One Brain, Many Harnesses：agentic-stack 让 AI 编程工具拥有持久记忆

想象一下：你同时用 Cursor 写代码、用 Claude Code 做代码审查、用 Windsurf 调 Bug。每次切换工具，你都要重新告诉 AI 你的代码风格、团队规范、常见坑点。这种重复的"背景交代"，让跨工具协作变得异常低效。

agentic-stack 正是为了解决这个问题而生。它的核心理念是：

"一个大脑，多个工具"——把 AI 的记忆（memory）、技能（skills）和协议（protocols）抽离成可移植的 .agent/ 文件夹，让它在任何主流 AI 编程工具之间自由迁移，而不需要重新训练。

这个项目在 GitHub 上已收获 2103 stars，获得了 Claude Code、Cursor、Windsurf、OpenCode、OpenClaw、Hermes、Pi、Codex、Gemini 等 13 种主流工具的官方适配器支持，堪称 AI 编程工具生态中最具野心的基础设施项目之一。

背景：为什么需要可移植的 AI 记忆？

当前 AI 编程工具市场呈现"战国时代"格局：Cursor 以 VSCode 深度集成见长，Claude Code 以深度推理著称，Windsurf 强调协作体验，Codex 走轻量路线。每款工具都有自己封闭的记忆系统——Cursor 的 Rules、Claude Code 的 memory、Windsurf 的 Cascade。用户的痛点在于：一旦决定切换工具，所有积累的上下文知识全部归零。

agentic-stack 的作者 codejunkie99 在 2024 年底开始这个项目，目标是打破工具壁垒。他在 CHANGELOG 中写道："The harness is dumb, and the knowledge, telemetry, and reusable artifacts are in local files"（工具是哑的，知识和可复用资产都在本地文件中）。这一理念奠定了整个项目的架构方向。

核心设计：四层记忆体系

.agent/ 目录采用四层记忆架构，每层有不同的生命周期和用途：

层级	目录	用途	生命周期
工作记忆	memory/working/	当前任务状态、进度	会话结束清空
情景记忆	memory/episodic/	历史运行记录，JSONL 格式	按显著性衰减
语义记忆	memory/semantic/	提炼后的经验模式、决策记录	长期保留
个人偏好	memory/personal/	用户风格、工具偏好、约定俗成	永久保留

这套记忆系统不仅存储信息，还内置了自动归纳机制。memory/auto_dream.py 会自动聚类候选经验，通过 Review Queue 机制让 AI 在空闲时间主动回顾和提炼，形成"越用越聪明"的飞轮效应。

技能系统：渐进式上下文加载

Skills 模块采用**渐进式披露（Progressive Disclosure）**策略：

• _index.md + _manifest.jsonl — 始终加载（体积极小）
• 完整 SKILL.md — 仅在触发关键词时加载

内置技能包括：数据飞轮构建（data-flywheel）、调试分析（debug-investigator）、部署检查清单（deploy-checklist）、Git 代理（git-proxy）、记忆管理（memory-manager）、设计文档撰写（design-md）等，覆盖了 AI 编程工作流的各个环节。

适配器生态：13 种工具全覆盖

适配器（adapter）是 agentic-stack 与各 AI 工具的桥梁。每个适配器定义了：

1. 需要注入的文件列表（如 Hermes 需要 AGENTS.md）
2. 合并策略（merge_or_alert：合并或报警）

支持的工具适配器包括：

工具	适配器	特点
Claude Code	claude-code	MCP server 原生集成
Cursor	cursor	VSCode Rules 兼容
Windsurf	windsurf	Cascade 上下文桥接
OpenCode	opencode	标准 AGENTS.md 注入
Hermes	hermes	NousResearch 出品，AGENTS.md 兼容
Codex	codex	OpenAI 官方 CLI
Copilot CLI	copilot-cli	GitHub Copilot 终端版
Gemini	gemini	Google AI CLI
Pi	pi	Pi AI CLI
Antigravity	antigravity	实验性适配
Standalone Python	standalone-python	纯 Python 环境

适配器本身只是配置文件（JSON + AGENTS.md），真正的"智慧"存储在 .agent/ 中——这正是它能跨工具共享的奥秘。

图1：agentic-stack 作者 codejunkie99

数据飞轮：让 AI 自我进化

项目中包含了一个**数据飞轮（Data Flywheel）**子模块，目标是让 AI 能够从工作记录中持续学习。数据流程如下：

人工批准 → 脱敏追踪 → 上下文卡片 → 评估用例 → 训练级 JSONL → 可选的下游 SLM/Adapter 微调

这不是模型训练，而是准备层——通过结构化的数据管道，把人类批准的优质工作转化为可复用的训练素材。这为未来开源社区对小型语言模型（SLM）进行定向微调提供了基础设施。

安装与使用：一键搞定

macOS / Linux（推荐 Homebrew）

brew tap codejunkie99/agentic-stack https://github.com/codejunkie99/agentic-stack
brew install agentic-stack

Windows（PowerShell）

git clone https://github.com/codejunkie99/agentic-stack.git
cd agentic-stack
.\install.ps1 claude-code C:\path\to\your-project

管理命令

agentic-stack status           # 查看当前 .agent/ 状态
agentic-stack doctor           # 环境诊断
agentic-stack dashboard        # 交互式项目仪表盘
agentic-stack mission-control  # 本地 Web 仪表盘（Beta）
agentic-stack add <adapter>    # 添加新适配器
agentic-stack remove <adapter>  # 移除适配器
agentic-stack transfer         # 跨工具迁移 .agent/

技术规格

• 语言：纯 Python（仅依赖 anthropic>=0.34.0 和 openai>=1.40.0）
• 核心文件数：约 25 个 Python 模块，分布在 harness_manager/、schemas/、adapters/ 等目录
• 协议层：通过 AGENTS.md 注入上下文，支持 agentskills.io 兼容技能标准
• Schema 层：使用 JSON Schema 定义数据格式（activity-series、agent-event、kpi-summary 等）
• 许可证：Apache-2.0

局限性：不完美但诚实

agentic-stack 也存在一些明显的局限性：

1. 纯 CLI 工具，无 Web UI：目前没有浏览器端界面，所有操作依赖终端命令，对非技术用户不太友好。

2. 记忆质量依赖人工审核：Review Queue 机制需要 AI 主动参与经验提炼，在高强度工作流中可能被忽略。

3. 跨工具迁移有摩擦：不同工具对 AGENTS.md 的理解方式略有差异，复杂配置迁移时可能出现行为不一致。

4. 数据飞轮尚不成熟：目前只是数据准备管道，还没有实际的模型微调落地，更多是概念验证。

行业意义：AI 编程工具的"操作系统"野心

agentic-stack 的野心不仅是解决记忆共享问题，更是在探索 AI 编程工具的"操作系统"标准——如果 .agent/ 成为一个事实标准，那么整个 AI 编程生态将从"工具竞争"转向"生态互联"。

目前已有 13 个主流工具适配器、257 个 forks、4 个 open issues，社区活跃度说明开发者确实在认真使用和参与。如果未来能与 GitHub Models、Agents SDK 等基础设施打通，agentic-stack 有望成为 AI 编程生态的核心粘合层。