给 AI 助手造一个持久记忆：基于 MCP 的跨会话上下文方案

如果你每天都用 Claude Code 或 Cursor，就会知道这个固定流程：打开一个新会话，助手完全不知道你是谁、昨天在构建什么，或者三周前为什么会做出那个奇怪的技术决策。每次对话都是从零开始。

你要重新粘贴上下文、重新解释技术栈、重新阐述你已经解释过的决策。模型在会话内部很聪明，但在会话之间却失忆了——这意味着 AI 辅助开发的真正瓶颈不是推理能力，而是连续性。

我在同时处理多个客户项目、基础设施工作和 side builds 时不断遇到这个问题。所以我构建了 CRBRO，一个本地的 MCP 服务器，让 AI 助手拥有真正能在会话之间存活记忆的系统。

MCP 是什么，三行说清

Model Context Protocol（MCP）是一个开放标准，用于将 AI 应用连接到外部系统——数据源、工具和工作流——而不是让每个集成都变成定制的一次性方案。Anthropic 将其描述为"AI 应用的 USB-C 接口"：一个标准化的接口，让 Claude、Cursor、Windsurf 和其他客户端都能接入同一个服务器。这种标准化正是让像 CRBRO 这样的可移植、跨客户端记忆层成为可能的原因——服务器写一次，任何兼容 MCP 的客户端都能使用它。

CRBRO 的架构

CRBRO 的结构借鉴了神经科学，而不是向量数据库，这个比喻不仅仅是表面文章——它能清晰地映射到这些工具的实际行为。

神经元（Neurons）：每单位知识——一个事实、一个决策、一个项目细节——都作为独立的、人类可读的 JSON 文件存储在磁盘上。

突触（Synapses）：被一起引用或关联到同一主题的神经元会被链接在一起，这样在回忆一个时可以连带浮现其他的，类似于联想记忆。

海马体（Hippocampus）：充当编码和检索层——决定什么被写入长期存储、以及当助手需要上下文时什么被拉出来的过程。

热度分数（Heat scores）：一种排名信号，决定什么是当下"最热门"的，这样助手就不必筛选你告诉它的所有内容。

热度分数的工作方式类似于衰减相关性分数：一个神经元的热度在每次被访问或强化时上升，如果长时间不被触碰就会衰减，类似于常用记忆保持清晰而未使用的记忆会消退。一个简单版本的逻辑如下：

heat = base_weight×𝑒−𝜆⋅Δ𝑡+∑access_boosts

看一个实际例子：你在周一告诉助手"staging DB 使用 Postgres 15 且带有只读副本"。那个神经元获得一个初始热度值。如果你在周二和周四再次引用 staging-DB 细节，每次访问都会增加一个提升值，保持这个神经元"热"且接近召回结果的顶部。

同时，关于一个月前你提过一次的一个一次性 npm 包版本的神经元会衰减到底部——仍然存储着、仍然可以查看，只是不会再与助手的有限注意力竞争。这就是保持召回快速和相关而不是每次都将助手的整个历史倾倒到每个提示中的机制。

为什么用文件而不是向量数据库

如果直接接上一个向量存储然后称之为记忆会很容易。我刻意没有这样做，原因有三：

可检查（Inspectable）：每个神经元都是一个普通的 JSON 文件。你可以用文本编辑器打开它、用 grep 搜索它、或者 diff 对比它——不需要解码 embeddings，没有黑箱。

Git 友好（Git-friendly）：因为记忆就是文件，它自然地进行版本控制。将助手的"大脑"和你的项目一起提交、创建分支、回滚。

零依赖（Zero dependencies）：不需要云账户、不需要外部数据库、不需要 API keys、不需要厂商锁定。一切都在你的机器上运行。

这与 CRBRO 的更广泛设计目标一致：一个完全本地化、可移植的记忆层，无论你使用的是 Claude Code、Claude Desktop、Cursor、Windsurf 还是任何其他兼容 MCP 的客户端，它的工作方式都完全相同。

演示：安装、注册，以及 Boot → Learn → Recall 流程

开始使用只需要三条命令：

npx crbro-memory init # initialize the brain + auto-detect installed IDEs
npx crbro-memory status # inspect the current state of the brain
npx crbro-memory # start the MCP server (stdio transport)

init 在磁盘上搭建神经元/突触存储，并检测你安装了哪些兼容 MCP 的客户端，以便它可以自动注册。注册完成后——比如在 Claude Code 的 MCP 服务器配置中——助手在启动时就会将 CRBRO 作为工具源拾取。

从那里开始，工作循环很简单：

Boot —— 在会话开始时，助手向 CRBRO 查询最高热度的神经元，有效地加载"此刻重要的事情"而不是完整的历史记录。

Learn —— 当你工作时，新的事实和决策被写入为神经元，相关的通过突触连接在一起。

Recall —— 当你提出一个涉及先前上下文的问题时，助手查询海马体层，返回按热度和相关性排名的相关神经元，而不是暴力关键词搜索。

结果是，周四的会话实际上记得你周一决定的什么，而不需要你重新解释。

如果重来会怎么做，以及下一步

如果我从零开始重建，我会更早地设计突触链接逻辑，而不是在神经元稳定后才追加上去——事实之间的关系和事实本身一样重要。路线图上：更智能的突触剪枝，这样过时链接不会扰乱召回；针对项目类型更好的热度分数调优；以及更深入的多项目隔离，这样 CRBRO 不会在不同无关代码库之间模糊记忆。

CRBRO 是开源的，完全在你的机器上运行——没有云、没有账户、没有锁定，兼容 Claude Code、Claude Desktop、Cursor、Windsurf 和任何其他 MCP 客户端。如果它能让你免于第十次重新解释自己的项目，请查看 CRBRO 仓库，如果有用的话点个星星。