Cognikernel：为AI编程助手提供本地记忆

Cognikernel 是一个开源工具，旨在为 AI 编程助手如 Claude Code 和 Codex 提供持久化、结构化的项目记忆。它通过事件溯源架构记录编程会话中的关键决策、约束和已放弃的方案，并在下次会话时自动注入紧凑的上下文块，从而让代理能够直接利用之前的理解，避免重复决策。

独特的记忆机制

Cognikernel 不依赖传统的向量数据库或大语言模型（LLM）进行摘要。相反，它采用一个确定性管道：对会话记录进行清洗、分类，再通过两个本地运行的小型编码模型（ONNX 格式，约 130 MB）评估重要性并检测决策的更新。整个过程在本地 CPU 上毫秒级完成，无需 API 调用，不产生额外费用，且原始数据不离开用户设备。

记忆循环与钩子表面

Cognikernel 的工作流程是一个闭环：观察 → 提取 → 合并 → 存储 → 检索 → 组装 → 注入。它通过四个钩子表面与编程会话交互：SessionStart（注入决策块）、UserPromptSubmit（相关记忆召回）、PreToolUse（读写效率门控）和 Stop（捕获决策）。每个钩子都采用故障开放设计，即使记忆系统出错也不会中断会话。

记忆类型与检索

记忆被划分为类型：决策、硬/软约束、已放弃方法等。每种类型有独立的排名和渲染方式。决策键支持后续覆盖（最新胜出），使存储自动合并而非积累矛盾。检索以词汇为主（FTS5 BM25），辅以可选的密集向量嵌入，通过倒数排名融合（RRF）得到最终结果。此外还有专门的“禁止搜索”确保关键约束不会被无关上下文挤占。

跨平台与可靠性

Cognikernel 使用单一 SQLite 数据库，因此 Claude Code 和 Codex 可共享同一套记忆。它支持别名感知的项目路径解析，并提供了 memlora codex-sync 命令以捕获 Codex 会话。系统设计了原子迁移、幂等重放、故障开放钩子和 CI 门控，确保可靠性。

性能优势

在三个实验组（Cognikernel vs. 手动笔记 vs. 无记忆）的四项多会话项目中，Cognikernel 显著减少了文件读取次数（通常为 2-4 倍），并降低了约 20% 的令牌成本（按缓存读写和输出价格加权）。对于依赖频繁重复决策的复杂项目，它使代理能立即获得之前的知识，而非花费大量时间重新发现。

快速开始

项目提供了简单的 CLI 命令：memlora init 注册项目并安装钩子，memlora doctor 检查子系统健康状态，memlora install-heads 下载可选编码器模型。核心功能不依赖外部模型，即使不使用编码器，系统也能通过词汇路径正常工作。

Cognikernel 的设计理念是让 AI 编程助手真正“记住”项目上下文，从而更高效、更智能地辅助开发。