AI 的记忆，正在变成一间谁也看不懂的地下室

这两个月我越来越强烈地感觉到一件事：AI Agent 的下一场战争，不在模型本身，而在记忆。

模型越来越聪明，工具调用越来越顺，MCP 也把外部系统接得像插排一样方便。可真正用起来以后，最折磨人的问题还是那个老问题：

它到底记不记得我是谁、这个项目是什么、上次为什么这么改？

如果不记得，每次新开会话都像重新带一个实习生。你要重新解释项目背景、目录结构、技术偏好、踩坑历史，解释到第三遍，人已经没了写代码的心气。

如果记得，另一个问题又来了：它把这些东西记到哪里了？

很多所谓 AI 记忆方案，本质是把对话、文档、网页切成 chunk，塞进向量数据库。需要的时候再靠相似度搜索捞出来。这个方案工程上成立，但使用体验很像把你的知识丢进一间地下室：东西确实在里面，但你看不见全貌，也很难知道它有没有记错、有没有过期、有没有把一句玩笑当成长期偏好。

更可怕的是，AI 记忆不是普通缓存。它会影响后续决策。记错一次，后面可能连错十次。

所以我今天看到 HelloGitHub 里推荐的 Tolaria，第一反应不是“又一个 Markdown 笔记软件”，而是：

这可能是 AI 记忆系统的一次路线回摆。

从“把知识埋进向量库”，回到“把知识写成文件”；从“模型自己猜该记什么”，回到“人和 AI 共同维护一套可读、可 diff、可迁移的长期记忆”。

这事值得写。

Tolaria 是什么：不是 Notion 复刻，也不只是 Obsidian 换皮

根据项目资料，Tolaria 是一个开源桌面应用，用来管理 Markdown 知识库。官方仓库介绍它支持 macOS、Windows、Linux，技术栈是 Tauri、React、TypeScript。

它的几个关键词很朴素：

• 本地优先
• Markdown 文件
• YAML frontmatter
• Git 版本历史
• 内置 MCP server
• 给 Claude Code、Codex 这类 AI 工具直接读写知识库

如果只看到前四个，你很容易把它归类为“又一个 Obsidian 替代品”。但加上 MCP server 之后，味道就变了。

传统笔记软件的核心用户是人。人打开界面，搜索、整理、链接、阅读。

Tolaria 这类工具的潜在核心用户变成了两类：人 + AI Agent。人负责判断和沉淀，AI 负责读取、整理、补全、执行。知识库不再只是“给我看的笔记”，而是“给未来的我和未来的 AI 一起用的操作系统”。

这就是它最有意思的地方。

为什么 Git + Markdown 这套老东西，突然又香了

过去几年，知识管理工具一直在往“更像应用”发展。

Notion 把文档做成数据库，飞书把协作做成工作台，Obsidian 把 Markdown 做成图谱。它们都在追求更强的界面、更复杂的组织方式、更顺滑的协作体验。

但 AI 进来以后，很多花哨能力反而变成负担。

AI 最喜欢什么？不是漂亮 UI，而是稳定、开放、可解析的文本边界。

Markdown 恰好满足这个条件：

• 人能直接读
• Git 能直接 diff
• grep 能直接搜
• LLM 能直接理解
• 任何编辑器都能打开
• 换工具成本接近于零

Git 也一样。对普通用户来说，Git 可能是个麻烦东西；但对 AI 记忆系统来说，Git 简直是天然黑匣子记录仪。

一次知识改动从哪里来？谁改的？哪天改的？改了什么？能不能回滚？能不能 review？这些问题，向量数据库通常回答得很别扭，Git 却回答得非常自然。

这就是我觉得 Tolaria 路线值得关注的核心原因：它没有发明一套新的知识格式，而是把 AI 接回了软件工程过去几十年最可靠的基础设施。

有点像把一只爱乱跑的机器狗，重新拴到版本控制这根结实的链子上。

向量数据库的问题：它擅长召回，不擅长负责

这里不是说向量数据库没用。恰恰相反，RAG、语义搜索、长文档检索都离不开它。

但把“长期记忆”完全交给向量数据库，会有几个天然问题。

第一，记忆不可读。

你看到的是一堆 embedding、chunk、metadata。普通用户很难像读文件一样审查它。AI 说“我记得你喜欢 X”，你想确认它到底从哪句话学来的，往往并不直观。

第二，记忆难以整理。

人类的长期记忆不是原始对话堆积，而是提炼后的规则、偏好、教训、原则。向量库可以存这些东西，但它本身不鼓励你像整理文档一样维护它。

第三，记忆过期很危险。

项目从 Express 换到 Fastify，团队从 pnpm 换到 bun，部署从 VPS 换到 Cloudflare。旧记忆如果没有明确生命周期，就会变成幽灵配置，在未来某天突然冒出来坑你。

第四，记忆难以协作。

团队知识最怕“只有某个工具知道”。如果记忆存在某个 SaaS 黑盒里，迁移、审计、备份、权限都要重新设计。

而 Markdown + Git 的解法很粗暴：记忆就是文件。错了就改，过期就删，有争议就开 PR，坏了就回滚。

这不高级，但可靠。

Tolaria 真正对标的，不是 Obsidian，而是“AI Agent 的工作记忆层”

如果按普通笔记软件看 Tolaria，很容易问：它有双链吗？有插件生态吗？有画布吗？有移动端吗？

这些问题当然重要，但不是最关键。

我更关心的是另一组问题：

• AI 能不能安全读到相关笔记？
• AI 能不能写回结构化总结？
• 写回内容能不能被人审查？
• 记忆变更能不能被 Git 记录？
• 不同 AI 工具能不能共享同一套知识库？
• 换 Claude Code、Codex、Gemini CLI 时，记忆还在不在？

这些问题，才是 AI 时代知识库的分水岭。

Tolaria 的内置 MCP server 正好踩在这个点上。MCP 的价值不是“多一个接口”，而是让 AI 工具拥有一套标准化方式去访问外部上下文。知识库一旦通过 MCP 暴露，Claude Code 或 Codex 这类工具就不再只能读项目代码，也可以读你的项目决策、运维手册、踩坑记录、写作风格、长期偏好。

这时候，Markdown 知识库就不再是“资料柜”，而是 Agent 的长期工作台。

它可以记录：

• 某个项目为什么不用某个库
• 某个服务器的发布流程
• 某类文章的标题偏好
• 某个用户反复强调的禁忌
• 某次故障复盘后的规则修订
• 某个脚本的危险边界

这些信息如果只放在聊天记录里，过几天就沉底。如果放进向量库，你不一定知道它是否被正确提炼。如果放进 Markdown + Git，至少人能看，AI 也能看。

一个更现实的场景：把 AI 记忆从“玄学”变成“文档工程”

假设你有一个长期维护的个人自动化系统。里面有几十个脚本，几个 NAS 路径，一堆发布流程，还有一些血泪事故。

传统做法是：

• 规则写在 README.md
• 私密信息写在 .env
• 操作步骤散落在聊天记录
• 事故教训躺在某次复盘文档
• AI 每次新会话重新问你一遍

向量记忆做法是：

• 把历史对话和文档塞进记忆库
• 让 AI 自动检索相关片段
• 祈祷它召回的是最新版本

Tolaria 代表的做法更像这样：

• 每个项目有自己的 Markdown 知识库
• 关键规则用清晰文档沉淀
• 每次 AI 写入都留下 Git diff
• 人定期 review 和整理
• MCP 让 AI 在需要时读取这些文件

这就从“AI 也许记得”变成了“系统明确有一份记忆文档”。

区别很大。

前者像跟一个记性不错但爱脑补的同事合作；后者像跟一个会查手册、会提交变更、会留下审计记录的工程师合作。

我更信后者。

当然，Tolaria 也不是银弹

冷静一点看，Tolaria 这条路线也有明显限制。

第一，它要求用户愿意维护知识结构。

Markdown 文件再开放，如果没人整理，也会变成一片森林。AI 可以帮你归档，但最终哪些内容该进入长期记忆，哪些只是临时噪音，仍然需要人定规则。

第二，Git 对非技术用户仍有门槛。

即使 Tolaria 把界面做得再友好，冲突、分支、远程同步这些概念也不可能完全消失。它天然更适合开发者、技术团队、重度知识工作者。

第三，MCP 带来能力，也带来权限风险。

AI 能读写知识库是一件很爽的事，也是一件需要边界的事。哪些目录只读？哪些文件能改？写入是否需要确认？敏感信息怎么隔离？这些都是必须设计的安全问题。

第四，它和向量检索不是二选一。

Markdown + Git 适合做可审查的长期记忆底座；向量检索适合做语义召回。真正成熟的方案，大概率是两者结合：文件作为事实源，索引作为加速层。

这就像数据库和搜索引擎的关系。数据最终要有主库，搜索只是入口。

我会怎么用它：不是替换所有笔记，而是建一个 AI 可读的“工作记忆仓库”

如果现在让我把 Tolaria 放进工作流，我不会一上来迁移所有笔记。

我会先建一个很小的 AI 工作记忆库，只放最能提高 Agent 命中率的东西：

• projects/：每个项目的背景、技术栈、发布流程
• decisions/：重要架构决策和原因
• incidents/：事故复盘和禁止再犯事项
• preferences/：写作风格、命名规则、输出格式
• procedures/：可重复执行的操作流程
• glossary/：内部术语和缩写解释

然后让 AI 只在明确任务里读写它。

比如写文章前，AI 先读 preferences/writing-style.md；发布前，读 procedures/publish-softon.md；遇到报错，查 incidents/ 有没有类似事故。

这样做的收益很直接：AI 不需要“神奇地记住一切”，它只需要像一个靠谱工程师一样，先看文档，再动手。

这才是我认为 AI Agent 落地最健康的形态。

真正的趋势：第二大脑不再只属于人

过去我们说“第二大脑”，默认是人类自己的外部记忆系统。笔记、标签、链接、回顾，都是为了让人更好地思考。

AI Agent 出现后，第二大脑的使用者变了。

未来的知识库，不只是给你看的，也要给 AI 看的；不只是保存想法，也要保存流程；不只是沉淀知识，也要约束行为。

这会改变知识库工具的评价标准。

漂亮界面仍然重要，但不再是唯一重点。更关键的是：

• 文件是否开放
• 格式是否稳定
• 变更是否可追踪
• AI 是否能通过标准协议访问
• 人是否能审查 AI 写入的内容
• 换工具后资产是否还在

Tolaria 之所以值得关注，不是因为它功能已经碾压 Obsidian 或 Notion，而是因为它踩中了这个方向：AI 时代的知识库，必须同时服务人类认知和机器执行。

结语：AI 记忆越强，越需要回到朴素系统

技术行业很喜欢把问题包装得越来越玄：记忆层、智能体、上下文工程、语义索引、长期偏好建模。

这些词都没错，但最后落到真实工作里，你会发现一个很朴素的事实：

最可靠的记忆，仍然是你能打开、能阅读、能修改、能回滚的那份文件。

Tolaria 给我的启发就在这里。

AI Agent 当然需要向量搜索，需要自动总结，需要上下文压缩。但它更需要一个可信的事实源。否则记忆越多，幻觉越有根；自动化越强，误操作越难排查。

Markdown + Git 看起来老派，甚至有点土。但在 AI 记忆这件事上，土反而是优点。

因为它不神秘。

它告诉你：知识就在这里，历史就在这里，改动就在这里。AI 可以参与，但不能偷偷改写你的世界。

这可能就是下一代第二大脑最重要的底线。