Basic Memory：让AI真正记住你的本地知识图谱革命

Basic Memory 是一个本地优先的 AI 记忆层，通过 Markdown 文件与知识图谱的结合，为 Claude、Codex、ChatGPT 等 AI 提供持久化记忆。它采用 MCP 协议实现双向同步，支持语义搜索和渐进式工具发现，让 AI 不再重复询问你的项目背景，真正实现人机协作的上下文连续性。

适用人群：1. 深度使用 Claude、ChatGPT 等 AI 工具的开发者，厌倦了反复向 AI 解释项目背景的重复劳动。2. 知识管理爱好者，特别是 Obsidian 用户，希望将 AI 能力融入个人知识库工作流。3. 注重隐私的团队和个人，希望在享受 AI 便利的同时，保留对数据的完全控制权。

适用场景：1. 软件开发场景：让 AI 助手记住项目架构、代码规范、技术决策，在后续对话中直接调用，无需重复解释。2. 个人知识管理：将阅读笔记、会议记录、灵感碎片存入知识图谱，AI 能基于语义关联给出跨主题的深度洞察。3. 团队协作：通过 Basic Memory Teams 共享工作区，团队成员和 AI 助手共享同一知识库，实现人机协同的文档编辑与信息检索。

推荐理由：Basic Memory 精准解决了 AI 对话缺乏长期记忆的痛点，以本地优先和知识图谱为核心，兼顾隐私与智能。其 MCP 原生支持和 Markdown 格式，让技术门槛极低，适合所有希望提升 AI 使用效率的开发者。开源与云服务双轨制提供了灵活选择，值得一试。

项目定位与背景

在 AI 对话日益频繁的今天，一个核心痛点逐渐凸显：AI 没有长期记忆。每次开启新会话，都需要重新介绍项目背景、技术栈和个人偏好，效率低下且令人沮丧。Basic Memory 正是为解决这一痛点而生，它定位为 AI 的「第二大脑」，通过将知识以 Markdown 文件形式存储在本地，并构建成知识图谱，让 AI 能够跨会话、跨应用地记住关键信息。

该项目由 basicmachines-co 团队开发，采用 Python 编写，遵循 AGPL v3 开源协议，目前已在 GitHub 上获得 3841 星标，显示出社区对其价值的高度认可。其核心承诺简单而有力：「你的 AI 永远不会再忘记」。

核心功能与技术架构

Basic Memory 的架构设计围绕几个关键原则展开。首先，它坚持本地优先（Local-first），所有知识都以纯文本 Markdown 文件保存在用户磁盘上，确保数据的所有权和长期可访问性。其次，它实现了真正的双向同步（Two-way），AI 和人类可以同时读写同一批文件，通过内置的同步机制保持内容一致。

项目最大的技术亮点在于构建了一个「真正的知识图谱」。它不仅仅是简单的文件存储，而是通过观察（Observations）和维基链接（Wikilinks）将独立的知识点连接起来，形成复合上下文。这种图谱结构让 AI 在进行语义搜索时，能够理解信息之间的关联，而不仅仅是关键词匹配。

在检索层面，Basic Memory 支持语义搜索，并可选配交叉编码器（cross-encoder）进行重排序，以获得更高质量的向量和混合搜索结果。这意味着用户可以基于「含义」而非「关键词」来查找笔记，大大提升了信息召回率。

作为 MCP（Model Context Protocol）原生应用，Basic Memory 能够无缝对接所有主流 AI 客户端和 IDE，包括 Claude、Codex、Cursor 和 ChatGPT。其创新性的「渐进式工具发现」机制，为每个工具打上行为标签（如只读、破坏性、幂等），让 AI 代理能按需选择正确工具，避免因尝试而浪费宝贵的上下文窗口。

创新点与亮点

Basic Memory 的创新之处在于它将「知识管理」与「AI 记忆」两个领域进行了深度融合。它没有发明新的存储格式，而是选择了 Markdown 这一人类和机器都易于理解的通用语言，降低了使用门槛。同时，它没有将知识锁死在某个专有平台，而是通过 MCP 协议实现了跨应用的互操作性。

另一个显著亮点是其灵活的部署选项。用户可以选择完全本地运行，享受最高级别的隐私保护；也可以选择官方的云端服务（Basic Memory Cloud），实现多设备同步。对于团队用户，Basic Memory Teams 提供了共享工作区，让知识不再局限于个人，支持实时协作编辑，构建统一的知识库。

与同类项目对比

在 AI 记忆增强领域，存在一些类似的解决方案。例如，一些项目通过向量数据库为 AI 提供外部记忆，但往往需要复杂的基础设施配置，且数据格式不透明。另一些项目则深度绑定特定 AI 平台，缺乏通用性。

相比之下，Basic Memory 的优势在于其「本地优先 + 知识图谱 + MCP 原生」的组合拳。它既保证了数据的透明度和可控性（本地 Markdown 文件），又通过知识图谱提升了信息的组织深度，还借助 MCP 实现了广泛的客户端兼容。这种「文件即数据库」的设计哲学，使其在简洁性和功能性之间取得了很好的平衡。不过，其 AGPL 协议对于希望将其集成到闭源商业产品中的开发者可能是一个限制。

上手指南与快速开始

对于开发者而言，上手 Basic Memory 非常直观。作为 Python 包，可以通过 pip 直接安装。安装后，它会作为一个 MCP 服务器运行，用户只需在支持的 AI 客户端（如 Claude Desktop）中配置 MCP 端点即可连接。

核心工作流是：在本地指定一个文件夹作为记忆库，在其中创建 Markdown 笔记。笔记之间可以通过 [[双链]] 建立关联。AI 通过 MCP 工具自动读取、搜索和写入这些文件。用户也可以手动编辑文件，AI 会感知到变化。此外，项目还提供了 Obsidian 插件，让 Obsidian 用户可以无缝地将 AI 记忆整合到其现有的笔记工作流中。

总结与展望

Basic Memory 为 AI 的长期记忆问题提供了一个优雅且务实的解决方案。它通过将复杂的知识图谱能力封装在简单的 Markdown 文件背后，成功降低了 AI 记忆增强的门槛。其本地优先的特性，切中了当下对数据隐私日益关注的时代脉搏。

当然，项目仍处于早期阶段，知识图谱的自动构建质量、大规模知识库下的检索性能，以及多用户协作时的冲突解决机制，都是未来需要持续优化的方向。但就其当前展现的理念和功能而言，Basic Memory 无疑是 AI 知识管理领域一个值得密切关注和尝试的前沿项目，它让我们看到了 AI 从「对话工具」向「长期协作者」演进的清晰路径。

查看 GitHub 项目 →