进了完整文章里。
他也把问题抛给了其他开发者：在多个AI智能体之间管理持久上下文，你用的是内置记忆、MCP集成，还是自己基于文件的办法？
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
