同时用 3 个 AI,就得喂 3 遍背景。这事我受够了,自己写了个工具解决:让所有 AI 共用同一个本地记忆库。纯 Python 标准库,零依赖,已开源——github.com/liujycode/u…
痛点有多具体?方案在 A 工具里定稿了,切到 B 工具写代码,B 不知道定稿这回事,翻出来的是更早的讨论,照着被否掉的旧思路做了一版。等你发现,废代码已经写完了。
根因一句话:每个 AI 的记忆锁在各自账号里,格式不互通。A 记下的偏好 B 看不见,上周定的结论这周被当新话题再聊一遍。我工作流里写代码一个、查资料一个、杂活再开一个,天天在这坑里进出,烦是烦,一直忍着,毕竟大家都是这么过来的。
忍到上次返工,决定彻底解决。
先看的现成方案。云端的有 Mem0 这类,能力没问题,但工作里所有项目的记忆、决策、偏好要放到别人服务器上,我过不了这关,价格也不便宜。本地优先的找了一个,依赖清单里 Ollama、ChromaDB 一长串,光环境就装了半天,还没开始用就想放弃。中间也试过最原始的办法,手动维护一个 markdown 当记忆本,手动同步给每个 AI,坚持了三天,忘了。
那就自己写。UAMS(Universal AI Memory System) ——名字起得挺唬人,拆开看就是个本地目录加一个 CLI。断断续续写了一阵,边写边在自己日常工作里用,用顺了才拿出来开源。
它解决什么
核心逻辑一句话:所有 AI 读写同一个本地目录,走同一个入口。
写入时带身份标签,标记这条是谁记的;读取时不按身份隔离。A 写的,B 搜得到。记忆本体是普通文件,Markdown 和 JSON,打开肉眼能看。
| 痛点 | 原生记忆 | UAMS |
|---|---|---|
| 切 AI 要重喂背景 | 必重喂 | 共享目录,开局一查就有 |
| 切完"规矩"变了 | 各记各的 | 全局偏好写一份,谁都读得到 |
| 记忆越攒越乱 | 没人管 | 旧结论强制替代,写入要留证据 |
| 换机器 | 绑死账号 | 拷目录就走 |
实现里几个值得说的点
跨工具是根基。CLI 每条命令带 --ai-identity,说明当前是哪个 AI 在操作,读的时候不做身份隔离。实测:workbuddy 写一条,换 claude 身份去搜,读回来的就是同一条。
bash
# workbuddy 写入
python "$CLI" --ai-identity workbuddy --uams-root <uams-root> write \
--title "方案定稿" --body "采用 A 方案" --type decision \
--subject "架构/升级通道" --source discussion --confidence confirmed
# 换 claude 身份搜
python "$CLI" --ai-identity claude --uams-root <uams-root> search "方案定稿" --scope global
就这么直白。
记忆分三层:global 放跨项目的偏好和规矩,project-active 放某个项目当前的事实,project-archive 是归档。归档层默认不参与检索,老结论退休但还能查,不至于和新结论搅在一起。
写入有个闸门。这层是后来补的,补它有原因:共享用了没多久,出现了两个 AI 记着互相打架的结论,而且都标着"确认",我完全不知道该信哪个。记不住顶多重喂,信了错的才要命。现在的规矩三条:confirmed 级别的记忆必须带证据来源,不带写不进去;同一主题更新必须用 --supersedes 把旧条目替换掉,不许追加一条新的完事;每次拒绝和策略决策都进审计日志。用下来这层比共享本身还省心。
代码里没什么黑魔法,难的都是这些琐事。
上手
bash
python init_uams.py --uams-root "D:/my-uams/uams-root" # 初始化
再把 assets/ 里的接入模板贴进你常用的 AI。WorkBuddy 对应 SKILL.md,Claude 对应 CLAUDE.md,Codex、Trae、Kiro 用通用指令模板。
每个常用的都要接,只接一个等于白接。
用 Claude Code 或 Cursor 的走 MCP 更省事,跑一下 mcp_server.py,客户端自动拿到 4 个工具(discover / status / search / write),并发写内置了跨进程锁:
json
{
"mcpServers": {
"uams": {
"command": "python",
"args": ["D:/uams-kit/mcp_server.py", "--uams-root", "D:/my-uams/uams-root"]
}
}
}
短板和取舍
没有向量语义检索,查询是关键词加结构化过滤。查"OTA 重传"这种整词很稳,模糊召回不行,你想找"之前那条差不多的结论"它帮不了你。单机,不做多机同步,要同步就把整个目录丢 git。
这两条我是认的,换回来的是零依赖、可审计、数据在自己手里。重度依赖语义搜索的话,这工具不适合,别硬上。
仓库:github.com/liujycode/u…
README 有完整文档,selftest.py 一键自检(初始化、MCP 握手、跨身份读写、并发写,8 项)。
有用点个 Star。你现在多 AI 的记忆是怎么管的,评论区说说。