个人 AI 记忆层，会不会成为下一个 MCP 控制面？

今天我想单独拆一个方向：AI 工具的记忆层。

不是“聊天记录搜索”那种记忆。更准确地说，是让 Claude Code、Codex、Cursor、Hermes、OpenCode 这些工具共享同一份长期上下文：你的偏好、项目约定、踩过的坑、常用工作流、不要再犯的错误。

这件事听起来不性感，但我觉得值得盯。

因为工具会换，模型会换，IDE 也会换。真正有复利的是上下文。谁掌握这层上下文，谁就更接近工作流入口。

三个项目

这两天 GitHub 上有几个项目刚好撞到同一个方向。

第一个是 piia-engram。它的定位很直接：One memory. Every AI tool. Yours to keep。项目用本地 JSON 文件保存身份、偏好、经验和关键决策，再通过 MCP 暴露给 Claude Code、Codex、Cursor、Windsurf 等工具。GitHub API 显示它目前大约 104 stars，Apache-2.0，Python 项目，5 月 18 日创建。

我注意到它 README 里有一句话：AI 可以建议记忆，但由用户决定什么变成事实。这个设计点很关键。记忆系统最怕的不是“不记得”，而是乱记。一个 agent 把临时判断写进长期记忆，后面所有工具都跟着偏。

第二个是 Deja Vu。它也是本地优先，但实现思路更像一个轻量 memory service：SQLite 存储，提供 Python、CLI、REST、MCP 接口。GitHub API 显示它目前大约 43 stars，Apache-2.0，Python 项目，同样是 5 月 18 日创建。

Deja Vu 的 README 说，记忆存在 ~/.dejavu，本地运行，默认不做托管记忆服务。不过它依赖 Venice API 做记忆抽取和推理，所以严格说不是完全离线。这个细节不能忽略。很多项目会说 local-first，但只要抽取、重写、检索排序还要调外部 LLM，就仍然有隐私和可用性边界。

第三个是 TencentDB Agent Memory。这个项目体量大很多，GitHub API 显示大约 4.1k stars，TypeScript，4 月 7 日创建。它不是简单做“跨工具共享偏好”，而是更偏 agent 运行时记忆：短期记忆压缩工具日志，长期记忆把碎片对话沉淀成人设和场景。

它 README 里给了几组 benchmark，例如接入 OpenClaw 后 token 使用下降、任务通过率提升、PersonaMem 准确率提升。这些数字我先不急着当结论，因为需要看评测设置、任务集和复现情况。但方向是清楚的：记忆层不只是让 agent “更懂你”，也可能直接影响成本和任务成功率。

为什么这事值得看

MCP 解决的是工具连接问题。记忆层解决的是连续性问题。

现在大多数 AI 工具的问题不是一次对话里完全不能用，而是每次换窗口、换工具、换项目，都要重新解释一遍：我是谁、这个 repo 怎么跑、哪些坑别踩、我喜欢什么风格、哪些结论已经验证过。

这很浪费。

更麻烦的是，记忆被锁在各个工具里。Claude 有 Claude 的上下文，Cursor 有 Cursor 的规则，Codex 有 Codex 的习惯，Hermes 有 Hermes 的 memory 和 skills。用户真正想要的不是“某个工具记住我”，而是“我的工作上下文跟着我走”。

所以我把这个方向看成 MCP 后面的下一层。

MCP 让 agent 能调用工具。记忆层让 agent 带着同一个用户和项目状态去调用工具。前者是接口，后者是资产。

但现在还早

我不想把这件事吹过头。

这类项目现在至少有几个问题没完全解决。

第一，什么值得记？偏好、事实、经验、临时结论、任务进度、项目约定，全都叫 memory，但生命周期完全不同。把“今天修了某个 bug”写进长期记忆，大概率一周后就是垃圾。把“这个项目禁止模拟交易数据”写进去，价值就很高。

第二，谁来决定记忆可信度？piia-engram 做了用户审批，这是对的。完全自动写长期记忆很危险。agent 很擅长把一次性的上下文总结成看似稳定的规则。

第三，记忆怎么避免污染？一个工具写错了，另一个工具读到以后继续错。共享记忆提高了复用，也放大了错误。

第四，团队场景更复杂。个人记忆、项目记忆、团队规范、客户信息不能混在一起。权限、审计、过期机制、导入导出都会变成硬需求。

所以我现在不会说“个人 AI 记忆层已经成熟”。更准确的判断是：这个方向刚开始从概念走向工具，值得早看，但还没到押单个项目的时候。

可以怎么用

我会先把它当成内容和产品线索，而不是马上做大平台。

内容上，可以写一组“AI 工具记忆归谁所有”的文章。开发者会关心迁移成本，创业者会关心入口，隐私敏感用户会关心本地存储和可审计。

产品上，更现实的切入点不是再做一个 memory layer，而是做“AI 工具记忆体检”。扫描本地 agent 配置、rules、memory、skills、MCP servers，告诉用户哪些记忆重复、过期、冲突，哪些规则应该升成项目约定，哪些内容不该长期保存。

这比直接做一个新的记忆平台更小，也更容易验证需求。

如果要更进一步，可以做团队版：把个人偏好、项目规范、团队经验分层管理。个人只影响自己的 agent，项目规范影响 repo，团队经验需要审批后才能进入共享层。

这个形态更接近“Agent context ops”。名字不重要，重点是它管的不是聊天记录，而是 agent 做事之前会带上的那套上下文。

我的判断

个人 AI 记忆层不一定会成为下一个大平台，但它一定会成为 agent 工程里的基础问题。

模型会越来越便宜，工具会越来越多。到那时，差异不只是谁的模型更强，而是谁能带着更干净、更可信、更可迁移的上下文去做事。

今天这几个项目还很早。piia-engram 和 Deja Vu 更像个人工具，TencentDB Agent Memory 更像运行时组件。它们不一定谁赢，但它们指向同一个问题：AI 工具不能每次都从零认识你。

这件事不解决，agent 就很难真的变成长期助手。