跨AI客户端的本地记忆中枢MemTether

我平时用 Claude Code 写代码，用 Cursor 做重构，用 Windsurf 做探索。每款工具都有自己独立的记忆。换一款工具，AI 就把之前的事忘得一干二净。

于是我打造了 MemTether——一个本地优先的记忆中心，让 23+ 款 AI 客户端共享同一个物理 SQLite 数据库。

以下是打造它的一些心得。

问题比你想象的简单

现有的记忆方案（mem0、cognee、zep）都把记忆当作一种服务来对待。你把记忆发送给它们的云 API，由它们负责存储和检索。这套机制能用，但意味着：

你的记忆存在别人的服务器上

哪怕只是一个本地项目，也需要 API key

你无法直接查看原始数据

我的洞察：如果所有 AI 工具都跑在同一台机器上，你根本不需要什么服务——你只需要一个文件。让它们都指向同一个 SQLite 数据库就够了。

不上云。不收 API 费。没有抽象层。一个 memory.db，23 个客户端读写。

这些设计决策至关重要

1. 覆写而非删除

当一条记忆需要更新时，我不会删除旧的那条，而是将它标记为"已覆写"（superseded），再创建一条新版本。这样你随时可以追溯"在学到 X 之前，我们原来相信什么？"

这听起来简单，但它改变了整个系统的工作方式。搜索必须过滤掉已覆写的条目。FTS5 需要触发器来自动同步。投影系统需要优先选用最新版本。

2. 双时间轴：两个时钟，而非一个

每条记忆有两个时间戳：

T（有效时间）：该事实在世界真实成立的时间

T'（记录时间）：系统得知该事实的时间

举例：某个 API key 在 9 月 15 日过期，但我到 9 月 18 日才发现。查询"9 月 15 日时我们知道什么？"返回"key 仍然有效"（这是系统当时的认知）。查询"当时实际发生了什么？"返回"已过期"。

没有这个区分，就会出现"回溯性真相偏差"——用今天的知识去评判昨天的决策。

3. Q-Value：被使用的记忆应该排名更高

大多数记忆系统的排序依据是"新鲜度"或"语义相似度"。但一条 6 个月前、每天都被用到的记忆，价值显然高于昨天创建却从未被检索过的记忆。

所以我引入了 Q-Value（借鉴自强化学习）：每当一条记忆被搜索且确实有用时，它的 Q-Value 就增加。下一次搜索时，它排名就更高。简单、有效，目前没有别人这么做。

4. 四因子重排序

原始的语义相似度远远不够。我混合了四个因子：

语义相似度（45%）

类型重要性（10%）

……然后用 z-score + sigmoid 归一化，再以 70/30 与 RRF 分数混合。这修复了纯语义搜索会漏掉的资产查询。

5. 用 SQLite 触发器同步 FTS（而不是 Python）

我的第一版是用 Python 代码同步 FTS5 全文索引。代码里到处是 except Exception: pass 包裹着同步调用。结果：254 条过期条目 + 260 条缺失条目。

解决方案：SQLite 触发器。三个触发器（INSERT、DELETE、UPDATE）在 SQL 层面处理。Python 代码无法意外跳过它们。不一致条目数从 514 降到了零。

经验：如果 SQLite 能在 SQL 层面搞定，就别在 Python 里做。

难点不在代码——在打包

写记忆引擎花了 3 周。让它能正常安装花了 2 个月：

用 wheel 构建时配置正确的 py-modules（扁平布局，不是包）

写 check_packaging.py 检测版本漂移和缺失模块

FTS5 触发器放在正确位置（在 init_db 内部，不要放在 schema 字符串里飘着）

Console 入口点（memtether、memtether-connect）

可选依赖（[vector] 对应 chromadb，[server] 对应 fastapi）

一个真正能跑的 Quick Start（我最初写的命令根本不存在）

我是一个人在开发。花在打包上的每一小时，就是没有花在功能上的一小时。但没有打包，功能再好也没人用得了。

坦诚的基准测试数据

我跑了 LongMemEval（500 道题，全量运行）：

多会话差距（strict vs judge）是最有趣的发现。当答案需要从多个数据点计算出来时（比如"3 weeks"），严格的子串匹配就会失败，因为计算出的答案不会逐字出现在任何单条记忆里。LLM judge 更宽容一些。

我还实现了一种 E-Hybrid 方法（会话摘要 + 扁平证据），在 15 道题的测试上将多会话 strict 从 48.8% 提升到了 71.4%。样本量小，但有希望。

我不会声称这比 mem0 的 94.4% 更好——不同的测试框架，不同的方法论。但 48.8% strict 已经超过了行业平均水平 27.9%。

后续计划

MCP Registry 提交（已完成：PR #4946）

社区建设（这篇博客就是其中一部分）

NLPCC 2027 论文提交（CCF C，截稿日期约 2027 年 4 月）

更多示例和更完善的文档

pip install memtether
memtether init
memtether connect --all

GitHub: MemTether/MemTether PyPI: memtether