1. 项目概述为AI打造一个永不遗忘的“外置大脑”如果你每天都要和Claude、ChatGPT这类AI助手打交道那你一定对下面这个场景深恶痛绝每次开启新对话AI都像得了失忆症你不得不把项目背景、个人偏好、团队规则、技术栈细节再复述一遍。笔记软件和文档库看似是解决方案但它们对AI来说是“扁平”且“无脑”的——AI不知道哪些规则必须优先遵守哪些文档只在特定场景下才需要查阅更不知道如何在海量信息中精准找到当前任务最相关的那几条。这就是Open Brain要解决的核心痛点为你的AI助手构建一个结构化的、可管理的、具备优先级加载能力的持久化记忆系统。简单来说Open Brain是一个可视化的“大脑驾驶舱”。它不是一个简单的笔记应用而是一个专为AI Agent设计的记忆管理平台。通过它你可以像管理操作系统启动项一样定义AI在每次会话中必须加载的“核心规则”P1按需加载的“参考手册”P2、P3以及仅在特定场景下才需要调用的“扩展包”P4。所有记忆通过语义搜索基于pgvector进行检索并通过MCP协议与你日常使用的任何AI工具如Claude Code、Cursor、ChatGPT无缝连接。更关键的是2026年4月新增的“记忆管家”功能通过一个Anthropic托管代理在原始语义召回之上增加了一层智能查询与结果重排能显著提升记忆检索的准确性和实用性让AI的回答不再是相关片段的堆砌而是经过整合、去重、排序后的精准答案。2. 核心设计理念从“扁平文档”到“分层记忆”为什么传统的文档共享解决不了AI的记忆问题关键在于“上下文”与“优先级”的缺失。一个AI助手在拥有128K甚至更大上下文窗口时盲目塞入所有文档只会导致关键信息被稀释。Open Brain的设计哲学是模拟人类的工作记忆将记忆分层并设计一套加载逻辑。2.1 四级优先级系统定义记忆的“重要性权重”这是Open Brain最核心的规则引擎。它强制你对每一条记忆进行分类这本身就是一次有价值的信息梳理。P1始终加载铁律这是AI的“行为准则”和“安全红线”。例如“代码审查时必须指出潜在的安全漏洞如SQL注入、XSS。”“生成任何对外内容前需先确认是否符合品牌语调指南。”“绝对不要使用已被弃用的old_deploy.sh脚本。”这些规则在每次会话开始时必须被加载确保AI的行为基线符合你的要求。P2参考信息按需加载这是项目的“知识库”。例如技术栈说明React版本、后端API地址、项目目录结构、常用工具的命令行参数。当对话涉及相关主题时AI会知道去这里查找。P3操作手册执行前加载这是具体的“工作指南”。例如“生产环境部署checklist”、“数据库迁移操作步骤”、“A/B测试流量配置指南”。在AI准备执行这类操作前它会主动加载对应的P3记忆确保步骤准确。P4集成文档用时加载这是“第三方依赖”的说明书。例如“如何调用公司内部用户画像API”、“Slack Webhook的配置格式”。只有明确需要时才会被调用。这套系统迫使你思考这条信息对我的AI助手来说是宪法、法律、操作手册还是工具说明书这种分类极大地优化了有限上下文窗口的利用率。2.2 会话启动清单AI的“开机自检”流程有了分层记忆还需要定义加载顺序。Open Brain为AI Agent预设了一个标准的启动流程加载P1规则无条件注入建立会话的“安全边界”和“基本原则”。加载近期上下文自动获取最近几次会话的“检查点”或总结实现会话间的连续性。读取目录让AI快速“扫一眼”记忆库中都有什么标题和摘要而不加载具体内容。这相当于给了AI一个全局索引。主动询问AI会问“今天我们要做什么” 根据你的回答它再决定加载哪些P2/P3记忆。动态按需加载在会话过程中根据话题变化通过语义搜索实时加载相关记忆。这个流程确保了AI既不会“失忆”也不会被无关信息“淹没”始终处于一种“知情且专注”的状态。2.3 MCP协议实现“一次编写处处记忆”Model Context Protocol是Anthropic推出的一个开放协议旨在标准化AI应用与工具之间的通信。Open Brain通过实现MCP服务器将你的记忆库暴露为一组标准工具如remember,recall,forget。这意味着无论你是在VS Code里用Cursor在独立应用里用Claude Code还是在网页上用ChatGPT只要这些工具支持MCP它们都能连接到同一个Open Brain实例读写同一份记忆。这彻底解决了记忆碎片化的问题——你在Claude上告诉AI的项目细节在Cursor里同样可用。3. 核心功能与组件深度解析Open Brain不仅仅是一个数据库前端它是一套由多个智能层组成的系统。理解每个组件的角色是有效使用它的关键。3.1 可视化大脑图谱你的记忆拓扑图大脑图谱是Open Brain的仪表盘核心。它不是一个简单的文件列表而是一个可视化的记忆关系图。节点与层级每个记忆以一个节点呈现你可以通过拖拽来直观地建立记忆之间的从属或关联关系例如将“部署指南”作为父节点“前端部署”和“后端部署”作为子节点。这种视觉关联能帮助你和AI更好地理解知识结构。实时状态徽章会显示每条记忆的优先级P1-P4、最后修改时间、甚至被调用的频率。一眼就能看出哪些是活跃的核心知识哪些是陈旧的参考资料。快速操作点击节点可以直接编辑内容、调整优先级或删除。管理记忆就像管理一个思维导图非常直观。实操心得在构建大脑图谱的初期不必追求完美结构。可以先以“项目”或“领域”为根节点创建几个大类然后随着记忆的积累再逐步调整和细化它们之间的关系。可视化结构的最大好处是能帮你发现知识盲点或冗余信息。3.2 语义搜索引擎基于pgvector的理解式检索传统的关键词搜索如“部署 命令”在记忆库中常常失效因为你可能记录的是“如何将代码推送到生产环境”两者字面不匹配但语义高度相关。Open Brain使用PostgreSQL的pgvector扩展为每条记忆的文本内容生成嵌入向量。工作原理当你保存一条记忆时后台会使用一个嵌入模型如OpenAI的text-embedding-3-small将文本转换为一个高维向量并存储在Supabase中。当你进行搜索时查询语句也会被转换成向量系统通过计算余弦相似度来找出向量空间中“距离最近”的记忆。优势它能找到意义上相关但措辞不同的内容。搜索“调试数据库连接慢”可能会找到你之前记录的“排查PostgreSQL高延迟的步骤”。局限单纯的向量搜索是“快而糙”的。它返回的是相似度最高的片段但不一定是最有用、最全面或最新的答案。可能会返回多个意思相近但表述不同的记忆需要AI或你自己进行二次筛选和整合。3.3 Mem0智能层让记忆库“自清洁”与“更聪明”Mem0是一个专注于AI记忆优化的服务它可以作为Open Brain的一个增强插件。它的核心价值在于解决原始语义搜索的“噪声”问题。自动去重当你试图保存一条与现有记忆高度相似的记录时Mem0会识别并提示你避免记忆库被重复内容污染。记忆压缩它能从冗长的对话或文档中提取出核心事实和断言生成更简洁、更结构化的记忆条目。例如从一段关于会议讨论的杂散文字中提炼出“决定下周开始使用Docker部署”。相关性重排Mem0的算法在pgvector的相似度基础上加入了更多元的相关性判断能够将真正有用的结果排到更前面。官方数据称能将相关性分数从0.5原始向量提升到0.9。集成方式Mem0并非替代Supabase而是作为中间层。你的记忆仍然存储在Supabase中作为“唯一信源”但所有的读写请求可以先经过Mem0处理由它来负责优化存储和提升检索质量。3.4 记忆管家基于托管代理的智能查询引擎2026年4月重磅更新这是Open Brain近期最革命性的升级。如果说pgvector搜索是“机枪扫射”那么记忆管家就是“狙击手瞄准”。它是一个独立的Anthropic Managed Agent专门负责处理复杂的记忆查询。它解决了原始召回的几个核心痛点查询表述不匹配你问“怎么部署”但记忆里写的是“发布流程”。原始搜索可能漏掉。记忆管家会进行查询重构生成“部署流程”、“发布步骤”、“上线操作”等多个同义查询并行搜索。结果冗余且未排序返回5条相似度0.8的记忆但只有第3条是真正需要的完整步骤。记忆管家会对所有候选结果进行重排序基于它们对于解决你当前任务的实际“有用性”而不仅仅是向量相似度。缺乏综合答案返回的是一堆记忆片段AI需要自己拼凑。记忆管家会合成输出将这些片段整合成一段连贯、简洁的答案并附上引用的记忆ID方便追溯。保存前重复检查当你命令AI“记住这一点”时记忆管家会先搜索现有记忆如果发现高度重复的内容会建议你更新旧记忆而非创建新条目。技术架构你需要在Anthropic平台上配置一个Managed Agent赋予它调用Open Brain原有MCP工具recall等的权限。然后Open Brain会新增一个名为memory_query的MCP工具。当你需要精准答案时就调用这个工具它将任务委派给记忆管家Agent由后者执行上述智能流程后返回结果。注意事项智能带来开销。原始recall是亚秒级响应而memory_query可能需要10-40秒因为它涉及多次LLM调用和复杂处理。因此最佳实践是需要快速浏览某个类别所有记忆时用recall需要针对一个具体问题获得最佳答案时用memory_query。3.5 会话启动自动加载钩子实现“无感”记忆预热这是另一个提升体验的利器。通过一个简单的配置你可以让Claude Code在每次会话开始时自动将你最近创建的N条记忆作为上下文注入无需你手动输入“/recall recent”之类的命令。实现原理在Open Brain的后端提供一个简单的API端点用于获取最近N条记忆。创建一个Shell脚本如session-start-memory.sh调用这个API并将返回的记忆文本格式化。在Claude Code的配置文件~/.claude/settings.json中添加一个SessionStart钩子指向这个脚本。此后每次打开Claude Code你都会在消息列表顶部看到自动插入的近期记忆摘要AI已然“知晓”你最近在忙什么。这个功能极大地降低了记忆系统的使用门槛让“持久化记忆”变成了一个后台自动运行的服务而非需要主动维护的任务。4. 从零开始部署与配置实战理论说了这么多我们来一步步搭建一个属于自己的Open Brain。以下是基于最新版本的详细操作指南。4.1 基础环境准备Supabase与VercelOpen Brain的架构极度依赖Supabase后端数据库认证和Vercel前端托管。我们从头开始。步骤1创建Supabase项目访问 supabase.com 注册并登录。点击“New project”输入项目名称如my-open-brain设置数据库密码选择离你近的区域如Northeast Asia (Tokyo)。等待项目初始化完成约1-2分钟。步骤2获取Supabase连接信息项目创建成功后进入Project Settings-API。Project URL这就是你的YOUR_SUPABASE_URL。anon/public密钥这就是你的YOUR_SUPABASE_ANON_KEY。这个密钥被嵌入前端因此其权限必须被严格限制后面会配置。步骤3设置数据库SchemaOpen Brain需要特定的数据表。项目仓库里通常会提供SQL脚本。进入Supabase的SQL Editor新建一个查询执行以下类似语句请以仓库实际schema.sql为准-- 启用pgvector扩展 CREATE EXTENSION IF NOT EXISTS vector; -- 创建记忆表 CREATE TABLE memories ( id UUID DEFAULT gen_random_uuid() PRIMARY KEY, user_id UUID REFERENCES auth.users(id) NOT NULL, title TEXT NOT NULL, content TEXT NOT NULL, priority INTEGER CHECK (priority BETWEEN 1 AND 4) DEFAULT 2, embedding vector(1536), -- 假设使用text-embedding-3-small created_at TIMESTAMPTZ DEFAULT NOW(), updated_at TIMESTAMPTZ DEFAULT NOW() ); -- 为向量搜索创建索引非常重要提升搜索性能 CREATE INDEX ON memories USING ivfflat (embedding vector_cosine_ops) WITH (lists 100); -- 启用行级安全策略 ALTER TABLE memories ENABLE ROW LEVEL SECURITY; -- 创建策略用户只能操作自己的记忆 CREATE POLICY Users can manage own memories ON memories FOR ALL USING (auth.uid() user_id);步骤4配置认证进入Authentication-Providers启用“Google”登录并配置你的OAuth客户端ID和密钥。这是实现用户登录的关键。步骤5部署前端到VercelFork或克隆Open Brain的GitHub仓库到你的账户。访问 vercel.com 使用GitHub登录。点击“Add New” - “Project”导入你克隆的仓库。在配置页面你需要设置环境变量SUPABASE_URL: 填入步骤2中的Project URL。SUPABASE_ANON_KEY: 填入步骤2中的anon key。ALLOWED_EMAILS: 这是一个逗号分隔的邮箱列表用于限制访问例如yournamegmail.com,teammatecompany.com。只有列表内的邮箱可以注册/登录。点击“Deploy”。部署完成后Vercel会给你一个预览URL。至此一个基础的Open Brain已经运行起来了。访问Vercel提供的URL用Google账号登录邮箱需在ALLOWED_EMAILS内你应该能看到空的仪表盘。4.2 配置MCP服务器连接你的AI工作流要让Claude Code等工具能访问你的记忆需要配置MCP服务器。Open Brain项目通常包含一个MCP服务器实现如personal-memory。步骤1安装MCP服务器假设服务器是Node.js编写你需要全局安装或克隆其仓库。npm install -g modelcontextprotocol/server-personal-memory # 或者 git clone personal-memory-repo cd personal-memory npm install npm run build步骤2配置服务器连接服务器需要知道如何连接你的Supabase。通常通过环境变量或配置文件。 创建一个.env文件SUPABASE_URL你的Supabase URL SUPABASE_ANON_KEY你的Supabase Anon Key MEM0_API_KEY你的Mem0 API密钥如果使用步骤3在AI工具中注册MCP服务器以Claude Code为例编辑其配置文件~/.claude/desktop-config.json或类似路径{ mcpServers: { personal-memory: { command: node, args: [ /path/to/your/mcp-server/build/index.js ], env: { SUPABASE_URL: 你的Supabase URL, SUPABASE_SERVICE_ROLE_KEY: 你的Supabase Service Role Key用于写操作需在Supabase设置中获取比Anon Key权限高 } } } }重启Claude Code它应该就能识别到新的MCP工具了。你可以在聊天框中输入/查看可用的工具列表应该会出现remember,recall等命令。4.3 进阶配置集成Mem0与记忆管家集成Mem0访问 mem0.ai 注册并获取API密钥。在Open Brain的前端配置或MCP服务器配置中填入MEM0_API_KEY。通常MCP服务器代码中会有条件判断如果检测到Mem0密钥则会将其作为中间层。你需要查阅具体服务器的文档看是否需要修改代码以启用Mem0路由。部署记忆管家Memory Steward这是相对复杂的步骤因为它涉及运行一个独立的“协调器”服务来管理Anthropic的托管代理。准备Anthropic环境确保你拥有Anthropic API密钥并且该密钥有权限使用Managed Agents功能。部署协调器按照项目docs/memory-steward.md的指南你需要部署一个额外的服务可能是一个简单的Express服务器或Serverless Function。这个服务负责接收来自前端的memory_query请求。启动或调用一个配置好的Anthropic Managed Agent。将查询转发给该Agent该Agent内部会执行查询重构、并行搜索、重排序等逻辑。从Agent获取合成后的答案返回给前端。配置Managed Agent在Anthropic平台上创建一个新的Managed Agent。在它的“工具”配置中授予它调用你基础MCP服务器即personal-memory的recall等工具的权限。你需要编写一个清晰的系统提示词定义这个Agent的职责就是智能查询记忆库。更新前端/MCP将新的memory_query工具指向你部署的协调器服务的端点。这个过程涉及多个服务间的通信前端 - 协调器 - Anthropic Agent - MCP服务器 - Supabase调试时需要仔细检查日志。但一旦搭建完成记忆检索的体验将有质的飞跃。5. 最佳实践、避坑指南与问题排查在实际使用中我积累了一些能极大提升效率和避免挫折的经验。5.1 记忆创建与维护的最佳实践标题即摘要记忆的标题应是一个具体的、包含关键词的总结如“生产环境回滚步骤使用rollback-v2.sh”而不是模糊的“部署问题”。这能极大提升目录的可读性和搜索效率。内容结构化在记忆内容中尽量使用列表、代码块、标题等Markdown格式。结构化的内容不仅对人友好AI也更容易理解和提取关键信息。定期“修剪”每隔一段时间使用大脑图谱视图审视所有记忆。将过时的P3/P4记忆归档或删除合并重复的记忆调整优先级。一个干净的记忆库比一个庞大臃肿的库更有用。善用“检查点”在长时间、多轮次的AI协作会话结束时养成习惯让AI总结本次会话的进展和关键决策并将其作为一条新的P2或P3记忆保存下来。这为下一次会话提供了完美的起点。5.2 常见问题与解决方案速查表问题现象可能原因排查步骤与解决方案前端登录失败提示“邮箱不在允许列表”ALLOWED_EMAILS环境变量配置错误或未生效。1. 检查Vercel项目环境变量中ALLOWED_EMAILS的值确保邮箱格式正确用逗号分隔无空格。2. 重新部署Vercel项目。3. 清除浏览器缓存后重试。Claude Code中无法看到MCP工具MCP服务器未正确启动或配置未加载。1. 在终端手动运行MCP服务器命令看是否有报错如缺少环境变量。2. 检查~/.claude/desktop-config.json语法是否正确路径是否有效。3. 完全重启Claude Code应用。recall搜索返回结果不相关pgvector嵌入模型不匹配或搜索参数不佳。1. 确认保存记忆和搜索时使用的嵌入模型是同一个默认都是text-embedding-3-small。2. 尝试调整搜索的相似度阈值如果MCP工具支持参数。3. 考虑集成Mem0或启用记忆管家进行智能重排。记忆管家memory_query响应极慢60秒托管代理冷启动或网络延迟。1. Anthropic Managed Agent在闲置后会有冷启动时间首次调用较慢属正常。2. 检查协调器服务的日志看请求是否卡在某个环节。3. 确保所有服务协调器、Anthropic API、你的MCP服务器之间的网络连通性良好。保存记忆时失败提示权限错误Supabase行级安全策略RLS阻止了操作。1. 确保前端使用的anon key具有对memories表的插入权限。通常需要配置一个针对auth.uid()的RLS策略。2. 更安全的做法是MCP服务器使用权限更高的service_role key并在服务器端验证用户身份通过JWT。大脑图谱加载缓慢或卡顿单次加载记忆条数过多或前端渲染性能问题。1. 在前端代码中为记忆列表添加分页或虚拟滚动。2. 检查是否在created_at等字段上建立了数据库索引优化查询速度。3. 对于大量记忆考虑按优先级或时间范围进行筛选查看。5.3 安全与权限配置要点Supabase Key管理永远不要在客户端代码或公开仓库中暴露service_role key。它拥有绕过RLS的超级权限。前端只应使用权限受限的anon key。MCP服务器运行在可信的后端环境可以使用service_role key。OAuth限制除了ALLOWED_EMAILS也可以在Supabase的Auth设置中配置更精细的OAuth域限制只允许来自特定组织邮箱的登录。数据备份定期导出Supabase数据库。记忆库是你的数字资产。Supabase控制台提供了便捷的数据导出功能。网络隔离如果你的Open Brain包含敏感信息考虑将Vercel部署和Supabase项目配置为仅允许从公司VPN或特定IP范围访问。6. 场景化应用与扩展思路Open Brain的潜力远不止于个人记忆。你可以根据团队和项目需求进行定制化扩展。场景一团队知识库与AI助手统一上下文为整个团队部署一个Open Brain实例ALLOWED_EMAILS包含所有成员。创建共享的P1规则如代码规范、安全红线项目级的P2/P3记忆如架构设计文档、部署流程。这样团队任何成员在与AI协作时都能基于同一套最新的、结构化的知识体系极大减少信息差和重复培训。场景二项目全生命周期记忆为一个长期项目创建一个独立的“大脑”。从项目启动的会议纪要P2、技术选型文档P2到开发中的API设计P3、测试用例P3再到上线后的运维手册P3和事故复盘P1。这个大脑随着项目成长成为项目最忠实的、可被AI查询的“活文档”。场景三结合自动化工作流通过Supabase的数据库函数或外部服务你可以实现自动化记忆创建。例如当GitHub合并一个Pull Request时自动将PR描述和关键变更作为一条P3记忆保存。当在监控平台如Datadog标记一个事件后自动创建一条包含事件分析和处理步骤的P3记忆。定期将团队周报摘要自动总结并保存为P2记忆。扩展思路自定义记忆类型与关系Open Brain的基础记忆模型相对简单。你可以通过修改Supabase数据库Schema添加更多字段如tags标签数组、related_memory_ids显式关联其他记忆的ID、expires_at过期时间。在前端和MCP服务器中相应增加对这些字段的支持就能实现更复杂的知识图谱功能例如定义记忆之间的“前提条件”、“冲突”、“替代方案”等关系。我个人深度使用Open Brain近半年最大的体会是它改变的不仅仅是我与AI的交互效率更是我的知识管理方式。它迫使我将模糊的经验、散落的对话沉淀为结构清晰、可被机器理解的记忆单元。那个曾经需要我反复解释的“部署禁忌”现在只是AI开机时自动加载的P1规则之一。当记忆变得可管理、可编程AI才真正从一个健忘的临时工转变为你团队里一位经验丰富、始终在线、且永不离职的资深伙伴。