按兴趣浏览，循来源深入。
shaneconner 发布 pi-fold，一个 Pi 扩展，将会话最旧部分折叠为简短 brief 移出上下文窗口，原文按字节保留在会话文件中并记录 SHA-256 哈希，可随时展开恢复。机制上通过 mark 延迟改动、在 commit 时一次性重写，使 prefix cache 每次提交只消耗一次。在 curl 仓库 64 阶段基准中，pi-fold 加记忆存储以约一半成本（$100.85 对 $201.70）达到与压缩加存储相同的 14/16 正确率；确定性 brief 为默认形态，agent 自写 brief 表现最差。需 Node 22+ 与 Pi 0.83+，MIT 许可，四篇实验论文已存 Zenodo。
推荐理由：作者用同一 64 阶段任务实测了折叠与压缩两种方案的成本和召回差异，读者可据此判断是否值得替换默认压缩。
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。
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。
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。
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。
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。
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。
作者发布 Kaiacord，一个自托管的 Discord 伴侣机器人 Kaia，主打有持续内在生命感：情绪、关系、信念和情景记忆持久化到磁盘，可在重启后延续，每晚 03:00 至 05:00 复盘当天对话并更新长期记忆。技术栈为 Ollama 运行 gemma3:12b 负责对话与视觉，nomic-embed-text-cpu 在 CPU 上跑检索嵌入，BM25 与向量检索经 Reciprocal Rank Fusion 合并，并有一条后处理守卫管线清除提示词回显、伪造引用和谄媚语气；另含 Python 计算数值的持久化 RPG Aethelgard、本地 DJ 音乐、RTL-SDR 短波监听等功能。仓库采用 MIT 许可，地址 https://github.com/Ekco-S64QTN6/Kaiacord。
推荐理由：原文完整给出了情绪、信念、情景记忆的持久化设计与检索融合、生成守卫的实现细节，可作搭建有持续内在状态的自托管伴侣机器人的参考。
开源项目 Afterglow 将真实聊天记录清洗、切分并向量化，结合 RAG、人格上下文与生活状态，让 AI 在新对话中延续熟悉的交流方式，本地部署且不微调模型权重。支持 QQ、微信、抖音、WhatsApp、Telegram、Discord 等多种导出格式导入，采用五路向量混合检索与 RRF 融合，通过 OpenAI 兼容 API 对接外部客户端，向量与人格数据默认存于本地 LanceDB。项目以 AGPL-3.0-or-later 协议开源，仓库地址 https://github.com/kldhsh123/Afterglow。
推荐理由：项目文档写清了从真实聊天记录到分层混合检索、人格与生活状态的完整构造方法，读者可以据此评估复用或自部署的可行性。
awnpw 开源了 Nekolyra，一个跑在自己电脑上的 QQ 群 AI 机器人，带群/人/画像三层 SQLite 长期记忆、分文件夹知识库、表情库、语音合成和 14 页 Web 管理界面。支持 Windows/Linux/Docker 三种部署，数据全存本地，需另配 QQ 协议端和 AI 接口；README 同时列出了语音、识图、群管等模块的成熟度边界和已知不一致之处。
推荐理由：README 把功能边界和未实测部分都写清楚了，想自部署 QQ 群 AI 机器人的人可以直接对照判断成本和坑。
GitHub 用户 sidvw1808 开源 PersonaRAG，一个用 RAG 模拟 Elon Musk、Tim Cook 等公众人物已公开观点的对话系统，回答带编号引用并标注强/部分/弱/无依据的 grounding 等级。系统用 bge-small 嵌入加 ChromaDB 存储每人物知识库，BM25 与向量检索经 RRF 融合后再用 cross-encoder 重排，在 Elon Musk 评测集上把 hit-rate@6 从 0.90 提到 1.00、MRR 从 0.70 提到 0.78；LLM 后端可插拔，支持 Claude API 或经 Ollama 在 4 GB GPU 上离线运行 qwen2.5:3b。
推荐理由：作者给出了检索各模式的实测对比和评测驱动的提示词迭代过程，读者可以借鉴其引用率与弃答指标的做法。
作者 Dhruv Mojila 开源了 poincare-memory，作为其 ICBDML 2026 论文的几何感知记忆组件参考实现，把 LLM Agent 与 RAG 的记忆放入 Poincaré 球，用层级深度、文本嵌入方向编码，并支持 HalfLife 等时间权重策略。依赖仅 Python ≥ 3.10 与 NumPy，无需 GPU，支持子树等结构化检索、HTML 可视化和 SQLite 持久化；基准显示 mammal.n.01 子树（1,170 节点）上 dim=5 时 Poincaré MAP 0.975 对 Euclidean 0.802，作者注明论文实验系统未发布，本仓库基准数字仅来自此处代码。
推荐理由：原文给出把记忆放入双曲 Poincaré 球的具体编码与打分方法，并附 WordNet 重建基准对比，方法可复现可迁移。