Cognikernel：為AI程式設計助手提供本地記憶

Cognikernel 是一個開源工具，旨在為 AI 程式設計助手如 Claude Code 和 Codex 提供持久化、結構化的專案記憶。它透過事件溯源架構記錄程式設計會話中的關鍵決策、約束和已放棄的方案，並在下次會話時自動注入緊湊的上下文塊，從而讓代理能夠直接利用之前的理解，避免重複決策。

獨特的記憶機制

Cognikernel 不依賴傳統的向量資料庫或大語言模型（LLM）進行摘要。相反，它採用一個確定性管道：對會話記錄進行清洗、分類，再透過兩個本地執行的小型編碼模型（ONNX 格式，約 130 MB）評估重要性並檢測決策的更新。整個過程在本地 CPU 上毫秒級完成，無需 API 呼叫，不產生額外費用，且原始資料不離開使用者裝置。

記憶迴圈與鉤子表面

Cognikernel 的工作流程是一個閉環：觀察 → 提取 → 合併 → 儲存 → 檢索 → 組裝 → 注入。它透過四個鉤子表面與程式設計會話互動：SessionStart（注入決策塊）、UserPromptSubmit（相關記憶召回）、PreToolUse（讀寫效率門控）和 Stop（捕獲決策）。每個鉤子都採用故障開放設計，即使記憶系統出錯也不會中斷會話。

記憶型別與檢索

記憶被劃分為型別：決策、硬/軟約束、已放棄方法等。每種型別有獨立的排名和渲染方式。決策鍵支援後續覆蓋（最新勝出），使儲存自動合併而非積累矛盾。檢索以詞彙為主（FTS5 BM25），輔以可選的密集向量嵌入，透過倒數排名融合（RRF）得到最終結果。此外還有專門的“禁止搜尋”確保關鍵約束不會被無關上下文擠佔。

跨平臺與可靠性

Cognikernel 使用單一 SQLite 資料庫，因此 Claude Code 和 Codex 可共享同一套記憶。它支援別名感知的專案路徑解析，並提供了 memlora codex-sync 命令以捕獲 Codex 會話。系統設計了原子遷移、冪等重放、故障開放鉤子和 CI 門控，確保可靠性。

效能優勢

在三個實驗組（Cognikernel vs. 手動筆記 vs. 無記憶）的四項多會話專案中，Cognikernel 顯著減少了檔案讀取次數（通常為 2-4 倍），並降低了約 20% 的令牌成本（按快取讀寫和輸出價格加權）。對於依賴頻繁重複決策的複雜專案，它使代理能立即獲得之前的知識，而非花費大量時間重新發現。

快速開始

專案提供了簡單的 CLI 命令：memlora init 註冊專案並安裝鉤子，memlora doctor 檢查子系統健康狀態，memlora install-heads 下載可選編碼器模型。核心功能不依賴外部模型，即使不使用編碼器，系統也能透過詞彙路徑正常工作。

Cognikernel 的設計理念是讓 AI 程式設計助手真正“記住”專案上下文，從而更高效、更智慧地輔助開發。