openDB：AI Agent 的本地记忆宫殿

场景切入：那个重复了第17次的"架构决定"

想象这样一个场景：一位 AI 开发者与 AI 助手合作开发项目，已经进行了 17 轮对话。助手突然"失忆"——它不记得第 3 轮时你们决定用 CreateInvoice 类替代 InvoiceFactory，不记得 API 端口改成了 :9090，不记得那个中间件位置在 pkg/gateway/middleware/auth.go。开发者不得不重新解释一遍又一遍。

这正是当前 AI Agent 普遍面临的长期记忆困境。Mem0、Zep、Letta 等记忆方案依赖向量数据库和 Embedding API，不仅引入额外依赖，还存在"幻觉"风险——Agent 可能检索到看似相关但实际不存在的事实。

openDB 的解题思路截然不同：用 SQLite FTS5 全文本检索替代向量搜索，记忆数据完全存储在本地，无任何外部 API 调用。这让它成为了一个"零成本、零依赖"的 Agent 记忆基础设施。

项目背景：本地优先的 AI Native 数据库

openDB 由独立开发者 wuwangzhang1216 于 2026 年 3 月创建，定位为"AI Native 本地数据库"。项目名称中的"DB"既指 Database，也隐含 DataBank（知识银行）的双关含义。

作者在 CodeMemEval 基准测试中专门设计了针对编码 Agent 记忆的评测维度，填补了现有 LongMemEval 等通用记忆评测框架忽视"代码知识"（架构决策、API 签名、Bug 修复路径）的空白。项目自发布以来保持活跃更新，截至分析时已发布 12 个版本。

核心功能：从文件索引到 MCP 工具集

openDB 的能力可以概括为三个层次：

第一层：任意文件读取。 支持 PDF、Word、Excel、PPT、图片 OCR（支持中英文），通过统一抽象层让 Agent 能访问工作区的所有内容。解析后的文本自动建立 FTS5 全文索引。

第二层：持久化记忆存储。 Agent 可以将对话中形成的知识（如"这个项目用 FastAPI 而非 Flask"）写入 openDB，后续对话自动检索。不依赖任何外部 Embedding 服务，检索延迟仅 0.8ms。

第三层：MCP 协议集成。 项目提供完整的 MCP Server 实现，注册为 Agent 的标准工具。目前已支持 Claude、OpenAI、LangChain、CrewAI、AutoGen、Google ADK、Mastra 等主流 Agent 框架。

部署体验：3 行命令搞定

pip install open-db[cli]
opendb index ./my_workspace
opendb serve-mcp

安装完成后，Agent 立即获得 12 个 MCP 工具，包括文件读取、跨文件搜索、记忆存取、工作区切换等。Docker Compose 部署则只需 docker compose up，包含 PostgreSQL 后端和 FastAPI 服务。

Dockerfile 基于 python:3.12-slim，预装了 tesseract-ocr 及中日韩语言包。OCR 识别的中文准确率在标准 PDF 测试集上表现良好，但对于扫描版繁体文档仍有一定误差。

性能与局限：不是银弹，但切中要害

openDB 在 LongMemEval（ICLR 2025）基准上取得了 93.6% E2E 准确率，与依赖向量数据库的 OMEGA（95.4%）和 Mastra（94.9%）相比差距不大，但完全不需要 Embedding API——这对于数据隐私敏感或网络受限的场景意义重大。

更值得注意的是 CodeMemEval 的结果：架构决策类事实准确率 100%，API 签名检索 100%，零幻觉（从不虚构记忆）。这说明 FTS5 的精确匹配特性在代码领域恰好优于向量相似度——代码中的标识符（CreateInvoice、:9090）是精确的，不需要模糊匹配。

局限也很明显：FTS5 擅长精确匹配，但无法处理语义相似性查询（如"查找与登录相关的代码"）。对于非代码类知识（如项目背景、产品决策），向量检索仍有优势。此外，当前版本不支持多租户/权限隔离，所有记忆对所有 Agent 可见。

行业意义：让 Agent 拥有"硬盘"

openDB 的出现反映了一个重要趋势：AI Agent 的记忆基础设施正从云端向量库向本地 SQLite 迁移。随着 Claude Code、Cursor Agent 等产品级 Agent 工具的普及，如何让 Agent 跨会话保留知识成为刚需，而本地 SQLite 方案在隐私、成本和部署复杂度上都优于云端服务。

对于开源社区而言，openDB 提供了一个可复现的基准测试框架（CodeMemEval），这对整个 Agent Memory 研究方向都有参考价值。