你的 AI 每次对话都会"失忆"——三个开源项目正在修这个根本缺陷

你花了三个小时，跟 AI 编程助手一起理清了整个项目的架构，调好了那个卡了一周的 bug。

第二天打开新会话。

“你好，我是 Claude，有什么可以帮你的？”

所有上下文，全没了。

AI 的最大问题从来不是它不够聪明，而是它不记得你是谁。

这不是小毛病，这是根本性缺陷

现在所有的 AI 助手，包括 ChatGPT、Claude、Gemini，都有一个共同的设计：无状态。

每次对话，都是一个全新的开始。它不知道你上次说了什么，不知道你的项目叫什么，不知道你踩过哪些坑，不知道你更喜欢用 TypeScript 还是 Python。

你每次都得重新介绍自己。

对于写几段话、查个资料来说，这不是问题。

但对于真正的长期工作——一个持续几周的开发项目、一个需要不断迭代的 RAG 系统、一个要学习你工作方式的 AI Agent——无状态是致命的。

今天，GitHub 上同时有三个项目在解决这个问题，而且解法各有不同。

第一个：Recall — 最简单的记忆方案，零 token 开销

HN 上今天出现了一个帖子，标题是：

“Show HN: Recall — fully-local project memory for Claude Code”

57 赞，45 条评论，开发者们炸锅了。

原因很简单：Recall 解决了一个所有用 Claude Code 的人都遇到过的问题——每次新会话，都要重新解释"我们上次做到哪了"。

Recall 的做法：

  • 每次会话结束后，自动把你们聊了什么、改了哪些文件、跑了什么命令，用 TF-IDF + TextRank（一种经典的文本提取算法）压缩成一个约 1-2K token 的 context.md
  • 下次打开 Claude Code，自动加载这份摘要作为起点
  • 全程本地运行，不调任何 API，不上传任何内容

最让人眼前一亮的细节：这个"记忆"的产生，不花你一分钱 token。它用的是本地算法，不是让 LLM 来总结。

对比一下现在你有的选项：

  • CLAUDE.md：你手写的规则，每次手动维护
  • –continue：重载整个对话历史，token 消耗大
  • Recall：自动生成、自动压缩、零成本加载

1-2K token 的压缩摘要，vs 重新解释一遍项目的几千 token——省下来的不只是钱，是效率。

第二个：Cognee — 给 AI Agent 一个会"思考"的长期大脑

如果说 Recall 是给 Claude Code 装了个短期记事本，Cognee 想做的是另一个量级的事情：

给 AI Agent 造一个可以跨会话、跨 Agent、持续进化的知识大脑。

Cognee 的核心不是简单存储对话记录，而是把你喂进去的所有内容——文档、代码、对话——构建成一个知识图谱。

知识图谱的优势在于：它不只记"这件事说过"，它记"这件事和那件事之间的关系"。

比如你的 AI 助手知道：

  • “用户的项目叫 Project X”
  • “Project X 用 PostgreSQL 作为主数据库”
  • “用户在 2026-06-01 修了一个 PostgreSQL 连接池的 bug”
  • 所以当用户问"上次数据库的问题解决了吗？" — AI 知道去哪里查，而不是一脸茫然

Cognee 的 API 设计很直觉：remember、recall、forget、improve，四个动词，就是人类记忆的基本操作。

1
2

await cognee.remember("用户更喜欢用 TypeScript")
results = await cognee.recall("用户的技术偏好是什么？")

更重要的是：多个 AI Agent 可以共享同一个 Cognee 知识库。一个 Agent 学到的东西，另一个 Agent 可以直接用。这是从"单个助手"到"协作团队"的关键跳跃。

第三个：codebase-memory-mcp — 把整个代码库压进 AI 的记忆

第三个项目解决了一个更具体的问题：

AI 不知道你的代码库长什么样。

codebase-memory-mcp 是一个 MCP 服务，它把整个代码仓库索引成一个持久化知识图谱，支持 158 种编程语言，查询延迟在毫秒级以下，官方数据显示可以节省 99% 的 token。

听起来和 Cognee 有点像？区别在于专注点：

  • Cognee 是通用型 AI 记忆平台，可以处理任何内容
  • codebase-memory-mcp 专注于代码，深度理解代码结构、函数调用、依赖关系

当你问 AI “AuthService 的 authenticate 方法被哪些地方调用了？"——这个问题在没有记忆的情况下，要把整个代码库塞进上下文才能回答，烧掉大量 token。

codebase-memory-mcp 把这个问题变成了一次亚毫秒级的图查询。

三条路，指向同一个终点

有趣的是，这三个项目背后有一个共同的判断：

AI 真正变得有用，需要记忆。

但它们对"记忆"的实现方式各不相同——

项目记忆类型适用场景隐私模型
Recall会话摘要Claude Code 用户全本地，零上传
Cognee知识图谱多 Agent、企业级自托管
codebase-memory-mcp代码结构图代码库理解本地运行

它们不是竞争关系，而是可以叠加的。

AI 的下一个战场：记忆基础设施

模型能力的提升已经接近边际收益递减——GPT-5 和 GPT-5.5 在日常任务上的差距，普通用户几乎感知不到。

但记忆能力的差距，每个用户每天都在感知。

每次重新介绍项目，每次重新解释上下文，每次看着 AI 自信地不知道"上次你们谈过的那件事”——这不是模型能力的问题，是基础设施的问题。

Recall 解决了它，Cognee 在解决它，codebase-memory-mcp 在解决它。

三个开源项目，一个相同的判断：AI 缺的不是更聪明，是记住你。

这三个项目今天都可以免费使用。 如果你在用 Claude Code、搭 AI Agent、或者自建 RAG 系统——值得今天就看一眼。

作者：Max | Sky 科技内容

字数：约 1500 字