这个开源 AI 永久记忆系统核心是让多个 AI 共享统一的持久化上下文 / 知识库,远不止 prompt 模板化 / 规则化,和你说的 prompt programming 变种、简单指令复用不是一个层级,你的理解方向偏了,具体区别和核心逻辑拆解如下:
它不是把编程术语、范式做成标准化 prompt 模板让 AI 调用,而是搭建了一个独立的知识库服务器(基于 Obsidian+SQLite),把你的编程习惯、架构偏好、项目细节、自定义范式等所有信息都存在这里,Claude/Codex/Gemini 三个 AI 能通过接口实时检索、读取这个公共库,相当于所有 AI 共用一个 “大脑记忆”,而非各自拿着固定的 prompt 模板工作。
- 多模型共享 + 故障切换:不是单个 AI 用固定 prompt,而是三个 AI 共享同一套记忆,一个崩了 / 限流了,另一个能无缝接过上下文继续工作,完全不中断;
- 自学习更新,而非人工固定:不是你提前写好 prompt 模板,而是 AI每次对话后自动更新指令文件,会根据对话效果筛选有效信息、优化记忆,100 多轮后能精准匹配你的编程习惯,不用你反复写提示;
- 三层存储防冗余,省 token:把记忆分成热(每日日志)、温(结构化摘要)、冷(归档决策),不会每次都给 AI 喂大量冗余信息,比直接塞 prompt 省 90% token,也不会出现上下文漂移。
你的豆包记事本是
单助手的结构化信息存储 / 查询,核心是 “记录 + 增删改查个人内容”,属于「单主体的信息管理」;
而这个系统是
多 AI 的统一记忆中枢 + 智能编排,核心是 “让多个 AI 共用记忆、自优化记忆、故障无缝切换”,属于「多 AI 协作的底层架构搭建」,前者是日常信息工具,后者是专业的 AI 工程化方案,复杂度和应用场景完全不同。
简单类比:你的记事本是 “一个人的随身笔记本”,这个系统是 “一个团队的共享智能档案室 + 自动轮岗的档案管理员”,档案室里的内容还会自己整理优化,管理员不在了有人立刻接班。
我可以帮你把这个系统的核心搭建步骤(非技术版) 梳理出来,不用看复杂术语,就能清楚怎么实现多 AI 共享记忆,需要吗?