来源：GitHub (★637)
URL: https://github.com/vshulcz/deja-vu
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

  • deja-vu 是一个面向编码 Agent 的本地记忆工具，核心思路是“索引已有历史，而非从零记录”——它索引 17 种编码 Agent（Claude Code、Codex、Cursor、Qwen、OpenClaw、Copilot 等）已写入磁盘的会话记录，包括安装前数月的数据。
  • 安装约 10 秒，索引约 10 秒，即可使用；无需 LLM、无需 embeddings，仅一个本地 Go 二进制文件。
  • 通过 MCP recall 机制自动接入所有检测到的 Agent，支持会话开始自动召回（auto-recall），Agent 无需被显式提问即可在会话打开时获知项目历史。
  • 实测数据：在 43 次压缩（compactions）中，摘要保留了 77% 的决策和 0.2% 的命令，deja 能找回其余 99.8% 被摘要丢弃的信息。
  • 索引和搜索完全本地化，网络仅用于安装和更新；凭据（AWS keys、bearer tokens、JWT、PEM 私钥块等）在索引时即被脱敏，值替换为占位符，周围文本保持可搜索。
  • 支持决策状态标记（如 rejected）、过期检测（文件变更后提示）、跨机器同步（append-only，无云端中转）、会话交接（handoff）等功能。

二、方法/架构拆解

  • 数据源：17 种编码 Agent 的本地会话文件（JSONL 等格式），覆盖 Claude Code、Codex、Cursor、Qwen、OpenClaw、Copilot、opencode、Gemini CLI、Antigravity、Kimi Code、pi、Goose、Hermes、Roo Code 等。
  • 索引机制：本地 Go 二进制，无 LLM/embeddings，直接解析会话文件；索引包含：每个文件被打开的记录、命令及其退出状态、编辑替换的精确文本跨度（span）——这些是摘要工具丢弃的关键细节。
  • 召回机制：通过 MCP（Model Context Protocol）接入 Agent；自然语言查询回退到相关性层级（relevance tier），时间作为提示而非过滤条件。
  • 安装与配置：curl -fsSL .../install.sh 一键安装；go install github.com/vshulcz/deja-vu/cmd/deja@latest 可试用；Claude Code 等桌面应用可通过 claude plugin marketplace add vshulcz/deja-vu 安装插件。
  • 引导文件写入：为检测到的每个 harness 写入用户级引导文件（guidance file），如 Claude Code、Codex、opencode 等；Cursor 无用户级指令文件，改用 skill 文件（仅在相关内容出现时读取）。
  • 脱敏机制：索引时剥离 keys、tokens、JWTs、PEM 私钥块、URLs 及高熵值（对未知模式也做形状检测），替换为占位符，保留上下文可搜索性。
  • 删除与墓碑：deja 支持从重建索引中移除会话并写入 tombstone，防止后续从源历史恢复。
  • 同步与交接：sync 在机器间移动记忆（append-only，无云端）；handoff 打包实时上下文，支持在另一 Agent 中继续工作。

三、值得注意的局限/争议

作者承认的局限：

  • 脱敏有边界：对未知模式的高熵值仅做形状检测，可能无法覆盖所有敏感信息；脱敏后值被替换，但周围文本仍可搜索，存在推理泄露风险。
  • 过期检测（staleness）在无法判断时保持沉默，不声称任何内容“未变更”——即存在不确定性时不做断言。
  • 项目排除（project exclusions）需手动配置（每行一个 pattern），默认可能索引过多或过少。

AI 判断的局限/争议：

  • 无 LLM/embeddings 的纯文本索引方案，对语义相似但措辞不同的查询召回率可能受限；相关性层级（relevance tier）的“自然语言回退”效果未经大规模评测。
  • 跨 17 种 Agent 的会话格式兼容性：不同 Agent 的日志结构差异大，解析鲁棒性未公开验证，可能存在格式漂移问题。
  • 安全边界：索引本地历史意味着所有历史会话（含敏感讨论）被集中存储，脱敏虽在索引时执行，但原始文件仍存在；多用户机器上权限控制未明确。
  • 自动召回（auto-recall）可能引入上下文污染：旧决策可能不适用于当前代码状态，过期检测虽提示文件变更，但无法判断决策是否仍有效。

四、与 RRLab 研究的关联

  • Harness 工程：deja-vu 展示了“零成本冷启动”的 harness 设计——利用已有磁盘数据而非从零记录，显著降低记忆工具采用门槛；其 MCP 接入和引导文件写入模式可作为 RRLab 多 Agent harness 的参考。
  • 多模型协同：17 种 Agent 共享同一记忆层的思路，与 RRLab 多模型协同方向高度契合——可借鉴其“统一记忆层 + 各 Agent 独立引导”的架构，实现跨模型知识复用。
  • 模型评测：deja-vu 的召回质量（77% 决策保留 vs 0.2% 命令）可作为评测基线；其“摘要丢弃 99.8% 命令”的发现，提示 RRLab 在评测 Agent 时需关注过程数据（命令、编辑跨度）而非仅结果。
  • Agent 落地：自动召回（auto-recall）和会话交接（handoff）是 Agent 长期运行的实用能力；RRLab 可借鉴其“时间作为提示而非过滤”的检索策略，以及脱敏/墓碑机制，保障生产环境安全。
  • AI 原生产品：deja-vu 的“安装即有用”（10 秒安装 + 10 秒索引）和“无需用户主动搜索”的体验设计，是 AI 原生工具的优秀范例；其本地优先、无云依赖的架构，对 RRLab 面向企业客户的私有化部署有直接参考价值。

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