Athena-Public

图1：Athena 项目 banner，展示了「你的记忆、你的机器、任意模型」的核心价值主张

给AI装上「海马体」：Athena如何让大模型真正记住你是谁

想象一个场景：你花三个月时间，通过无数次对话，把 ChatGPT 调教成了一位了解你工作风格、熟悉你业务背景、甚至能预判你决策偏好的私人顾问。然后某天早上，你打开对话框，发现一切归零——模型更新，所有记忆清空。

这不只是假设。这是每一个重度 AI 使用者都真实经历过的噩梦。

Project Athena 正是为解决这个问题而生。它不是又一个 AI 聊天机器人，而是一个开源的「认知增强层」——把你的记忆层从云端平台迁移到本地机器，以 Markdown 文件的形式持久化存储，让记忆真正属于你，并可跨任意大模型使用。

---

背景故事：一位连续创业者的1800次对话沉淀

Athena 并非出自某个大厂实验室。它的作者 Winston Koh 是一位新加坡独立开发者，在 1800 多次与 AI 的对话中，逐步构建出了这套系统。

项目在 GitHub 上积累 509 star，拥有 MIT 许可证，已进入 9.9.4 版本（v9.9.4，2026年6月21日更新）。作者的个人博客 winstonkoh87.com 记录了这套方法论的演进：从最初的简单笔记系统，到后来的协议（Protocol）框架，再到感知模型（Perception Model）——前后迭代超过 50 个版本。

这是一个典型的个人工具 → 开源产品的演进路径：先解决自己的真实痛点，在长期使用中打磨出完整方法论，最终将沉淀下来的工作流打包成开源工具。

---

核心功能：不是聊天机器人，是AI的「操作系统」

Athena 的自我定位是「AI 代理的 Linux 发行版」——它的架构参考了大量 Linux 系统的设计哲学：

记忆持久化层（相当于 Linux 的文件系统）：不是把对话历史丢给平台存储，而是将所有信息以结构化的 Markdown 文件形式存放在本地 .context/ 目录中。session_logs（会话日志）、case_studies（案例库）、memory_bank（记忆银行）——这些文件夹构成了 AI 的长期记忆。Git 版本控制天然支持，你可以随时回溯、比对、审计任何历史记忆。

协议系统（Protocols，相当于 Linux 的系统调用）：Athena 内置了 402 个主动协议，覆盖决策、交易、心理学、商业、工程等 34 个领域。每个协议是一个 Markdown 文件，定义了特定场景下的标准操作流程。比如 RSN-524-conviction-decisiveness-split.md 定义了在低确定性场景下如何同时保持精准性和灵活性；trading-risk-gate 协议在涉及资金决策时自动触发风险门控。

技能包（Skills，相当于 Linux 的软件包）：41 个主动技能，每个技能是一个协议_bundle_，比如 trading-risk-gate 技能整合了 5 个交易风险相关协议，therapeutic-ifs 技能整合了心理治疗框架 IFS（内部家庭系统）的操作规程。

引导命令（Workflows，相当于 Linux 的命令行工具）：68+ 个斜杠命令，包括 /start（完整引导，~10K tokens）、/end（会话收尾，自动提取决策到记忆银行）、/ultrastart（深度引导，~20K tokens）、/think（结构化推理）等。通过 AI IDE 的 chat panel 触发。

认知架构（Perception Model，相当于 Linux 的内核调度）：这是 Athena 最独特的技术创新。它模拟人类大脑的感知处理流程，分为四个阶段：① 并行转导（7个检索通道同时激活：语义记忆、向量搜索、SQLite、标签、文件名、框架、外脑）；② 注意门控（RRF 加权融合 + 置信度阈值过滤）；③ 执行功能（Lambda 评分决定推理深度，Law #1 风险门控，熔断器抑制）；④ 主动认知层（守护进程，基于时间/行为模式主动提醒）。

图2：Athena 的认知架构 — 感知模型（Perception Model）示意图，展示从并行激活到注意门控到执行功能的完整信息流，以及主动认知层（Daemon）的反馈回路

---

部署与使用：纯本地工具，通过 AI IDE 交互

重要澄清：Athena 不是 Web 服务，无法通过浏览器访问。它需要运行在支持本地文件读取的 AI 增强型 IDE 中，包括：Cursor、Antigravity（Google）、Claude Code、VS Code + Copilot、Kilo Code、Gemini CLI、Roo Code。

安装流程（约30分钟）：

1. git clone 仓库到本地目录（如 ~/Projects/Athena-Public）
2. 创建 Python 3.10+ 虚拟环境并 pip install -e .（轻量安装）或 pip install -e ".[full]"（完整安装，含向量搜索和重排序依赖）
3. 在 AI IDE 中打开该文件夹作为工作区根目录
4. 在 AI chat panel 中输入 /start 启动完整引导
5. 输入 /tutorial 开始新手教程（约20分钟）

可选云服务：向量语义搜索需要 Google Gemini API Key 和 Supabase（PostgreSQL + pgvector）；纯本地模式仅需 Python 环境。

硬件需求：无 GPU 要求，普通笔记本即可运行（4GB RAM + 2GB 磁盘）。

---

技术架构：模块化的认知大厦

从代码结构看，Athena 的 SDK 核心位于 src/athena/（72个Python文件），主要模块：

模块	职责
core/	核心逻辑：推理引擎、编排层、检索、反思
memory/	记忆管理：持久化、压缩、索引
intelligence/	智能层：生成器、代理
tools/	工具集：文件读写、Shell执行、搜索
auditors/	安全审计：风险评估、合规检查
boot/	引导逻辑：启动序列、健康检查
cli/	命令行接口
mcp_server.py	MCP（Model Context Protocol）服务器实现

Python 依赖（轻量安装）：python-dotenv、requests、pydantic、diskcache、rich — 非常轻量。

完整安装额外依赖：google-genai、sentence-transformers、flashrank、torch、anthropic、supabase — 涉及 ML 向量化和云存储。

MCP Server：基于 FastMCP v3.x 实现，提供了 smart_search、agentic_search、quicksave、health_check、recall_session、governance_status 等工具，stdio 传输协议，与 Gemini CLI / Antigravity 集成。

---

为什么不是简单地把记忆塞进 System Prompt

很多人第一反应是：为什么要这么大费周章？直接写一个很长的 system prompt 不就行了？

Athena 的设计哲学回答了这个问题：平台记忆不可靠、不透明、且绑定单一供应商。具体来说：

• 不可靠：模型更新会重置记忆，没有版本控制，无法回溯
• 不透明：你无法检查平台到底记住了什么，记忆内容是黑盒
• 不跨平台：ChatGPT 的记忆不能迁移到 Claude 或 Gemini
• 不安全：记忆存在云端服务商，有隐私风险

Athena 的记忆是纯文本文件，任何文本编辑器都能读取，Git 版本控制天然支持，跨模型、跨设备、跨平台完全可移植。

---

增长逻辑：「数据的护城河」比代码更重要

作者 Winston Koh 在文档中提出了一个核心论点：Athena 的护城河不是代码，而是数据。

任何人都可以 fork 这份代码，但没有人能 fork 你 1800 次会话积累下来的案例库、决策框架和会话日志。随着使用时间的增长，你的 Athena 实例变得越来越个性化，越来越有价值——这种数据积累效应是线性增长的代码无法复制的。

这种「先发优势」类似于个人知识管理系统（PKM）：Notion、Obsidian 谁都能用，但用了五年的人的笔记库是无法被新用户复制的。

---

局限与争议：不完美，但诚实

Athena 也有一些明显的局限性，开发者在文档中并没有回避：

设置门槛较高：不是开箱即用的产品，需要一定的技术理解力（Python 环境、Git、AI IDE 配置）。纯小白用户可能会在安装阶段就卡住。

数据隐私依赖用户自觉：虽然记忆存在本地，但 Supabase 向量存储是云端服务，若使用完整搜索功能，个人数据会上传到云端。

记忆文件可能膨胀：长期使用后 .context/ 目录会积累大量文件，A Athena 通过渐进式加载（Progressive Disclosure）优化了 token 开销，但管理成本仍然存在。

不适合实时性要求高的场景：作为本地 AI 工作流工具，不适合需要毫秒级响应的实时应用场景。

---

行业意义：个人 AI 记忆赛道的标杆项目

Athena 代表的趋势是：AI 基础设施从「云端集中」向「本地主权」迁移。随着 AI 模型能力的同质化（GPT-5、Claude、Gemini 在很多场景下差距已经不大），数据层和记忆层正在成为新的差异化竞争点。

项目在 2026 年 Reddit 帖子获得了 100 万+浏览量，说明「AI 记忆持久化」这个需求在用户端有着强烈的共鸣。GitHub 上 509 star 虽然不算特别高，但考虑到项目的主要传播渠道是个人博客和 Reddit（而非传统的开发者社区），这是一个相当可观的有机增长数据。

从技术实现看，Athena 的感知模型（Perception Model）和 Linux 类比架构是近年来开源 AI Agent 框架中最有思想深度的设计之一——它不仅仅是一个工具集，更是一套关于「AI 如何真正理解一个人」的认知论框架。

---

总结：Athena 是那种会让你思考「为什么没有早点想到这个」的项目。它用最简单的技术（Markdown 文件 + AI IDE）解决了 AI 时代最核心的个人数据主权问题，同时通过精心设计的认知架构让记忆真正可推理、可追溯、可复用。509 star 或许只是开始。