1. 项目概述：为你的AI助手打造一个永不遗忘的本地记忆库
如果你和我一样，每天都要和Claude、Cursor或者Codex这类AI助手打交道，那你肯定也遇到过这个让人头疼的问题：每次对话结束，一切归零。昨天刚跟AI详细讨论过的项目架构细节，今天再问它，它一脸茫然，仿佛从未听过。这种“金鱼记忆”不仅浪费时间，更严重的是，它阻碍了AI真正成为你的长期思考伙伴。我们需要的不是一个每次都要从头教起的实习生，而是一个能记住我们所有工作脉络、决策逻辑和知识积累的资深搭档。
这正是local-memory-mcp要解决的核心痛点。它是一个基于Model Context Protocol (MCP)的本地记忆服务器，简单来说，就是给你的AI助手装上一个本地、私密、永久的大脑。所有你与AI的对话精华——学到的模式、犯过的错误、重要的决策、接触过的人和项目——都会被结构化地存储在你电脑上的一个SQLite数据库文件里。下次对话开始时，AI会自动加载这些记忆，真正做到“接着上次聊”。最棒的是，这一切完全在本地运行，无需网络，无需API密钥，你的数据100%属于你，永不离开你的设备。
我花了近两周时间深度使用和测试这个工具，从简单的代码片段记忆到复杂项目的知识图谱构建。它彻底改变了我与AI协作的工作流。现在，我的Claude能记住我偏爱哪种代码风格、某个特定API的调用陷阱、甚至是我团队成员的职责分工。这篇文章，我将从一个一线开发者的视角，为你彻底拆解local-memory-mcp，分享从零部署到高阶实战的全部细节，以及那些官方文档里没写的“踩坑”心得。
2. 核心设计思路：为什么是SQLite + 知识图谱？
在深入实操之前，理解local-memory-mcp背后的设计哲学至关重要。这能帮你更好地判断它是否适合你的场景，以及如何最大化利用其能力。市面上的AI记忆方案不少，有纯向量数据库的，有依赖云服务的，但这个项目选择了看似“复古”实则精妙的技术组合。
2.1 坚定不移的“本地优先”原则
项目的首要设计原则是隐私与可控。你的工作记忆可能包含未公开的项目构思、敏感的代码逻辑或私人联系信息。local-memory-mcp将数据存储在一个单一的SQLite文件中，路径通常位于你的用户应用数据目录（如macOS的~/Library/Application Support/）。这意味着：
- 零数据泄露风险：没有网络请求，没有远程服务器，物理上隔绝了数据外流。
- 完全的数据主权：你可以用任何SQLite浏览器（如DB Browser for SQLite）直接打开、查看、修改甚至删除这个数据库文件。备份就是复制一个文件，迁移就是移动一个文件。
- 离线可用：无论是否有网，你的记忆库都能正常工作，这对于在飞机上、咖啡馆或网络环境不稳定的场景下工作至关重要。
实操心得：我习惯将我的
memory.sqlite文件放入一个使用Cryptomator加密的云同步文件夹（如Dropbox）中进行备份。这样既享受了云同步的便利，又通过客户端加密确保了即使云端被攻破，数据也无法被读取。你只需要记住加密密码，数据安全完全自己掌控。
2.2 SQLite：被低估的“瑞士军刀”
为什么选择SQLite而不是更“时髦”的专有数据库？这是项目最明智的选择之一。
- 极致轻量与零运维：SQLite是一个进程内的库，无需安装、配置或管理一个独立的数据库服务。
local-memory-mcp通过npx一键启动，背后就是SQLite在默默工作。这对于追求开箱即用的开发者体验来说是无价的。 - 强大的全文搜索（FTS5）：项目利用SQLite的FTS5扩展模块实现了全文检索，并采用BM25算法进行相关性排序。当你搜索“如何优化React渲染性能”时，它能快速找到所有包含“优化”、“React”、“渲染”、“性能”这些关键词的记忆，并按相关性高低返回。这种基于关键词的搜索，对于代码片段、错误信息和具体技术术语的查找，往往比语义搜索更直接、更准确。
- 内置的重复检测机制：这是我最欣赏的功能之一。通过FTS5的相似性检测，当你试图让AI记录一个与已有记忆高度相似的内容时，系统不会创建一条冗余记录，而是增加已有记录的“使用计数”。这保证了记忆库的简洁和高质量，避免了信息泛滥。
- WAL模式支持并发：SQLite的Write-Ahead Logging模式允许安全的读写并发。虽然MCP服务器通常是单用户，但这个设计为未来可能的轻度多线程访问提供了基础。
2.3 超越扁平文本：知识图谱的力量
大多数记忆工具只是简单存储文本片段。local-memory-mcp引入了实体（Entities）和关系（Relations）的概念，构建了一个真正的知识图谱。
- 实体：可以是人（“同事张三”）、项目（“电商后端重构”）、工具（“Docker”）、概念（“微服务架构”）等任何你定义的事物。
- 观察（Observations）：附着在实体上的事实。例如，为“同事张三”这个实体，你可以记录“擅长前端性能优化”、“正在负责用户认证模块”。
- 关系：定义实体之间的连接。例如，建立“同事张三”works_on“电商后端重构”项目的关系。
这种结构化的存储方式，让AI不仅能“回忆”起一段文本，更能进行“推理”。当你问“谁熟悉用户认证模块？”时，AI可以通过遍历知识图谱，找到与“用户认证模块”相关的“电商后端重构”项目，再找到与该项目有works_on关系的“同事张三”，最终给出精准答案。这模拟了人类联想记忆的方式，价值远超简单的文本匹配。
3. 环境准备与快速启动指南
理论说再多，不如动手跑起来。local-memory-mcp的安装和配置简单到令人发指，这也是它的一大优势。下面我将分平台、分AI客户端详细说明，并补充一些确保稳定运行的细节。
3.1 基础环境检查
首先，确保你的系统已经安装了Node.js (版本16或以上)和npm。这是运行npx命令的前提。
# 检查Node.js和npm版本 node --version npm --version如果未安装，请前往 Node.js官网 下载安装LTS版本。通常安装Node.js时会自带npm。
3.2 为你的AI客户端配置MCP服务器
MCP就像一个插件协议，允许AI助手（如Claude）与外部工具（如记忆服务器）通信。你需要在你使用的AI客户端配置文件中，告诉它去哪里找这个记忆服务器。
1. 配置 Claude Desktop (推荐大多数用户)
Claude Desktop是Anthropic官方的桌面应用，配置一次，全局生效。
- 打开Claude Desktop应用。
- 点击左下角的你的头像，进入Settings(设置)。
- 在左侧菜单中找到Developer(开发者) 选项。
- 点击Edit Config(编辑配置) 按钮。这会打开一个名为
claude_desktop_config.json的JSON文件。 - 在文件中添加
local-memory-mcp的服务器配置。如果你的文件是空的或没有mcpServers部分，就全部写入。如果已有其他配置，请将memory部分合并到mcpServers对象中。
{ "mcpServers": { "memory": { "command": "npx", "args": ["-y", "@studiomeyer/local-memory-mcp"] } } }- 保存文件并完全重启 Claude Desktop 应用。重启是必须的，配置更改不会热加载。
注意事项：
npx -y中的-y参数表示自动确认所有提示，这对于无缝运行是必要的。第一次运行时，npx会从网络下载@studiomeyer/local-memory-mcp包，这可能需要几秒钟到一分钟，取决于你的网络。后续启动就很快了。
2. 配置 Cursor / VS Code
如果你主要在Cursor或VS Code这类编辑器中使用AI，可以进行项目级或全局配置。
- 项目级配置：在项目的根目录下创建（或编辑）
.cursor/mcp.json(Cursor) 或.vscode/mcp.json(VS Code) 文件。这样配置只对当前项目生效。 - 全局配置：在用户主目录下创建上述路径的配置文件（如
~/.cursor/mcp.json），则对所有项目生效。
文件内容与Claude Desktop配置完全相同：
{ "mcpServers": { "memory": { "command": "npx", "args": ["-y", "@studiomeyer/local-memory-mcp"] } } }配置完成后，重启你的编辑器。
3. 配置 Codex
Codex的配置方式略有不同，它使用TOML格式的配置文件。
打开或创建文件~/.codex/config.toml，添加以下内容：
[mcp_servers.memory] command = "npx" args = ["-y", "@studiomeyer/local-memory-mcp"]同样，配置后需要重启Codex。
3.3 验证安装是否成功
配置并重启后，如何知道记忆服务器已经成功连接？
- 观察AI助手的工具列表：在新的对话中，Claude、Cursor等通常会列出其可用的工具。你应该能看到一系列以
memory_开头的工具，例如memory_session_start,memory_learn等。如果没看到，可以尝试输入“你有什么工具？”或“列出可用工具”来触发AI显示。 - 检查进程：在终端中，你可以使用
ps aux | grep local-memory-mcp(macOS/Linux) 或通过任务管理器查看是否有Node.js进程在运行local-memory-mcp。 - 查看数据库文件：首次成功运行后，系统会在默认路径创建SQLite数据库文件。你可以去对应路径查看文件是否生成，这同样是一个成功的标志。
| 操作系统 | 默认数据库文件路径 |
|---|---|
| macOS | ~/Library/Application Support/local-memory-mcp/memory.sqlite |
| Linux | ~/.local/share/local-memory-mcp/memory.sqlite |
| Windows | %APPDATA%\local-memory-mcp\memory.sqlite |
踩坑记录：我在macOS上第一次配置时，重启Claude后没有立即看到记忆工具。后来发现是因为Claude Desktop有一个缓存机制。我的解决方法是：完全退出Claude Desktop（不是关闭窗口，而是从菜单栏退出），等待十几秒后再重新启动。第二次启动后，工具就正常加载了。如果还不行，可以检查配置文件JSON格式是否正确，或者尝试在终端手动运行
npx -y @studiomeyer/local-memory-mcp看是否有报错。
4. 核心工具详解与实战工作流
安装成功只是第一步，接下来是如何将它融入你的日常，让AI真正变得“有记性”。local-memory-mcp提供了13个工具，但你不必一次性掌握所有。我将它们分为四个核心工作流，并分享我的实战用法。
4.1 工作流一：会话管理——让对话拥有连续性
这是最基础也最重要的环节。没有会话管理，记忆就是孤立的碎片。
memory_session_start：每次开始一段有意义的对话时，首先调用这个工具。它的作用是加载你最近3次会话的摘要和近期学习记录，为本次对话提供上下文。AI会知道“你上次在做什么”、“最近关注什么”，从而让对话无缝衔接。- 实战技巧：我养成了一个习惯，每次新建一个Claude对话窗口，第一句话就是“请开始一个新的记忆会话”。AI会自动调用
memory_session_start。你也可以通过配置（后文会讲）让它自动执行。 - 可选参数
project：如果你同时在处理多个项目，可以使用project参数为会话打上标签，例如project: "website-redesign"。这样，会话上下文和后续的记忆存储都可以按项目隔离，非常清晰。
- 实战技巧：我养成了一个习惯，每次新建一个Claude对话窗口，第一句话就是“请开始一个新的记忆会话”。AI会自动调用
memory_session_end：在对话结束或取得阶段性成果时调用。你需要提供一个summary参数，用一两句话总结这次对话完成了什么。例如：“本次会话设计了用户模块的数据库Schema，并讨论了API接口的安全性规范。” 这个摘要会被保存，并在下一次memory_session_start时加载，帮助AI快速进入状态。- 实战技巧：我通常在解决一个具体问题或完成一个工作单元后调用它。比如，写完一个复杂函数、设计完一个系统模块后，我会对AI说：“请结束当前记忆会话，总结为‘完成了用户登录逻辑的JWT实现与单元测试’。” 这比漫无边际的聊天后让AI自己总结要准确得多。
4.2 工作流二：知识学习与捕获——构建你的私人知识库
这是记忆系统的核心，对应memory_learn工具。它的关键在于分类（Category）。正确的分类能让后续的搜索和组织事半功倍。
工具内置了丰富的分类，我根据自己的经验将其归纳为几个主要使用场景：
| 分类 | 适用场景 | 我的实战例子 |
|---|---|---|
pattern | 记录反复验证成功的模式、最佳实践、高效代码片段。 | “在Next.js API路由中，使用try-catch包裹逻辑并统一错误响应格式，能提升调试效率。” |
mistake | 记录踩过的坑、常见的错误及其解决方案。价值极高！ | “在Dockerfile中使用apt-get update && apt-get install -y必须写在同一行，否则会因缓存导致安装失败。” |
insight | 记录战略性的领悟、架构选择背后的深层原因。 | “对于读多写少的配置数据，使用Redis缓存比直接查数据库能降低90%的延迟，但要注意缓存失效策略。” |
tool | 记录某个工具（软件、库、命令）的特性和用法。 | “jq命令的-r参数可以输出原始字符串，去掉JSON值的引号，便于管道传递。” |
workflow | 记录一系列操作步骤组成的流程。 | “部署到生产环境的完整流程：1. 运行测试套件 2. 构建Docker镜像 3. 推送到镜像仓库 4. 更新K8s Deployment...” |
调用方式非常简单：你只需要对AI说类似的话：
- “记住这个模式：[具体内容]，分类为
pattern。” - “我刚犯了个错误：[错误描述]，分类为
mistake。” - “这是一个关于[某个工具]的发现：[具体内容]，分类为
tool。”
AI会自动调用memory_learn工具，并填入你提供的内容和分类。重复检测机制会在此刻生效，如果内容相似，只会增加已有记录的权重，而不会创建垃圾信息。
4.3 工作流三：实体与关系——构建人物与项目知识图谱
当你频繁与特定的人、项目或技术栈打交道时，扁平的学习记录就不够用了。这时需要用到实体工具。
观察实体 (
memory_entity_observe)：当你第一次提到某个重要对象时，就为它创建一个实体。- 场景：和新同事“李四”开会，了解到他的职责。
- 操作：对AI说：“记录一个关于‘李四’的观察：他是后端开发工程师，主要负责支付网关和订单系统。实体类型是
person。” - 效果：系统创建（或找到）“李四”这个
person类型实体，并附加一条观察记录。下次你问“李四负责什么？”，AI就能从知识图谱中调取这个信息。
建立关系 (
memory_entity_relate)：让实体之间产生连接，形成网络。- 场景：你知道“李四”正在参与“电商平台V2.0”项目。
- 操作：你可以先通过
memory_entity_search找到“李四”和“电商平台V2.0”的实体ID，然后让AI“建立‘李四’和‘电商平台V2.0’之间的关系，类型是works_on”。 - 效果：知识图谱中多了一条边。未来你可以查询“谁在负责电商平台V2.0？”，或者“李四参与了哪些项目？”。AI的推理能力基于此图谱。
高级技巧：让AI主动管理实体。你不需要手动记住所有工具。只需在对话中自然提及，并指示AI去记录。例如：“刚才我们讨论的‘分布式锁’这个概念很重要，请将它作为一个
concept类型的实体记录下来，并附上观察‘在微服务中用于解决资源竞争问题，常用Redis或ZooKeeper实现’。” AI会自主调用memory_entity_observe完成操作。
4.4 工作流四：决策记录——保存你的“为什么”
memory_decide是一个被严重低估的工具。我们每天做出无数技术决策，但几周或几个月后，常常忘记当初为什么这么选。
- 何时使用：每当你在技术方案A和B之间做出选择时。
- 如何记录：调用
memory_decide，需要提供：title: 决策主题（如“选择数据库”）decision: 最终选择（如“使用PostgreSQL”）reasoning: 决策理由（如“需要复杂查询和事务支持，且团队熟悉”）alternatives: 考虑过的其他方案（如“考虑过MongoDB（灵活性高）和SQLite（轻量），但不符合需求”）
- 巨大价值：半年后项目扩容遇到瓶颈，你翻看决策记录，立刻能回忆起当时选择PostgreSQL是基于复杂查询的需求，而不是因为流行。这避免了重复讨论和可能的错误转向。
5. 搜索与回顾：从记忆库中精准提取信息
存进去的知识，要能高效地找出来。local-memory-mcp提供了多种搜索工具，适用于不同场景。
5.1 三种搜索工具的选择策略
| 工具 | 搜索范围 | 特点 | 适用场景 |
|---|---|---|---|
memory_recall | 仅限“学习记录” (memory_learn的内容) | 快速、轻量，专门针对你记录的知识、模式、错误。 | “我之前在React性能优化上学到了什么？” “我犯过哪些关于Docker网络的错误？” |
memory_search | 全部内容（学习、决策、实体、观察） | 最强大的全局搜索，使用FTS5全文检索，支持BM25相关性排序。 | “查找所有和‘用户认证’相关的内容”（包括学习记录、决策、名为‘认证服务’的实体等）。 |
memory_entity_search | 仅限实体名称及其观察内容 | 模糊搜索，专为查找实体设计。 | “帮我找一下关于‘张三’或者‘John’的所有记录。” |
核心原则：当你明确想找过去学到的某类知识时，用recall；当你想进行泛搜，不确定信息存在哪里时，用search；当你想找特定的人或项目时，用entity_search。
5.2 高效搜索的语法与技巧
虽然工具调用简单，但掌握一些技巧能让搜索事半功倍。
- 多关键词搜索：
memory_search支持空格分隔的多关键词，它们之间是“OR”的关系。搜索“docker compose network”，会返回包含“docker”、“compose”、“network”中任意一个词的所有记录，并按综合相关性排序。 - 利用
types参数过滤：在memory_search中，你可以通过types: ["learning", "decision"]这样的数组来限定只搜索“学习记录”和“决策记录”，排除实体相关的内容，让结果更精准。 - 实体深度探查：
memory_entity_search找到了一个实体后，你可以使用memory_entity_open工具，传入实体的名称或ID，来获取该实体的完整视图。这包括实体所有属性、全部历史观察记录，以及它与其他实体的所有关系。这是进行深度复盘和关联思考的利器。
我的常用搜索模式：
- 晨间回顾：开始工作前，我会让AI“调用
memory_recall，获取最近10条pattern和insight类别的学习记录”。这就像一份个性化的“最佳实践晨报”，帮我快速进入状态。 - 遇到难题时：当遇到一个棘手bug，我会搜索相关关键词。例如：“搜索所有和‘内存泄漏’、‘Node.js’相关的内容”。历史记录中的
mistake和pattern常常能提供直接线索。 - 项目交接前：在项目里程碑或交接时，我会搜索特定项目的所有决策（
memory_search配合types: ["decision"]和project参数），生成一份决策日志，这对于后续维护和新成员 onboarding 价值连城。
6. 高级配置与自动化技巧
基础功能用熟后，可以通过一些配置和技巧，让记忆系统更加“无感”和智能，真正融入工作流。
6.1 实现全自动会话跟踪
手动调用memory_session_start和memory_session_end虽好，但容易忘记。有两种方法实现自动化：
方法一：通过项目 CLAUDE.md 文件（Claude Code）在你的项目根目录创建一个CLAUDE.md文件，加入以下指令：
Always call memory_session_start at the beginning of each conversation and memory_session_end when done.这样，在这个项目内每次与Claude对话，它都会自动管理会话。这是最简单、项目隔离性最好的方式。
方法二：通过全局Hook配置（Claude Code）如果你想在所有项目中自动启用，可以配置一个SessionStart钩子。编辑~/.claude/settings.json文件（如果不存在则创建）：
{ "hooks": { "SessionStart": [{ "hooks": [{ "type": "command", "command": "echo '{\"hookSpecificOutput\":{\"additionalContext\":\"Call memory_session_start now.\"}}'", "timeout": 5 }] }] } }这个配置会让Claude在每次会话开始时，自动收到一个要求调用memory_session_start的指令。注意：这种方法需要你对JSON配置有一定了解，且不同Claude版本可能略有差异。
个人建议：我更喜欢第一种方法（
CLAUDE.md）。因为它作用域清晰，只对我希望启用记忆的项目生效，避免在一些临时性、无关紧要的聊天中 also 创建会话记录，污染记忆库。
6.2 自定义数据库存储路径
默认的存储路径可能不符合你的备份策略或个人习惯。你可以通过环境变量MEMORY_DB_PATH来指定数据库文件的存放位置。
# 在启动AI客户端之前，在终端中设置环境变量（仅对该终端会话有效） export MEMORY_DB_PATH="/Volumes/EncryptedDrive/MyAIMemory/memory.sqlite" # 然后在此终端中启动Claude Desktop或Cursor如果你想永久生效，可以将这行export命令添加到你的shell配置文件（如~/.zshrc或~/.bashrc）中。这样，无论从哪里启动应用，都会使用自定义路径。
一个重要提醒：如果你在多台机器上使用，并手动同步这个SQLite文件，请注意不要同时在两台机器上运行记忆服务器，否则可能造成数据库文件损坏。SQLite支持网络文件系统，但并发写入需要谨慎。
6.3 定期备份与维护你的记忆库
你的记忆库会变得越来越有价值。定期备份是必须的。
- 简单备份：直接复制
memory.sqlite文件到你的云盘、外部硬盘或其他安全位置。 - 版本化备份：如果你使用Git，可以考虑将数据库文件放入一个私有仓库，并定期提交。虽然SQLite是二进制文件，但Git依然可以追踪其变化。这为你提供了记忆库的“版本历史”。
- 手动审查与清理：你可以使用 DB Browser for SQLite 或命令行工具直接打开数据库文件。偶尔浏览一下
learnings、decisions表，可以直观感受AI为你积累了些什么。如果发现早期记录的一些低质量或过时信息，也可以直接删除。权力完全在你手中。
7. 常见问题排查与实战心得
在长期使用中，我遇到并解决了一些典型问题，也总结出一些让工具发挥更大效能的技巧。
7.1 问题排查速查表
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
AI助手不显示memory_工具 | 1. MCP配置未生效 2. 记忆服务器进程启动失败 | 1. 检查配置文件路径和格式是否正确，务必重启AI客户端。 2. 在终端手动运行 npx -y @studiomeyer/local-memory-mcp，查看是否有错误输出（如Node.js版本过低、网络问题）。 |
| 调用工具时报错或超时 | 1. 服务器进程意外退出 2. 数据库文件权限问题 | 1. 检查任务管理器/活动监视器，确认Node.js进程是否存在。不存在则需要重新配置启动。 2. 检查数据库文件所在目录是否有写入权限。尝试以管理员/root权限运行客户端（不推荐长期使用）。 |
| 搜索返回结果不相关 | 搜索关键词太宽泛或太具体 | 1. 尝试使用更精确的关键词组合。 2. 使用 memory_search的types参数缩小范围。3. 回忆记录时是否使用了明确、具体的语言？改进你的记录习惯。 |
| 感觉AI没有“记住”东西 | 1. 未调用memory_session_start2. 记录的内容过于模糊 | 1. 确保每次对话开始都自动或手动调用了memory_session_start来加载上下文。2. 用 memory_insights工具查看统计，确认是否有记录存入。记录内容应具体，如“用Array.map时忘记写return会导致返回undefined数组”，而不是“写代码要注意”。 |
| 数据库文件越来越大 | 正常积累，但可能包含冗余 | 1. 重复检测机制会减少冗余，但无法完全避免。可定期用SQLite工具查看并手动清理。 2. 考虑使用 project参数区分不同项目，保持逻辑清晰。 |
7.2 我的核心实战心得
- 从小处着手，培养习惯：不要试图一开始就记录所有东西。从“记录我今天解决的一个棘手Bug”（
mistake）和“记录这个好用的命令行技巧”（pattern）开始。每天记录几条，几周后你就会发现记忆库的巨大价值。 - 分类是灵魂，标签是翅膀：认真对待
memory_learn的category参数。它是你日后检索的导航。同时，善用可选的tags参数，为记录打上更细粒度的标签，如#react、#performance、#backend，能让交叉检索更强大。 - 让AI成为记忆的协作者，而不是记录员：不要总想着“我现在要记录东西了”。而是在自然的对话中，当提到一个重要观点、决策或事实后，很自然地对AI说：“请把刚才我们关于XXX的讨论作为一个
insight记录下来。” 或者“把‘选择TypeScript而不是JavaScript’这个决策记下来。” AI会理解上下文并完成格式化记录。 - 定期进行“记忆回顾”：每周或每两周，花10分钟时间，用
memory_search浏览一下最近的记录，或者用memory_insights看看数据概览。这不仅能强化记忆，还能发现知识之间的新联系，激发灵感。 - 决策记录是给未来自己的礼物：强迫自己为重要的技术决策写几句
reasoning。三个月后，当你回顾时，你会感谢当时这个简单的动作。它避免了“我们当初为什么这么干？”的集体失忆。
local-memory-mcp不是一个炫酷的黑科技，而是一个朴实无华却极其强大的生产力杠杆。它解决的不是一个技术难题，而是一个认知负担问题——将我们与AI交互中最有价值的思考沉淀下来，形成可检索、可关联、可延续的私人知识资产。它的本地优先设计给了我们完全的控制权和安全感，而基于SQLite和知识图谱的实现又保证了足够的简单和强大。
我开始使用它是因为厌倦了重复解释，而现在，它已经成为我数字工作流中不可或缺的一环。我的AI助手不再是一个健忘的陌生人，而是一个随着时间推移越来越了解我、我的工作和我的思考方式的伙伴。如果你也期待与AI建立这样一种长期、深入且私密的协作关系，那么从今天开始，给你的AI一个本地记忆，或许是你做出的最明智的决策之一。
