按兴趣浏览，循来源深入。
GitHub 项目 Axo 开源，定位为「从 BioSNN 长出的第一个心智」的桌面终端，名字取自六角恐龙，内置角色千岁（阿螈）。其核心机制是把长期记忆、人格锚与偏好权重存成本地文件（SQLite + npz + YAML），模型只通过检索注入读取，换模型即换读者、库一字节不变；上下文采用分层装配加硬 token 预算、超预算反向驱逐与滚动摘要，每轮产出可审计的注入账本。支持 Ollama 本机模型或 DeepSeek 等云端 API，随包离线语音识别（vosk）、ZipVoice 本地 TTS、通话模式、记忆浏览器、睡眠巩固、手机加密同步与插件系统，代码 Apache-2.0，随包 ZipVoice 权重按 CC-BY-NC-4.0 仅限非商业再分发。
推荐理由：这个终端侧记忆与人格方案把记忆库放在本地而不是模型里，换模型不丢人格，工程取舍都写得很具体。
CodfishYao 在 GitHub 发布 DeepSeek Harness（DSH）本地知识库插件 dsh-knowledge-base-local，以纯 Markdown 为数据源，支持 agent 工具、CLI 和 Web 面板三种访问方式。功能包括 BM25 加向量混合检索、三种向量模式（本地/LLM/api embedding）、PDF 和 Office 零依赖文本抽取、MCP server（stdio 或 Streamable HTTP，可接入 Claude Desktop、Cursor）、AES-256-GCM 静态加密与多用户 RBAC。零运行时依赖，仅需 Node.js ≥ 22，采用 MIT 协议。
推荐理由：为 DeepSeek Harness 做的本地知识库插件，以纯 Markdown 存储、零运行时依赖，检索、加密、MCP 接入的实现思路可直接借鉴。
Peristyle 在 GitHub 发布了开源项目 harness，一个面向大语言模型的多智能体框架：每个智能体一个 Postgres schema 实现隔离，记忆以行存储并用 pgvector 向量相似度加 trigram 文本检索做混合召回。全部智能体由一个 Flask 进程和端口服务，浏览器聊天界面加 REST API 和移动 PWA，支持多智能体群聊（仅被 @ 提及的智能体回复）、回合中插话、上下文超限时整体丢弃最旧迭代并在系统提示中告知、每晚重读身份文件。智能体身份由 IDENTITY.md、SOUL.md 等 Markdown 文件构成，每回合开始时读取，改动无需重启即生效。安装只需克隆仓库加一个 config.yaml，附 MIT 许可证。
推荐理由：原文把 Postgres schema 隔离、混合检索和截断降级等设计讲得具体，读者可以照着复现这套多智能体记忆架构。
RustColeone 发布 mneme-llm，把 AI 伴侣的记忆和心情保存在一个不依赖特定模型的 SQLite 文件里，更换 DeepSeek、Claude、GPT 或本地模型后仍可复用。召回按证据、新鲜度、重要性和情绪打分并限额注入，笔记以数据而非指令形式交给模型；心情为 0–100 数值加七种情绪，按半衰期衰减。仅依赖 Python 标准库，支持 OpenAI 风格 API、Claude、Gemini 的工具定义及 MCP 服务器，MIT 协议开源。
推荐理由：原文讲清了单文件记忆库的证据评分召回、心情衰减和跨模型便携的构造方式，可迁移到自己的 AI 伴侣项目。
BabyZilla 是一个 OpenCode v2 插件，通过七层机制压缩上下文，宣称可节省 70–99% token。它把会话摘要蒸馏为状态、决策等 JSONL 模块，按请求将消息列表限制在 8%（下限 12K、上限 45K token），压缩旧工具输出与推理文本，每条被省略内容都可用 babyzilla recall 命令恢复原文。支持 Kimi K3 这类 1M 窗口模型和小窗口本地模型，压缩方式保持字节稳定以维持 provider prompt cache 有效；附带可选桌面宠物 CLI 和带硬性限制的自调优循环。项目地址 https://github.com/StibaDu/babyzilla，已在 OpenCode v2.0.29（macOS）测试。
推荐理由：README 给出七层压缩的具体机制和分层实测数据，并解释了缓存噪声与可逆召回设计，适合评估长会话成本问题的人参考。
just-agent 仓库提交至 Agent Memory Leaderboard 文本记忆开源/学术方法赛道，实现同步 Add 和按 user_id 隔离的 Search，仅返回排序后的来源证据而不生成答案。当前版本 v1.4 在确定性核心上加入无时间戳消息的 temporal fallback、按查询类型区分的 recency 权重等守卫式改动，基于 SQLite FTS5 无需第三方依赖；本地评测显示 v1.3 在 locomo10 上 MRR 由 0.6203 升至 0.6324，但尚未获得官方评分。
推荐理由：仓库给出了各版本在合成数据与 locomo10 上的消融指标，读者可以对照复现这套确定性记忆检索的取舍。
作者 Harland 发布开源工具 Penpal，在 Mac 上本地采集窗口切换、剪贴板、键盘文字片段和浏览器地址，通过 MCP 交给 Claude Code、Codex、Cursor 查询，每条结果可打开原始出处，数据只存在本机 ~/.penpal/。作者用 50 题评测集测得三轮平均召回准确率 93%（46.7 题），越权返回 0 次；工具支持按分类授权、入库前脱敏、审计查询记录，目前仅支持 macOS，键盘片段尚不能可靠覆盖中文输入法，许可证为 Apache 2.0。
推荐理由：作者给出50题本机评测集的93%召回准确率和隐私边界设计细节，读者可以对照它相对 AI 加 bash 的实际收益。
wangwenrui-mm 在 GitHub 开源 memory-receipts，一个跑在本机的长期对话智能体，核心是记忆可溯源、错了能改，支持控制台、网页、QQ 和科研版四种接入。核验设计上排除智能体自指证据后，300 轮实测准确率 88.3%、误报率从 13.3% 降到 6.7%；被判无依据的陈述只附加否定标记不删改原文。出厂自检 27 项与加压 16 项全部通过，向量检索与语音合成本地运行，生成上下文会发给所配模型 API（默认 DeepSeek）。
推荐理由：README 附上自指证据排除的前后对照实验和压测数据，读者可以据此评估这套带凭证核验的记忆方案实际可靠到什么程度。
作者发布 pi-vcc，为 Pi 编程智能体提供不调用LLM的算法式会话压缩，靠提取与格式化生成摘要。与 Pi 默认方案相比，中位体积缩减97.6%，压缩延迟中位1ms，成本为零，输出确定性一致；基于1884个真实会话实测。压缩后的历史可通过 vcc_recall 按关键词或正则搜索回原始会话文件，摘要按最多6个分段加简要转写组织，多次压缩时分段合并并重新封顶。安装方式为 pi install npm:@sting8k/pi-vcc 或从 GitHub 安装，MIT 许可。
推荐理由：作者用1884个真实会话给出压缩率与延迟的量化对比，读者可据此评估这套无LLM的上下文压缩方案是否值得装。
作者开源了 Mnemochat，让 API 驱动的 QQ 群聊机器人像人一样记住群友，采用 STM 到 Staging 到 LTM 的分层漏斗加艾宾浩斯衰减（R=exp(-Δt/S)，每次召回 S×1.25 封顶一年）与 BM25/向量/实体图混合检索。项目只追加不物理删除，遗忘仅是检索权重衰减；单文件 SQLite 存储、零外部服务依赖，检索阶段零 LLM 调用，已接入 OneBot v11（NapCat/LLOneBot/Lagrange）并内置离线控制台模拟器，附 47 个离线测试。
推荐理由：README 给出了从衰减公式到巩固与检索的完整实现细节，读者可以照此评估并复用这套群聊记忆方案。
mojoaar 在 GitHub 发布自托管编码智能体长期记忆工具 Mímir 0.2.0，单容器部署，通过 MCP 和 REST 存取记忆，按仓库路径作用域提供决策、约定与经验。记忆以路径树存储，每条含标题、摘要和正文，人类可读，不存不可检查的嵌入向量；提供七个 MCP 工具，支持关键词与语义混合搜索，学习用 DeepSeek 或 OpenCode 等自有模型，语义搜索默认可用 Ollama 的 nomic-embed-text（768 维）。尚未支持备份、MFA、审计页面、记忆浏览器、i18n 和导入已有仓库。
推荐理由：自托管编码智能体长期记忆方案，路径树加人类可读存储，不依赖黑盒嵌入，给出了完整的部署与接入方法。
作者开源了 Tony，一个用 Python 从零构建的个人 AI 智能体，目的是学习智能体内部原理，v2 版新增对话与工具，测试台词得分 108/108。人格保存在版本化文本文件中，回答可标记好坏以指导调整；记忆由笔记、会话摘要和最多 40 条事实的整合记忆组成并进入 prompt。默认模型 qwen3:4b，依赖 uv 和 Ollama，采用 MIT 许可证。
推荐理由：作者把人格改动变成可测量的流程，用测试台词加裁判模型打分，只保留不变差的修改，做法可迁移到其他本地智能体项目。
OpenLore 是一个面向 AI 编码智能体的本地优先记忆与护栏工具，基于静态分析构建代码知识图谱，热路径无 LLM、无需 API key，同一查询始终返回相同答案。一条 openlore install 命令可自动检测 Claude Code、Cursor、Cline 等智能体并注册 MCP 服务器；orient() 单次调用返回任务相关函数、调用者与插入点（15k 节点图上约 430µs p50）。在 Spec 14 基准中，大型陌生仓库的深度任务往返次数下降 26%（excalidraw 25→16），小型熟悉仓库则常为负收益，官方同时公布了亏损数据。治理侧提供 breaking-change 判定、敏感边界检查、verify_claim 与统一提交门 openlore enforce。
推荐理由：README 公开了随仓库规模变化的收益与亏损实测数据，并给出在自己仓库上复现的命令，方便读者判断工具是否适用。
sekhonlabs 在 GitHub 开源 exposurie，一个由编码 Agent 构建、策展和读取的本地外部记忆工具，用纯 Markdown wiki 保存用户身份、决策与项目背景，支持 Claude Code、Codex 和 Cursor。零运行时依赖，无服务器和 API key，通过 /exposurie-sync 斜杠命令同步，可从 claude.ai 和 ChatGPT 导出、本地会话记录及 raw/ 目录文档中分批填充记忆；实测显示会话语料约99%字节是工具调用等非对话内容，过滤后缩减84倍，并提醒 Claude Code 默认30天删除记录，建议将 cleanupPeriodDays 设为3650。
推荐理由：原文给出实测数字支撑设计取舍，如会话语料中对话仅占约1%、Claude Code 默认30天删除记录，读者可据此评估外部记忆方案。
Anton Sannikov 在 GitHub 发布 Mnema，一个把用户记忆存为本地纯 Markdown 文件的工具，供 Claude、ChatGPT、Gemini、DeepSeek 或本地模型共享上下文，无云端、无账号，支持 Windows、macOS 和 Linux。记忆包含画像、记忆地图和带日期的事实，过期事实会被重写或归档；支持多模型协作模式（Council、Debate、Red team 等），可通过 MCP 接入 Claude Code、Claude Desktop 和 Cursor，内置 13 个本地模型选项并支持 Ollama。
推荐理由：本地 Markdown 文件记忆可同时供云端与本地模型读取，原文还给出 153,000 字符合同问答中 token 消耗的实测数据。
作者发布 Hive 仓库，一套本地优先的语言模型记忆、验证与路由栈，含 Splinter Memory 长对话记忆系统、The Hive Cascade 求解检测修复升级循环，以及评测套件 HiveBench，论文与实现可复现。状态页显示 35B 与 27B 档位已实测，176B 档生成净零收益，漂移基准无效正在重建；栈不绑定引擎，以角色槽适配 llama.cpp 等后端，MIT 协议开源，仓库地址 https://github.com/sky-is-green/hive 。
推荐理由：作者把记忆系统、无答案键的验证修复循环和评测套件合成一套本地栈，并公布了各档位的实测与失效数据。
开发者 Ramón Burgos 发布 SynaptoCore，一个用 Rust 编写的本地服务器，通过 SQLite 中的知识图谱（主体→关系→客体）为 Ollama 本地模型提供长期记忆，回答时引用来源并标注知识出处。记忆不足时经 SearXNG 联网检索并引用来源，后台只固化可验证的事实；未使用的推论按来源权重衰减遗忘，用户教授的内容永久保留。支持 JSONL 批量导入（含 Wikidata 脚本）、深度研究流程、任意精度计算器、JSON 声明式 HTTP 连接器、REST/SSE/WebSocket 接口和 CLI，默认模型为 qwen3.5:2b-q4_K_M，MIT 协议开源。
推荐理由：原文完整公开了记忆图谱的存储结构、来源追溯和遗忘规则，读者可以据此评估这套本地长期记忆方案是否适合自己的部署场景。
Phova 在 GitHub 发布 uTTT（Universal Test-Time Training）框架，覆盖远端元训练、自动化部署与交互式个性化推理全流程，针对单卡 NVIDIA RTX 5090（32GB GDDR7，Blackwell sm_120）做算子级与显存级优化。核心包括跨层共享快权重池与 SwiGLU 解析式块状梯度（用 torch.bmm 一次算出）、双轨 Checkpoint 管理（base_uttt.pt 加 personas/{user_id}_state.pt）与三级 LRU 缓存，个性化通过流式生成、Chunk TTT 更新、惊奇度门控与弹性锚点实现。
推荐理由：原文给出了从元训练到多租户个性化服务的完整部署链路和指令集，读者可以照着在单卡 RTX 5090 上复现这套测试时训练流程。
作者开源 AIIA（AI Information Architecture）v0.6.0，一个本地优先的双向记忆中间层，把你的决策、模式、故事和会话历史送进 Claude Code、Cursor 等工具的上下文，并通过 MCP 把工具的观察、决策和调试经验写回你的记录。底座包含 9 类带质量评分和衰减机制的类型化记忆、三级本地 LLM 栈（本地模型优先，Anthropic / Google 兜底）、后台任务、MCP server 和 aiia CLI，还有 Brain API（localhost:8100）与 Command Center（localhost:8200）两个界面及带人工审核的 Agent Studio。
推荐理由：开源的记忆中间层，双向同步你的决策与 AI 工具的观察，给出的架构细节可直接用于搭建本地持久记忆。
lucasmartins-ai 发布 lcc-judge，即 LCC（Local Context Compiler）的本地块评分器及其基准，用于在压缩 Agent 上下文时给每个块打分并优先丢弃最低分。当前默认的 specialist v3 为 183 KB 的逻辑回归加梯度提升树模型，仅依赖 numpy，CPU 单条约 0.2 s、峰值 RSS 97.5 MB，已通过 lcc#50/#51 合并进 LCC，取代已弃用的 Laya 和付费远程 Jev（Jev 仍可手动启用）。
推荐理由：原文给出预注册留出测试与成本数据，可据此判断这个小模型上下文裁剪评分器相对基线和 LLM 参照的真实差距。