AIVectorMemory：给你的 AI 编程助手装上"长期记忆"

每次开新会话，AI 助手就像失忆了一样？AIVectorMemory 这个开源 MCP Server 项目，用向量数据库帮 AI 实现跨会话记忆持久化，终结重复粘贴上下文的痛苦。
项目地址：https://github.com/Edlineas/aivectormemory

一、痛点：AI 编程助手的"金鱼记忆"

如果你经常使用 Claude Code、OpenClaw、OpenCode、Cursor、Windsurf 等 AI 编程工具，一定遇到过这样的场景：

昨天你花了半个小时教会 AI 你们项目的代码规范，今天打开新会话——它全忘了。上周踩过的数据库连接池坑，这周又被 AI 引导着踩了一遍。更不用说开发到一半的任务进度，每次都要从头交代背景。

你只能不断复制粘贴项目上下文，Token 疯狂消耗，效率大打折扣。

AIVectorMemory 就是为了解决这个问题而诞生的。

二、AIVectorMemory 是什么？

AIVectorMemory 是一个基于 Model Context Protocol (MCP) 开发的轻量级记忆管理 Server。它通过本地向量数据库，让 AI 编程助手具备跨会话的持久化记忆能力。

简单来说，它做了三件事：

记住 — 项目知识、踩坑经验、开发决策、用户偏好，全部存入本地向量数据库。

回忆 — 新会话启动时，通过语义搜索自动恢复上下文。你搜"数据库超时"就能找到之前记录的"MySQL 连接池踩坑"，不需要记住原文怎么写的。

管理 — 内置问题跟踪和任务管理，从发现 Bug 到修复验证，形成完整的开发闭环。

三、技术架构一览

AIVectorMemory 的架构设计相当精简。最上层是你正在使用的 AI IDE（Cursor、Claude Code、Kiro 等），通过 MCP 协议的 stdio 方式与 AIVectorMemory Server 通信。

Server 内部由三层组成：

工具层：提供 8 个 MCP 工具——remember（存记忆）、recall（语义搜索）、forget（删除）、status（会话状态）、track（问题跟踪）、task（任务管理）、readme（文档生成）、auto_save（自动保存偏好）。

Embedding 层：使用 ONNX Runtime 加载 intfloat/multilingual-e5-small 模型，在本地完成文本向量化，不依赖任何云端 API。中英文混合内容都能处理。

存储层：SQLite 搭配 sqlite-vec 向量索引扩展，所有数据存储在本地 ~/.aivectormemory/memory.db 中，完全离线可用。

这套架构的好处很明显——零云服务依赖、无需 API Key、数据不出本机，对安全敏感的开发环境非常友好。

四、核心特性深度解读

4.1 语义搜索，而非关键词匹配

传统的笔记工具搜索靠关键词精确匹配。AIVectorMemory 不同，它把每条记忆转换为向量，通过余弦相似度进行语义级别的匹配。你用"接口响应慢"去搜，也能召回之前记录的"API 超时优化方案"。

4.2 智能去重

相似度超过 0.95 的记忆会自动合并更新，而不是堆积重复条目。记忆库始终保持干净整洁，不会随着使用越来越臃肿。

4.3 多项目隔离

一个数据库管理所有项目，但项目之间的记忆自动隔离，互不干扰。同时也支持 user 级别的跨项目记忆（比如你的编码偏好），切换项目时无感知。

4.4 任务驱动开发

这是 v0.2.5 版本引入的一个亮点功能。track（问题跟踪）和 task（任务管理）通过 feature_id 打通，形成"发现问题→创建任务→执行→状态同步→归档"的完整链路。任务完成时自动同步关联问题的状态，归档时自动联动。

4.5 Web 看板

通过 run web --port 9080 启动一个本地看板，提供记忆浏览、语义搜索、编辑删除、导入导出、标签管理、会话状态查看等功能。最有意思的是它还有一个 3D 向量记忆网络可视化，可以直观地看到各条记忆之间的关联关系。

五、快速上手

安装

最简单的方式是通过 pip：

pip install aivectormemory

然后进入你的项目目录，运行交互式安装：

cd /path/to/your/project
run install

这个命令会引导你选择 IDE，自动生成 MCP 配置、Steering 规则和 Hooks 配置，基本上开箱即用。

如果你不想全局安装，也可以用 uvx 直接运行：

uvx aivectormemory install

IDE 支持

目前已经覆盖主流 AI 编程工具：Cursor、Claude Code、Kiro、Windsurf、VSCode (Copilot)、Trae、OpenCode，甚至 Claude Desktop 也支持。每个 IDE 的配置文件路径不同，但 run install 会自动处理。

macOS 用户注意

macOS 自带的 Python 和 python.org 官方安装包不支持 SQLite 扩展加载，如果遇到 enable_load_extension 错误，需要改用 Homebrew 安装的 Python：

brew install python
/opt/homebrew/bin/python3 -m pip install aivectormemory

中国大陆用户

首次运行会自动下载 Embedding 模型（约 200MB），如果速度慢，可以设置 HuggingFace 镜像：

export HF_ENDPOINT=https://hf-mirror.com

六、Steering 规则：让 AI 知道"何时、如何"调用记忆

AIVectorMemory 本质上是存储层，它需要通过 Steering 规则 告诉 AI 什么时候去调用这些记忆工具。

run install 会自动生成一套完整的规则文件（写入到各 IDE 对应的规则目录中），核心逻辑大致如下：

新会话启动时，按顺序执行 recall 加载项目知识和用户偏好，再用 status 读取上一次的会话状态。收到用户消息后，先判断消息类型，对于代码问题会通过 track 记录、recall 查找已有踩坑经验、提出方案后设置阻塞等待确认，修复完再设置阻塞等待验证。整个流程强调"操作前验证、禁止盲目修改、自测通过才算完成"。

这套规则设计得很克制——AI 不能自行清除阻塞，必须得到用户明确确认才能继续，这在 AI 编程工具中是一个很好的安全实践。

七、实际使用效果

根据项目描述，使用 AIVectorMemory 后 Token 消耗可以降低 50% 以上。这个数字是合理的——不再需要每次对话都粘贴大段项目背景，语义检索只按需召回相关记忆，避免了全量上下文注入。

更重要的是开发体验的提升。AI 终于能"记住"你的项目了。你定下的代码规范、踩过的坑、做过的技术决策，不会因为换了个会话就消失。这对于长期迭代的项目来说价值很大。

八、技术栈总结

组件	技术选型
运行时	Python >= 3.10
向量数据库	SQLite + sqlite-vec
Embedding 模型	ONNX Runtime + multilingual-e5-small
分词器	HuggingFace Tokenizers（中文使用 jieba）
通信协议	Model Context Protocol (MCP)
Web 看板	原生 HTTPServer + Vanilla JS

整体走的是"轻量纯本地"路线，没有引入 Redis、Milvus 之类的重型依赖，安装部署成本很低。

九、写在最后

AIVectorMemory 是一个很实用的项目。它瞄准的是 AI 编程助手最大的痛点之一——跨会话记忆缺失，给出了一套轻量、本地、开源的解决方案。

项目目前版本 v0.2.8，迭代速度不慢，功能链路也比较完整（记忆管理 + 问题跟踪 + 任务管理 + Web 看板）。如果你日常重度使用 AI 编程工具，值得试一试。

项目地址：https://github.com/Edlineas/aivectormemory

---

如果这篇文章对你有帮助，欢迎点赞收藏关注，也欢迎在评论区分享你的使用体验。