来源：GitHub (★167)
URL: https://github.com/joshuaswarren/remnic
精读日期：2026-08-17
模型：DeepSeek V4 Flash（AI 生成，人工未审校）
正文获取：全文

一、核心论点/事实

  • Remnic 是一个开源、本地优先的 AI Agent 记忆与上下文系统，核心理念是"一个记忆存储，服务所有 Agent"。
  • 所有记忆以纯 Markdown 文件 + YAML frontmatter 形式存储在本地磁盘，无数据库、无云依赖、无订阅。
  • 支持多客户端互操作：OpenClaw、Claude Code、Codex CLI、Cursor、ChatGPT（开发者模式）、Hermes、Replit、Pi、omp 及任意 MCP 客户端可读写同一存储。
  • 混合检索：BM25 + 向量 + 重排序，支持可重建索引、图谱召回、记忆价值评分、逐条溯源（provenance）。
  • "What Helps Me" 功能：基于 Remnic 构建的私人支持护照（support passport），将选定记忆转为第一人称卡片，所有者逐字审核后才可分享。
  • 无需 OpenAI API key；手动卡片无需模型；草稿和问答调用走所有者已有的 Remnic 路由（含 OpenClaw 网关或本地/远程兼容模型）。
  • 分享链接支持精确版本控制，有效期 5 分钟至 7 天；每次 helper 请求都检查持久授权（durable grant）。
  • 项目包含无密钥合成演练（约 5 分钟）和独立 live runner（验证自报告收据的 schema 与哈希一致性，不构成独立证明）。
  • 参考 NHS England 健康与护理护照指南，但明确声明不是医疗记录、护理计划、IEP、诊断工具。

二、方法/架构拆解

架构核心：

  • 记忆存储层：纯文件系统（Markdown + YAML frontmatter），支持用户用现有工具编辑、版本控制。
  • 检索层：混合检索（BM25 + 向量 + 重排序），叠加图谱召回（graph recall）与记忆价值评分（memory-worth scoring）。
  • 注入层：Remnic 监控对话，蒸馏持久知识，在需要时注入正确上下文。
  • 访问层：MCP/HTTP 双协议，兼容多客户端。
  • 模型路由：provider-neutral，复用 OpenClaw 网关、本地兼容远程、可选直接 OpenAI 路由。

What Helps Me 功能流程：

1. 所有者勾选明确同意框或手写卡片。

2. 配置的模型草拟最多 8 张卡片。

3. 所有者分享精确卡片版本，设定时间窗口（5 分钟至 7 天）。

4. Helper 阅读指南或提出 grounded 问题（基于已批准卡片）。

5. 模型是记录员（scribe），人是作者（author）。

工程实现要点：

  • Codex 基于 Remnic 现有 memory/model/HTTP/MCP/browser 契约，以七层 PR 栈构建该功能。
  • 包含对抗性测试、四档宽度的 WCAG 状态检查、隐私安全的 live run 记录。
  • 所有者审批与撤销规则保持确定性核心逻辑（非模型驱动）。
  • 浏览器桥接通过私有本地 bearer token 保护（非模型提供商 key）。
  • 收据验证器检查自报告 schema 与哈希一致性，不转换为独立证明。

三、值得注意的局限/争议

作者承认的局限：

  • Live runner 的收据验证器只检查内部一致性，不提供独立证明（"does not convert that receipt into independent attestation"）。
  • 独立 live runner 不启动 OpenClaw 主机，真实网关流程需通过浏览器流程验证。
  • What Helps Me 明确不是医疗记录、护理计划、IEP、诊断工具。

AI 判断的局限/争议：

  • 纯文件存储虽利于可移植性，但多 Agent 并发写入时可能面临文件锁/冲突问题，缺乏数据库级事务保障。
  • "记忆价值评分"与"蒸馏持久知识"的具体算法未公开细节，黑盒评分可能影响用户对记忆筛选的信任。
  • 模型作为"记录员"的草稿流程虽有人工审核，但模型偏见可能影响卡片措辞，审核负担落在用户身上。
  • 分享链接的 5 分钟至 7 天窗口虽灵活，但短期链接可能不够用，长期链接又增加泄露风险。
  • 与 NHS 指南对齐是自我声明，缺乏第三方合规审计。

四、与 RRLab 研究的关联

Harness 工程：

  • Remnic 的"一个存储多客户端"模式值得借鉴：RRLab 可考虑统一的 Agent 记忆层，避免各 Agent 各自维护状态。
  • 纯文件 + YAML frontmatter 的存储方案简单可审计，适合作为 Harness 的持久化层参考。

多模型协同：

  • provider-neutral 模型路由（OpenClaw 网关 + 本地 + 远程 + 直接 OpenAI）展示了多模型切换的工程范式，RRLab 可参考其路由抽象。
  • "模型是记录员，人是作者"的角色分离设计，对多 Agent 协作中的责任边界划分有启发。

模型评测：

  • 对抗性测试 + WCAG 状态检查 + 隐私安全 live run 记录，为 RRLab 的评测体系提供了"功能正确性 + 可访问性 + 隐私合规"的多维评测思路。
  • 收据验证器区分"内部一致性"与"独立证明"，提示评测中需明确验证层级。

Agent 落地：

  • What Helps Me 的"持久授权 + 精确版本分享 + 到期撤销"机制，为 Agent 在敏感场景（医疗、法律）的落地提供了权限控制参考。
  • 记忆溯源（provenance）设计让每次注入可追溯，增强 Agent 行为的可解释性。

AI 原生产品：

  • "本地优先 + 无云依赖 + 用户完全掌控"的产品定位，符合 AI 原生产品对数据主权和隐私的重视趋势。
  • 从"记忆存储"到"支持护照"的产品化路径，展示了底层能力如何封装为面向特定人群的高价值应用。

本笔记由 DeepSeek V4 Flash 自动生成，未经人工审校。原文链接：https://github.com/joshuaswarren/remnic