Cortex Hub：让每个 AI 编程助手都拥有持久记忆

一个困扰所有开发团队的难题

换了一台新电脑，Claude Code 从零开始；切到 Cursor，之前的上下文全部丢失；团队里有人踩过的坑，换一个人又踩一遍。这些问题在 2025 年的 AI 编程时代依然普遍存在——AI 编程工具本质上是孤岛。

Cortex Hub 试图解决这个问题。它是一个自托管的后端平台，通过 MCP（Model Context Protocol）端点，为团队中的所有 AI 编程工具提供统一的持久记忆、共享知识库和跨项目代码智能。

从一次真实对话说起

你（新电脑，刚克隆项目）："/install" — 一条命令完成 MCP 配置 你："/cs" — 启动会话

Cortex： "上次会话在处理 JWT 轮换策略，团队决定使用 RS256 + 90天过期（由 Dev B 在 3月15日记录）。关联：payment 服务也使用相同模式——见知识文档 kdoc-4a2b。"

你什么都没带。Cortex 记住了所有。

---

项目背景与技术起源

Cortex Hub 由开发者 lktiep 构建，采用 MIT 许可证，目前 58 Stars、17 Forks，TypeScript 主语言。它并非简单的 Prompt 模板，而是一套完整的多服务架构：

服务	技术选型	职责
Cortex API	Hono + Next.js 15	记忆/知识 API + Web Dashboard
Hub MCP	TypeScript	MCP 协议端点，连接各类 AI 工具
GitNexus	Node.js + AST	代码智能：符号搜索、影响分析、AST 图
CLIProxy	Go	LLM 网关，支持多 provider 自动切换
Qdrant	Rust	向量数据库，负责语义检索

核心依赖：pnpm + Turborepo monorepo，SQLite 持久化，Qdrant 向量检索。

---

核心功能拆解

🧠 三层记忆系统

Cortex Hub 的记忆体系分为三个层次：

Memory（个人记忆）：跨会话持久化，按分支/项目隔离，支持语义去重。每次 /cs 启动时自动恢复上下文，让 AI 助手"记得上次聊到哪了"。

Knowledge Base（团队知识）：结构化的团队级知识库，支持 6 种 Hall 类型——fact（事实）、event（事件）、discovery（发现）、preference（偏好）、advice（建议）、general（通用）。最有意思的是时间有效性：每条知识可设置 valid_from 和 invalidated_at，支持查询"某年某月的正确结论是什么"。被更新的结论会形成超链接_chain_，历史可追溯。

Recipe System（自动学习）：灵感来自 HKUDS/OpenSpace，Cortex 在 task.complete 和 session_end 时自动捕获工作流，经 LLM 提取后成为可复用的 Recipe。Recipe 有选择率/应用率/完成率等质量指标，自动淘汰 fallback 率 > 40% 的低质量 Recipe。

🔍 代码智能（GitNexus）

传统的 grep 只能搜文本。GitNexus 基于 AST 图结构提供真正的代码感知搜索：

• cortex_code_search：Omit repo 参数时自动扫描所有已索引项目，并行搜索 + 符号搜索，返回排序结果
• cortex_code_context：查看函数/类的调用者、被调用者、执行流
• cortex_code_impact：编辑前查看影响半径
• cortex_detect_changes：分析未提交变更的风险级别

GitNexus 在 LongMemEval（500 题、6 类别）上 R@5 达到 96.0%，与 MemPalace（96.6%）几乎持平，且完全免费离线——MemPalace 需要 OpenAI API Key 做 Embedding，Cortex Hub 用 Xenova/all-MiniLM-L6-v2 在进程内本地计算，10ms/条，无需网络。

🍳 MCP 端点：统一接入

只需配置一个 MCP 端点，即可让 Claude Code、Cursor、Codex、Gemini 等所有工具共享同一套记忆和知识。目前通过 /cs 命令初始化，编辑行为在完成知识召回前被锁定。

🛡️ 质量门禁

每次会话结束时，Cortex 对代码质量打 4 维度分（Build 25% + Regression 25% + Standards 25% + Traceability 25%），并对 Plan 质量做 8 准则评估。合规性评分 A/B/C/D，涵盖发现、安全、学习、贡献、生命周期 5 个类别。Git commit 前会触发质量门禁。

---

快速上手

方式一：Docker 一键部署（推荐）

# 克隆并进入目录
git clone https://github.com/lktiep/cortex-hub.git
cd cortex-hub

# 生成 .env
cp .env.example .env
# 编辑 .env，填入 MANAGEMENT_PASSWORD

# 一键启动完整栈
cd infra && docker compose up -d

# 验证服务
curl http://localhost:8317/v1/models
# 访问 Dashboard: http://localhost:3000

方式二：install.sh 交互式安装

bash install.sh
# 选择角色：1=管理员（完整安装），2=成员（仅连接现有 Hub）

方式三：开发者本地开发

pnpm install
pnpm build --filter='@cortex/shared-*'
cd infra && docker compose up -d qdrant llm-proxy
cd apps/dashboard-api && pnpm dev

硬件需求方面，单服务模式最低 2核CPU+4GB内存；完整栈推荐 4核CPU+8GB内存，其中 GitNexus 单独占用 4GB。

---

局限性与挑战

Cortex Hub 野心很大，但落地仍有门槛：

Node.js ≥22 + pnpm ≥10：团队技术栈要求较高，非 Node 团队上手有阻力。

记忆质量依赖使用习惯：如果开发者不主动调用 cortex_knowledge_store，知识库会长期空置。这不是技术问题，是团队协作习惯问题。

MCP 生态锁定：目前主要针对 Claude Code、Cursor 等已支持 MCP 的工具，对 VS Code Copilot 等不支持 MCP 的工具无效。

自托管运维成本：虽然官方说 $5/月的 VPS 足够，但 GitNexus 的 4GB 内存需求意味着实际至少需要 8GB 实例，成本在 $10-20/月。

Recipe 自动提取尚未成熟：基于 LLM 自动从执行日志中提取 Recipe 的思路很好，但误提取风险和 LLM 调用的额外成本需要权衡。

---

行业意义

Cortex Hub 代表着 AI 编程工具从"单点对话"向"协作智能体"演进的趋势。当 AI 编程助手开始具备跨项目记忆、团队知识共享和代码影响分析能力时，它就不再只是个人效率工具，而成为团队知识沉淀的载体。

96% 的检索准确率、零 API 成本、本地运行的向量嵌入——这让它在隐私敏感或网络受限的环境（如企业内部）中具有独特价值。随着 MCP 协议生态的扩大，这类工具的适用范围还将持续扩展。