mex

mex 是一个开源的 AI 编程智能体（Agent）持久化记忆框架，由独立开发者 Daksh Jaitly 创建。它的核心理念是：让 AI 编程工具（Claude Code、Cursor、Windsurf、GitHub Copilot 等）能够像人类开发者一样，在不同会话之间保留项目上下文，不再每次都从零开始。

背景：AI 编程工具的「金鱼记忆」困境

当你用 Claude Code 开发一个项目时，AI 能在单个会话内保持上下文。但一旦会话结束，AI 就彻底「失忆」了——下次打开新的对话，它不再知道：项目用了哪些技术栈？之前做过哪些架构决策？哪个模块还处于半完成状态？哪些约定俗成的代码规范需要遵守？

这导致开发者面临一个尴尬的现实：每次新会话，都要花大量时间和 tokens 来「教育」AI 了解项目背景。对于大型项目，这个上下文构建过程可能消耗掉 30%~50% 的对话 tokens，效率极低。

传统的解决方案是写一份超长的 CLAUDE.md 或 .cursorrules 文件。但随着项目演进，这类文档很快就会和实际代码脱节——文档说接口改了，代码里却还是老样子。这就是所谓的「scaffold drift」问题。

mex 的出现，就是为了解决这个矛盾。它的思路是：不只是存储记忆，还要确保记忆和代码的一致性——通过自动化检测和修复，让 AI 的项目认知永远和真实代码同步。

核心功能：结构化 Scaffold + Drift 检测引擎

mex 的核心包含两个子系统：结构化记忆框架和漂移检测引擎，两者协同工作，形成一个「记忆 → 检测 → 修复」的闭环。

结构化记忆框架

mex 在项目根目录创建 .mex/ 子目录，内含一套精心设计的 Markdown 文件结构：

图1：mex 操作面板 — 清晰展示项目记忆状态和漂移评分

这套设计的精妙之处在于：AI 每次启动时只需加载一个极小的锚点文件，然后由路由表引导到真正相关的上下文文件。这与传统的「一整块 README」相比，显著降低了 token 消耗。mex 官方测试数据显示，典型任务场景下可节省约 60% 的 token。

漂移检测引擎（Drift Detection）

mex 内置 11 种漂移检测器，零 AI 调用、零 token 消耗，在本地 CLI 中直接运行：

检测结果以 100 分制评分输出：默认 100 分，每发现一个错误扣 10 分、警告扣 3 分、提示扣 1 分。

图2：mex check 命令的输出示例 — 实时展示漂移评分和各项检测结果

自动化修复：mex sync

当漂移检测发现问题，mex sync 会分析具体差异，生成精准的修复提示词，让 AI 只修改需要更新的文件，而不需要重新生成整个 scaffold。这避免了过度修复（AI 把好的内容也改坏了）和资源浪费（全量重写消耗大量 tokens）。

图3：mex sync 的修复流程 — 精准定位漂移文件，生成最小化修复提示词

图4：mex 上下文路由流程 — 从极简锚点到精准加载的上下文分片机制

图5：mex 漂移检测与同步的完整闭环 — 检测 → 评估 → 修复 → 验证

技术架构解析

mex 采用 TypeScript + Node.js 开发，核心依赖包括：

构建工具使用 tsup（基于 esbuild），测试框架使用 vitest。核心源码组织在 src/ 下，分为多个模块：cli.ts（入口）、scanner/（代码预扫描）、drift/（11 种漂移检测器）、sync/（修复引擎）、tui.ts（交互界面）、setup/（初始化逻辑）。项目支持 Nix flake，可在 NixOS 环境中一键构建。

上手体验：5 分钟建立项目记忆

安装和初始设置非常简洁，整个过程不超过 5 分钟：

# 通过 npm 安装（Node.js >= 20）
npm install -g mex-agent

# 在目标项目根目录运行初始化
mex setup

mex setup 会自动完成：检测项目状态、询问使用的 AI 工具并生成对应配置文件、运行 mex init 预扫描代码库生成结构化简介（~5-8k tokens vs AI 直接探索的 ~50k tokens）。之后每次新会话只需运行 mex check 检查漂移评分，mex sync 修复问题。

局限与争议

mex 也有其局限性：记忆质量依赖初始填充——如果初始 setup 阶段 AI 理解偏差，错误的信息会被永久记录，drift 检测器只能发现形式错误，无法发现语义错误。不支持多模态，UI 设计稿、架构图等非文本内容无法纳入记忆框架。Windows 兼容性问题：WSL 安装但原生 Windows 终端运行会导致模块找不到错误，推荐统一使用 npx mex-agent 跨平台模式。另外，npm 包名是 mex-agent，CLI 命令却是 mex，新用户有一定认知摩擦。

行业意义

mex 的出现代表了 AI 编程工具生态的一个重要演进方向：从「工具增强」到「工作流持久化」。随着 Claude Code、Cursor、Windsurf 等 AI 编程工具越来越普及，AI Agent 的记忆管理问题正在成为社区共识性痛点。mex 上线 3 个月内获得 799 stars，保持活跃更新（最近 push 在 2026-06-14），还支持 Agent Memory 模式（mex setup --mode agent-memory），专门针对运维环境而非代码仓库的场景。

其设计理念——结构化上下文路由（ROUTER.md）、append-only 事件日志（decisions.jsonl）、多工具配置文件同步（tool-config-sync 检测器）——对其他 AI Agent 项目也有借鉴意义。

总结

mex 不是什么花哨的 AI 模型或炫酷的 Web 应用，它解决的是一个极其具体但普遍的问题：AI 编程工具的上下文记忆管理。通过结构化 scaffold + 自动化漂移检测 + 精准修复引擎，它让 AI 对项目的认知能够跨越会话、持续演进、始终与代码保持同步。对于个人开发者，mex 能显著减少每次新会话的背景教育开销；对于团队，配置文件同步机制可以减少不同 AI 工具之间的认知偏差。