AI记忆问题解决方案Basic Memory

最新推荐文章于 2025-07-26 19:00:43 发布
原创 最新推荐文章于 2025-07-26 19:00:43 发布 · 770 阅读 · 14 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#AI #人工智能 #MCP #笔记

在这里插入图片描述

前言

我们可能都曾遇到过这种情况。你正在与一个大型语言模型（LLM）进行深入对话，当对话变得复杂或持续时间较长时，AI 会因为缺乏完整的叙事链条而“遗忘”关键信息，导致对话质量下降，甚至会为了“合理化”自己的回答而进行错误的推断（即“幻觉”）。

这就是 AI 的记忆问题。

当然我们还有其他的需求，希望能在不同 AI 工具之间，共享和访问彼此的记忆信息，从而实现上下文的连续性和一致性，这在 AI 编程中尤其重要。

目前记忆类 MCP已经比较多了，像 OpenMemory、Supermemory 等，但都采用了向量数据库进行持久化存储。而今天老苏介绍的 Basic Memory，采用了最简单也最可靠的纯文本文档的方案。

什么是 Basic Memory ？

基本记忆（Basic Memory）可让您通过与 Claude 等大型语言模型（LLM）进行自然对话来构建持久知识，同时将所有内容保存在计算机上的简单 Markdown 文件中。它使用模型上下文协议（MCP），使任何兼容的 LLM 都能读取和写入您的本地知识库。

主要特点

  1. 本地优先：所有知识存储在用户控制的本地 Markdown 文件中，确保数据隐私和安全。
  2. 双向交互：用户和 LLM 可以同时读取和写入相同的文件，支持实时更新和结构化笔记。
  3. 简单易用：使用熟悉的 Markdown 格式进行知识管理，方便用户查看和编辑。
  4. 知识图谱：支持语义链接，用户可以在不同主题之间导航，形成一个结构化的知识网络。
  5. 与 Obsidian 集成：可以与流行的笔记工具 Obsidian 配合使用，增强知识管理体验。

主要功能

  • 创建和管理笔记：用户可以通过对话创建、修改和搜索笔记。
  • 实时同步：笔记修改会实时反映在本地文件中。
  • 支持多个项目：允许用户在不同项目之间切换，保持组织性。

使用场景

  • 适合需要长期保存和管理知识的个人或团队。
  • 可以用于学习、研究或项目管理，帮助用户构建一个不断扩展的知识库。

Basic Memory 通过简化知识管理过程，解决了传统 LLM 互动中常见的知识遗忘问题。

安装

  1. Basic Memory 支持 Docker 安装，但并不支持 SSE 协议，所以需要在本机安装 Docker，但老苏不喜欢这种方式；
  2. 如果你安装过 MCPHub ，可以试试这种方式，但笔记的管理肯定需要重新修改 MCPHub 映射的卷；

所以本文假设你已经在本机安装了 Python 包管理工具 uv

老苏只关注常用的几个工具，但原理上基本上是一样的；

Gemini CLI

Gemini 中安装比较简单，只要在 settings.json 中的 "mcpServers": {} 插入下面这段 json 代码即可

Claude Code、Kiro 和 CodeBuddy 都可以使用这种方式

      "basic-memory": {
        "command": "uvx",
        "args": ["basic-memory", "mcp"]
      }

如果没问题，应该可以看到工具

如果你总是遇到下面这种情况

2025-07-23 10:25:46.417 [warning] [basic-memory] Log from MCP Server: 
  Caused by: Request failed after 3 retries
  Caused by: error sending request for url (https://pypi.org/simple/basic-memory/)
  Caused by: client error (Connect)
  Caused by: dns error: 不知道这样的主机。 (os error 11001)
  Caused by: 不知道这样的主机。 (os error 11001)

可以考虑在本地安装

uv tool install basic-memory

# 或者 
pip install basic-memory

然后修改配置

"basic-memory": {
  "command": "basic-memory",  // 使用本地命令
  "args": []  // 无需参数
}

只要在 Gemini 中告诉它保存到笔记或者知识库，它会告诉你保存的目录和文件

打开目录， Windows 平台在 C:\Users\用户\basic-memory

打开文件

聊了一些其他的内容之后，你可以随时看看 AI 是否还记得

如果忘记了

可以再从知识库笔记中获取

Cherry Studio

Cherry Studio 中设置也很简单

  • 类型： 选择 stdio
  • 命令： 填入 uvx
  • 参数：
    • 第一行填入 basic-memory
    • 第二行填入 mcp

在助手中需要启用 Basic Memory MCP

要求 在笔记中查找 Basic Memory 的使用方法，可以清晰的看到调用了 search_notes 和 read_note 工具

Obsidian

可以直接打开 C:\Users\用户\basic-memory 目录作为新仓库

如果不想新建仓库，可以通过 mklink /D 方式，将 C:\Users\用户\basic-memory 链接到现有的 Obsidian 笔记目录中

官方有个视频，可以看看

Basic Memory 功能演示

上面的示例和视频都还只是最简单的用法，想要更好的使用，还是建议多看看官方的文档：https://docs.basicmemory.com/user-guide

题外话

老苏最近一直在用各种 AI 编程工具，亚马逊的 Kiro、腾讯的 CodeBuddy 和 Claude Code（AnyRoute）

因为都是基于 Claude 系列的大模型，所以有了一定的可比性。老苏关注的不是能不能一句话搞定一个 demo 或者系统，而是拿了一个有 bug 的项目让 AI 进行修复

  • CC 应该是表现最出色的，一般两到三轮就能解决问题，而且基本上编辑过的文件，不会有什么语法错误，比如因为缺少 } 导致的不能闭合这样的低级错误；

只是 AnyRoute 是个公益网站，虽然不需要充值，但稳定性稍差，用来学习还是非常不错的，有兴趣可以去注册一个账号体验体验：

https://anyrouter.top/register?aff=3L46

  • Kiro 表现中规中矩，感觉比较适合团队开发，就是改个 bug，也是一顿文档输出。任务结束时，出现文件存在语法错误的几率还是蛮高的，需要指定文件让其修复才行，要是能在任务结束时主动检测就好了；

  • CodeBuddy 目前 Chat 还不错，Craft 还差点意思。一个比较典型的案例就是，它自己提出的 bug 修复方案，搞来搞去都搞不定，但是将修复方案给了 CC 和 Kiro，都搞定了。所以老苏觉得， CodeBuddy 还有很大的进步空间，需要时间来打磨。

等有了免费的途径，准备再去看看 Kimi K2 和 Qwen3 Coder

参考文档

basicmachines-co/basic-memory: AI conversations that actually remember. Never re-explain your project to Claude again. Local-first, integrates with Obsidian. Join our Discord: https://discord.gg/tyvKNccgqN
地址：https://github.com/basicmachines-co/basic-memory

Basic Memory - Build Knowledge That Grows With You
地址：https://basicmemory.com/

Basic Memory
地址：https://docs.basicmemory.com/

记忆的觉醒：MemInsight 如何让 AI 拥有“回忆”的智慧
步子哥的博客
03-29 105
在事件摘要任务中，MemInsight 被用于从长对话中提取关键事件。仅使用属性（TL/SL）使用属性 + 原始对话（TL/SL）模型RelevanceCoherence3.273.522.863.293.462.923.053.412.694.304.534.60📌 结论：使用 MemInsight 的增强信息能生成更相关、更连贯的摘要，尤其是在 turn-level 上表现更佳。
AI人工智能深度学习算法：在流体动力学中的应用
AI天才研究院
07-16 1571
solution总结（Summary）：深度学习在流体动力学中的应用已经显示出巨大的潜力，为传统的流体动力学研究和工程应用带来了新的视角和工具。通过本次分析，我们可以得出以下几点结论：多样化应用：深度学习在流体模拟、参数估计、流场重建、湍流建模和流体控制等多个方面都有成功的应用。让我们继续总结和展望深度学习在流体动力学中的应用。总结（Summary）：计算效率提升：相比传统的数值模拟方法，深度学习模型在预测阶段能够显著提高计算效率，使得实时流场预测和快速设计优化成为可能。
AI智能体的智能记忆系统：Agentic Memory
AI人工智能的学习之路
06-17 1077
详细介绍了三种记忆类型：短期记忆（工作记忆）用于维持当前对话上下文；长期记忆包括程序性记忆（行为模式）、情景记忆（具体经历）和语义记忆（事实知识）。通过LangGraph框架，展示了如何在生产环境中实现记忆管理，包括检查点机制、数据库集成和语义搜索。 核心案例是构建一个具备完整记忆功能的电子邮件智能体，演示了如何将三种记忆类型有机结合。该智能体能够学习用户偏好、记住项目上下文、优化处理策略，并基于反馈自我改进。这标志着从无状态工具向真正智能的有状态智能体的关键转变。
【亲测免费】 推荐文章：Basic Memory —— 构建持久的知识库
gitblog_00534的博客
03-31 832
推荐文章：Basic Memory —— 构建持久的知识库 Basic Memory：项目的核心功能/场景 Basic Memory 是一款能够让用户通过与大语言模型（LLM）的自然对话构建持久知识的工具，所有信息都保存在本地的 Markdown 文件中。通过 Model Context Protocol（MCP）协议，实现任何兼容的 LLM 读写本地知识库的功能。 项目介绍 Basic Memo...
谷歌ai智能体解决方案：借助谷歌ADK在本地部署AI智能体
此星光明博客
05-30 1064
在Windows powershell中进行ADK的设定，这里第一步就是打开这个环境： .venv\Scripts\Activate.ps1，然后就是俭差我们安装的ADK：pip show google-adk。
【MNN】安卓下MNNV2Basic测速 FP32和FP16模型无差别的解决方法
Uiney的博客
12-05 445
使用MNNConvert命令中的 --fp16 模型转换生成的FP16.mnn模型在MNNV2Basic测速和FP32测速的结果相似，并没有出现折半的效果。
超越 RAG：Memobase 为 AI 应用注入长期记忆丨社区来稿
声网的博客
01-17 1091
简单来说，AI记忆可以看作是AI当前有限上下文的一种拓展。在产品的整个生命周期中，用户或者agent可能会产生海量的数据，甚至达到数百万到数千万条，然而AI大模型能够处理的上下文是有限的，通常在8K到128Ktokens。这就意味着，仅靠AI自身的上下文处理能力，是无法完全应对如此庞大的数据量的。因此，为了实现产品的完整功能，就需要引入一些额外的机制。例如，现在比较常见的对话session机制，就是通过重新开启对话窗口来清空之前的对话内容。
AI人工智能领域多模态大模型的产业生态构建_副本
AI 领航者的博客
05-30 374
在当今AI人工智能飞速发展的时代，多模态大模型成为了研究和应用的热点。多模态大模型能够处理和融合多种不同类型的数据，如文本、图像、音频等，从而提供更加全面和智能的服务。本文章的目的在于深入探讨AI人工智能领域多模态大模型的产业生态构建，涵盖从技术原理到实际应用的各个方面，旨在为相关从业者、研究者和投资者提供一个全面的参考，推动多模态大模型产业生态的健康发展。本文首先介绍多模态大模型的背景信息，让读者对其有一个初步的认识。接着详细阐述核心概念与联系，包括原理和架构。
Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory
qq_51180928的博客
06-01 829
Mem0
AI Agent 方法以及应用
学无止境
03-16 2785
一个以LLM为核心控制器的一个代理系统，比如AutoGPT、GPT-Engineer和BabyAGI。核心是意图理解与文本生成，如果能让LLM学会使用工具，那么LLM本身的能力也将大大拓展。规划（Planning）子目标和分解：代理将大型任务分解为更小、易于管理的子目标，从而实现复杂任务的高效处理。反思和提炼：代理可以对过去的行为进行自我批评和自我反思，从错误中吸取教训，并为未来的步骤改进它们，从而提高最终结果的质量。1.1 任务分解。
初识langchain[1]：Langchain实战教学，利用qwen2.1与GLM-4大模型构建智能解决方案[含Agent、tavily面向AI搜索]
丨汀、的博客
07-16 2216
初识langchain[1]：Langchain实战教学，利用qwen2.1与GLM-4大模型构建智能解决方案[含Agent]
人工智能ai技术案例_AI在软件测试中的案例
weixin_26641709的博客
09-01 2374
人工智能ai技术案例Too good to be true?难以置信？ 背景 (Background) Sometime in 2017 I set about doing a survey of the application of AI in testing and DevOps. That led to a series of talks I gave about the subject ...
opencv学习（图像梯度）
weixin_63566653的博客
07-26 431
在图像处理中，图像梯度（Image Gradient）是描述图像中像素值变化率的概念，是理解图像中 “哪里发生变化” 以及 “变化有多剧烈” 的核心工具。从简单的 Sobel 算子到复杂的 Canny 算法，本质都是通过梯度分析实现边缘提取，是计算机视觉中处理图像结构的基础。
时间序列预测Python机器学习应用
木头大左的博客
07-23 1362
时间依赖性：当前值受过去值的影响。趋势性：数据可能呈现长期上升或下降的趋势。季节性：数据在固定周期内重复出现的模式。噪声：随机波动，无明显规律。
跨境支付入门～国际支付结算（风控篇）
lkf19711的博客
07-25 842
跨境支付企业的"吞金兽"：风控系统成为最大成本黑洞。这类系统需采购海量第三方数据（年费超千万），并应对国际卡组织的高额合规要求（如VISA系统年增300万美元成本）。核心防控AML（反洗钱）和CFT（反恐融资）风险，通过四阶KYC认证体系（证件核验到持续监控）和KYB企业审查（股权穿透到贸易背景验证）。采用AI检测（准确率98.7%）、知识图谱等技术，并实施分级审核策略（CDD/EDD）。风控系统需融合3000+规则引擎和机器学习模型，实现全流程监控，是跨境支付企业的生死线。
腾讯内测的 AI 编程 IDE，上手表现如何？（含实测）
非著名程序员
07-22 1543
通过截图，我们可以看到，点击小火箭图标，也就是「部署」按钮之后，开始执行命令，先是创建 sandbox ，然后上传代码，安装部署环境和各种依赖，最后启动服务。另外，最后，我不得不夸一句，腾讯的产品力不仅体现在功能和人性化上，在产品设计上也是非常好，这个 IDE 的界面语言，是我目前见过的 AI 编程工具当中最好的。让你的需求变成真正可用的应用。虽然是基于开源的 VS Code IDE 衍化而来，但是，从整体的界面的细腻程度，真的做到了简洁大方，非常好看，给你一看就是一款有质感，有追求的 IDE。
大模型开发
2302_81352523的博客
07-23 1147
AI（人工智能）是使机器具备类人思考和解决问题能力的技术，其核心是Transformer神经网络模型（如GPT）。大模型应用结合传统编程实现记忆等复杂功能，应用开发技术包括Prompt问答、微调、Agent调用和RAG（外挂知识库），适用于客服、医疗、办公自动化等场景。AI通过数据训练掌握语言规律，处理模糊性问题，与传统程序互补形成强大应用。
RoPE：相对位置编码的旋转革命——原理、演进与大模型应用全景
最新发布
拒绝AI玄学，只聊真技术▲
07-26 863
RoPE通过几何旋转的统一框架，实现了位置编码的相对性、可逆性与外推性的平衡，成为大模型位置感知的基石技术。跨模态统一：N维李群框架支撑视频、3D点云位置建模动态频率学习：替代预设θbaseθbase​，实现任务自适应编码鲁棒性增强：融合FoPE思想抵抗深层频谱损坏RoPE的本质是将位置关系映射为复数空间的旋转群——它不仅是Transformer的“位置感知器”，更是AI理解时空的数学透镜。当旋转矩阵的维度从文本扩展到图像、视频乃至物理世界，位置编码的数学之美正在重构AI对世界的认知方式。
统计与大数据分析与数学金融方向课程差异有哪些？如何提升职场竞争力？
LRQ2025的博客
07-23 1134
统计与大数据分析和数学金融专业存在显著课程重叠（概率统计、编程、优化等），但主攻方向不同。统计侧重机器学习、大数据处理及广泛领域应用；数学金融则深入金融建模、衍生品定价等专业领域。建议新生结合兴趣（数据算法vs金融建模）与职业规划（数据科学家vs量化分析师），利用大一大二共同基础课程进行体验后选择。两个专业基础课高度相似，扎实掌握数学与编程核心能力是关键。
SpringAI会话记忆怎么保存到数据库
04-27
### Spring AI 会话记忆保存到数据库的配置方法 为了将Spring AI 的 `VectorStoreChatMemoryAdvisor` 或其他类型的会话记忆保存至数据库，可以采用持久化存储方案替代内存存储方式。以下是具体实现过程： #### 使用 Cassandra 数据库作为会话记忆存储 如果希望使用 Apache Cassandra 来存储会话记忆，则可以通过以下步骤完成配置。 1. **引入依赖** 在项目的 `pom.xml` 文件中添加 Cassandra 客户端支持的相关依赖项： ```xml <dependency> <groupId>com.datastax.oss</groupId> <artifactId>java-driver-core</artifactId> <version>4.15.0</version> </dependency> ``` 2. **创建 Cassandra 数据表结构** 需要在 Cassandra 中预先定义用于存储会话数据的数据表。例如： ```sql CREATE TABLE IF NOT EXISTS chat_memory ( session_id UUID PRIMARY KEY, messages MAP<TEXT, TEXT>, created_at TIMESTAMP ); ``` 3. **自定义 ChatMemory 实现** 编写一个基于 Cassandra 的 `ChatMemory` 类来代替默认的 `InMemoryChatMemory`。该类需继承 `org.springframework.ai.chat.ChatMemory` 接口并重写其核心方法。 下面是一个简单的代码示例： ```java import com.datastax.oss.driver.api.core.CqlSession; import org.springframework.ai.chat.ChatMessage; import org.springframework.ai.chat.ChatMemory; import java.util.List; import java.util.UUID; public class CassandraChatMemory implements ChatMemory { private final CqlSession cqlSession; private final String sessionId; public CassandraChatMemory(CqlSession cqlSession, String sessionId) { this.cqlSession = cqlSession; this.sessionId = sessionId; } @Override public List<ChatMessage> getMessages() { // 查询当前会话的消息列表 var query = "SELECT messages FROM chat_memory WHERE session_id = ?"; return cqlSession.execute(query, UUID.fromString(sessionId)) .one() .map(row -> row.getMap("messages", String.class, String.class).entrySet().stream()) .orElseThrow(() -> new RuntimeException("No memory found")); } @Override public void add(ChatMessage message) { // 将消息存入数据库 var currentMessages = getMessages(); currentMessages.add(message); var updateQuery = """ INSERT INTO chat_memory (session_id, messages, created_at) VALUES (?, ?, toTimestamp(now())) """; cqlSession.execute( updateQuery, UUID.fromString(sessionId), currentMessages.stream().collect(Collectors.toMap(m -> m.getRole(), m -> m.getContent()))); } } ``` 4. **集成到 Spring Bean 配置** 修改现有的 Spring Boot 应用程序配置文件以注入新的 `CassandraChatMemory` 对象。例如，在 Java Config 类中编写如下内容： ```java @Configuration public class AppConfig { @Bean public CqlSession cassandraSession() { return CqlSession.builder().withKeyspace("my_keyspace").build(); } @Bean public ChatMemory chatMemory(CqlSession cassandraSession) { return new CassandraChatMemory(cassandraSession, "unique_session_id"); } @Bean public ChatClient chatClient(OllamaChatModel model, ChatMemory chatMemory) { return ChatClient.builder(model) .defaultAdvisors(new MessageChatMemoryAdvisor(chatMemory)) .build(); } } ``` 以上即完成了从内存转向外部数据库（此处为 Cassandra）存储会话记忆的功能扩展[^1]。 --- ### 替代方案：使用关系型数据库 MySQL/PostgreSQL 存储会话记忆 对于更熟悉的关系型数据库用户来说，也可以考虑利用 JPA/Hibernate 把会话记录映射成实体对象进行管理。这种方式相对直观易懂，适合初学者尝试实践[^3]。 ```java @Entity @Table(name="chat_sessions") public class ChatSessionEntity { @Id @GeneratedValue(strategy=GenerationType.AUTO) private Long id; @Column(nullable=false) private String sessionId; @Lob @Basic(fetch=FetchType.LAZY) private String conversationHistory; // Getters and Setters omitted for brevity... } ``` 随后按照常规 ORM 流程操作此 Entity 即可达成目标。 --- ### 已知局限性与改进建议 尽管上述两种途径均能有效解决短期或长期储存需求问题，但仍存在一些潜在缺陷需要注意： - 如果选用 NoSQL 解决方案如 Cassandra，虽然具备高可用性和水平伸缩能力，但对于小型项目而言可能显得过于复杂； - 关系型数据库则面临性能瓶颈以及难以处理海量非结构化数据等问题；因此实际选型时应综合考量业务规模和技术栈特点作出最佳决策[^2]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

杨浦老苏

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值