cortexdb

项目概述

想象这样一个场景：你和 AI 助手 Claude Code 聊了三天的项目需求，中间涉及了大量设计决策和技术选型的讨论。当你第二天回来继续对话时，Claude 完全不记得你们昨天讨论了什么——背景信息全丢了。这就是当前 AI Agent 最大的痛点：没有持久记忆。

CortexDB 正是为了解决这个问题而生。它是一个完全嵌入式的 AI 记忆与知识图谱引擎，所有数据存储在一个 SQLite 文件中，用纯 Go 实现，不依赖任何外部服务。这意味着你可以在本地项目里直接集成，而不需要额外部署一套数据库集群。

但 CortexDB 的野心不止于此。它同时融合了两大能力：向量检索（Vector Search）和知识图谱（Knowledge Graph）。传统的向量数据库擅长语义相似性搜索，但丢失了实体之间的关系；传统的 RDF 图数据库有丰富的语义表达，却缺乏语义搜索能力。CortexDB 独辟蹊径，将两者合二为一——你既可以用自然语言查询"Alice 之前对这个问题是怎么考虑的"，也可以用 SPARQL 语法做精确的结构化查询。

项目背景与核心特性

CortexDB 由 GitHub 用户 liliang-cn 开发，Star 数 374，采用 MIT 许可证，支持 Go、Python、Node.js、Rust 多语言客户端。项目还针对主流 AI 开发工具提供了深度集成：

• Claude Code / Codex 插件：通过 /plugin install cortexdb@cortexdb 一键安装，为 AI 助手注入记忆能力
• Obsidian 插件：将个人笔记应用变为 AI 知识库，支持双向同步
• DeepSeek Harness 插件：集成到 DeepSeek 的 Agent 开发平台
• 共享大脑服务端：通过 cortexdb-grpc 启动 RPC 服务，多台机器或多个 Agent 可以共享同一份记忆图谱

技术架构解析

从 Go 模块依赖来看，CortexDB 的核心技术栈清晰：

架构上，CortexDB 围绕 KnowledgeMemory 核心 API 展开，提供三个主要操作：Remember（存入记忆）、Recall（检索记忆）和 GraphQuery（图查询）。数据模型层面，每个记忆节点包含内容文本、实体抽取结果和 RDF 三元组，支持 RDF/SPARQL 标准查询。

项目结构组织清晰：

• pkg/：核心业务逻辑包
• internal/：内部实现
• cmd/：命令行工具（cortexdb-grpc 服务端）
• clients/：多语言客户端库
• plugins/：各平台插件实现
• examples/：18 个场景示例，从 RAG、图谱查询到 MCP 工具集成，覆盖全面

部署体验

CortexDB 的部署是本次分析最令人惊喜的部分。项目提供了多阶段 Dockerfile 和完整的 docker-compose.yml，一行命令即可启动带 token 认证的 gRPC 服务：

cp deploy/docker/.env.example deploy/docker/.env
docker compose -f deploy/docker/docker-compose.yml up -d
docker compose -f deploy/docker/.env exec cortexdb cortexdb-grpc -health

Dockerfile 使用 Alpine 基础镜像，通过 CGO_ENABLED=0 静态编译，镜像体积控制得当。docker-compose 支持配置 gRPC 端口、认证 token、可选 embedding 模型（支持对接 Ollama），并通过 host.docker.internal 让容器内的 embedding 请求能访问宿主机上的 Ollama 服务。健康检查通过 cortexdb-grpc -health 内置命令实现。

如果不使用 Docker，Go 开发者可以直接 go get github.com/liliang-cn/cortexdb/v2，在代码里一行初始化：db, _ := cortexdb.Open(cortexdb.DefaultConfig("brain.db"))。整个过程零配置，零外部依赖。

使用场景与上手门槛

适合的场景：

• 个人开发者为 AI 助手建立项目记忆，避免重复解释上下文
• 团队协作时多个 AI Agent 共享知识图谱（通过 cortexdb-grpc）
• 将 Obsidian 笔记库升级为可被 AI 理解的语义知识库
• 构建具备长期记忆能力的 RAG 系统

需要注意的限制：

• 没有 embedding 模型时，只能使用词法模式（lexical mode），语义搜索能力受限
• MCP 协议集成需要 AI 工具本身支持 MCP 扩展（如 Claude Code）
• 知识图谱的 RDF 数据模型对不熟悉 SPARQL 的用户有一定学习成本

行业意义

在大模型 Agent 迅速普及的当下，记忆能力缺失已经成为制约 AI 实际生产力的核心瓶颈。CortexDB 选择了一条务实的技术路线——在基础设施层面为 AI 提供可靠的外部记忆系统。

它不试图让大模型自己记住一切，而是提供一个可插拔的、跨平台的记忆层。这种"记忆即服务"的思路，与 MCP 协议的标准化趋势相呼应：未来可以无缝对接任何遵循 MCP 的 AI 应用，而不仅限于 Claude Code。

对于有长期 AI 助手使用需求的开发者来说，CortexDB 是目前同类项目中集成最轻量、功能最完整的解决方案之一。