加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
你有没有过这样的经历：周一晚上你让 Claude Code 帮忙重构一个支付模块，它分析了目录结构、读了三个核心文件、给出了一份相当不错的重构方案；你审阅时顺手补了一句"这个项目所有金额都用分为单位，不要改成元"。周二早上你开新会话继续推进，代理完全不记得这条约定——它把金额从分直接换算成了元。你花半小时排查，最后干脆放弃用 AI，改回手工改。
这不是模型能力问题，而是上下文窗口的物理限制。代理的"记忆"本质上只是一段会被截断、压缩、丢弃的临时文本。于是行业里出现了一波"往系统提示词里塞规则"的变通做法，把架构约束、编码规范、决策记录全堆进上下文。结果是 token 成本飞涨、命中率反而下降，模型在长提示里丢失关键约束的比例反而更高。
Mind（GabrielMartinMoran/mind）就是针对这个痛点做的：把"该记住的东西"从上下文窗口里搬出去，落到一个本地 SQLite 文件里，让代理像人一样记住昨天的决定。
Mind 的定位和其他记忆类项目有个明显区别——它不是"向量数据库 + 检索"的简单封装。作者在社区帖子里写得很直白：标准 RAG 适合"读代码"，但对"维持当前任务状态"这件事很糟糕；把海量内容塞进上下文窗口又会触发"中间丢失"效应。Mind 想做的是长周期状态管理，是给代理的"工作状态"，不是知识库。
技术上是 Bun + TypeScript 项目，核心存储是本地 SQLite（mind.db），Schema 版本已迭代到 v8。在这一份数据之上，它同时提供四套访问方式：
mind create / add / search / query 等）mind serve start，默认 30303 端口）四种方式共享同一个本地事实源——这点很关键，你在 CLI 里加的记忆，Claude Code 通过 MCP 立刻能读到，反之亦然。
每条记忆都带一个 tier 字段（SQLite 里是 CHECK (tier BETWEEN 1 AND 3) 的约束）。T1 是当前任务最相关、最该被优先召回的内容；T3 是沉淀下来的历史归档。读取记忆时会触发访问计数与层级提升（memory_read 返回 tier、pinned、changed_at 等高信号字段）。这套机制的价值在于：代理不需要把所有历史都塞进上下文，它只需要在合适的时机捞出当前层的内容。
这是 Mind 最贴近真实工作流的特性。代理干活到一半，可以用 checkpoint_save 存一个快照，记录"目标是什么、还剩什么没做、卡在哪"；下次会话通过 checkpoint_load 恢复。checkpoint_done 更进一步——它会把一个已完成的检查点收尾成同空间下的 session-* 摘要记忆，标记 type:session + cat:summary 并沉到 T3 层。
换句话说：上下文被压缩之后，代理能找回"我刚才在干什么"，而不只是"文档里写了什么"。 这正是压缩(compaction)场景下最痛的缺口。
每个记忆空间都带一个只读的关系图视图。数据层面，记忆之间通过 links 表建立有方向的连接（source_id → target_id），有独立的 link-repository 管理，还能反向查出"谁指向了我"。Web 端 web/src/features/graph/ 下是完整的图布局、缩放、拖拽、标签渲染实现。
作者在文档里很克制地写：这是"per-space 的只读图视图，让你理解记忆如何连接，而不宣称构建了全局知识图谱"。这种不吹牛的表述，在当下的开源项目里反而显得可信。
内置 SQLite FTS5 全文索引（porter unicode61 分词器），配合元数据过滤、标签过滤、分页。语义检索是可选插件——需要在 .env 里打开 MIND_RAG=true 并提供 OPENAI_API_KEY，之后用 text-embedding-3-small 做向量化，与全文检索做混合召回。
默认关闭是个值得点赞的设计：本地优先，隐私可控。语义检索实现放在 src/helpers/rag.ts，纯手写余弦相似度，没有引入重型向量库。
curl -fsSL https://raw.githubusercontent.com/GabrielMartinMoran/mind/main/scripts/install.sh | bash
一行命令装到用户目录（~/.local/share/mind + ~/.local/bin/mind），不需要 sudo，若机器上没有 Bun 1.2+ 会自动装。三分钟就能开始用：
mind create projects/my-project "我的项目"
mind add projects/my-project architecture "CLI 采用命令注册表 + 原子化命令模块"
mind search architecture
mind serve start # 打开 http://localhost:30303
接代理也很直接：mind setup claude-code / opencode / cursor / codex / gemini-cli / windsurf / vscode / antigravity，一键完成。这里有个细节体现了作者的工程态度——mind setup 不带参数会先打印一张能力矩阵，把每个集成拆成三层来标注：
每层明确标 supported / unsupported / unverified。目前只有 OpenCode 和 Claude Code 是 Complete（三层全通），Claude Code 的 L3 hooks 还需要设 MIND_SETUP_CLAUDE_ENABLE_HOOKS=true 显式开启。其余如 Codex、Cursor、Windsurf、Gemini CLI、VSCode、Antigravity 都标为 Partial——作者没有把没做的能力包装成"支持"，这一点在同类项目里相当罕见。
想用容器化也有现成方案，仓库根目录带 docker-compose.yml，基于 oven/bun:1-alpine 构建 Web 服务，端口 3000，数据目录通过卷挂载持久化：
services:
web:
build: { context: ., dockerfile: web/Dockerfile }
ports: ['3000:3000']
environment: [MIND_DATA_DIR=/data, PORT=3000]
volumes: [${BRAIN_DATA_DIR:-./data}:/data]
第一，项目还年轻，且几乎是一个人写的。 仓库 2025 年 4 月创建，目前 150 star、12 fork、约 106 次提交。GitHub 贡献者数据显示仓库有 2 位贡献者。核心逻辑（记忆存储、检索、Agent 集成）高度集中在单一作者身上，这是开源项目最典型的 bus factor 风险。README 里那句"maturity 各不相同"的自述是诚实的，但读者需要自己判断。
第二，"记忆"的价值高度依赖写入质量。 Mind 提供了机制，但"哪些内容值得被存下来"仍需要代理自己判断，或者由人写进 Memory Protocol 指令里。RAG 类项目常见的失败模式在这里同样存在：垃圾进、垃圾出。如果代理把无意义的中间产物全部写进记忆库，召回到上下文的噪音反而会挤占 token。
第三，多代理集成是能力矩阵里的"半成品集合"。 八个 Agent 里只有两个是 Complete，其余六个 L2/L3 缺失或未验证。对只想用 Cursor 或 Windsurf 的用户来说，"支持 MCP"和"开箱即用"之间还隔着配置工作。
第四，实验特性有明确边界。 Autosync（把空间镜像成版本化的 .mind/ 目录，支持 Git 审查和双向同步）在 README 里被标注为 experimental，作者自己也用了 > [!NOTE] 提示框强调"仍在积极开发中"。它的设计很聪明——但双向文件同步历来是 bug 温床，生产使用前建议先在测试仓库验证。
第五，语义检索会引入外部依赖。 一旦开启 RAG，记忆内容就要发往 OpenAI API。对"本地优先隐私"这个卖点来说这是个内在张力，需要按自己的合规要求权衡。
Mind 的 150 star 在整个开源生态里不算大，但它的出现时间点很关键——2026 年前后，几乎所有主流 AI 编程工具都在解决同一个问题：让代理在长任务中不丢状态。而主流方案无一例外是把状态外置到文件系统、Git、issue tracker 或向量库。
Mind 选择了第三条路：一个专门为代理设计的、带分层模型和检查点语义的本地记忆层，并通过 MCP 这个正在成为事实标准的接口暴露给所有 Agent。这个"代理记忆中间件"的定位，比"又一个记忆框架"更有延展性——它不关心你是 Claude Code 还是 Cursor，只关心记忆本身。
从产品设计角度看，Mind 传达的一个更重要的信号是：代理记忆的核心不是"存了多少"，而是"什么时候该想起什么"。 三层热度模型、访问计数提升、方向性链接、检查点恢复——这些机制都在回答同一个问题。这也解释了为什么作者要在 README 里反复强调"per-space 图视图，不宣称全局知识图谱"：克制，是这类基础设施项目能被信任的前提。
如果你是重度使用 AI 编程代理的开发者，Mind 值得花半小时试一下；如果你在企业环境里做 Agent 平台，它的分层模型和检查点设计也值得当作参考实现读一读——尤其是那份把每个集成能力都如实标注的 capability matrix，它本身就是一份诚实的 Agent 生态兼容性地图。
项目地址：https://github.com/GabrielMartinMoran/mind ｜ MIT 协议 ｜ TypeScript / Bun ｜ 最新版本 v1.6.1