记忆知识库782

产品介绍

Basic Memory 使用户能够通过与大型语言模型 LLM 的自然对话构建持久的知识记忆，将这类内容保存在本地计算机上的 Markdown 文件中，操作简易，几乎不占内存。此 MCP 可以兼容任何模型和 OS，能够 (1) 读取、(2) 写入、(3) 整合和 (4) 搜索用户设置的本地知识库。

• 网站: https://basicmachines.co
• 文档: https://memory.basicmachines.co

能力介绍

• AI 助手可以在新的对话中从本地文件加载保存的内容 (e.g. 上个对话/储存的用户信息)
• 笔记会实时保存为本地的 Markdown 文件
• 不需要项目知识/特殊提示

产品特点

大多数 LLM 交互都是短暂的 —— 用户提问，得到答案，然后一切都被遗忘。每次对话都是全新的，没有之前的上下文或前置知识，而当前多数的解决方法有其局限性。

Basic Memory 通过一种简单的方法解决了这些问 —— 结构化的 Markdown 文件，既可由人类也可由 LLM 读写。下面为此方法优点：

• 本地优先：所有知识都保存在用户控制的文件中
• 双向互动：和大语言模型（LLM）都可以读写相同的文件
• 结构化但简单：使用熟悉的 Markdown 格式并带有语义模式
• 可遍历的知识图谱：LLM 可以跟踪主题之间的链接
• 标准格式：与现有的编辑器如 Obsidian 兼容
• 轻量级基础设施：仅使用本地文件并在本地 SQLite 数据库中索引

产品功能：

使用 Basic Memory，用户可以：

• 进行基于先前/已有知识的对话
• 在自然对话中创建结构化的笔记
• 与记住之前讨论内容的大语言模型进行对话
• 语义地浏览用户的知识图谱
• 保持所有内容本地化并由用户控制
• 使用熟悉的工具如 Obsidian 查看和编辑笔记
• 构建随时间增长的个人知识库

使用案例

假设用户正在探索咖啡冲泡方法，并希望记录相关的知识。以下是具体步骤：

(01) 首先开始正常的聊天：

我最近尝试了不同的咖啡冲泡方法，主要发现：
手冲咖啡（Pour over）比法压壶（French press）的风味更清澈鲜明
水温至关重要——约205°F（96°C）效果最佳
现磨咖啡豆对风味有显著提升

(...继续对话)

(02) 请大语言模型帮助整理这些知识：

写一个关于咖啡制作的偏好和方法

大语言模型会在用户的系统上创建一个新的 Markdown 文件：

---
title: 咖啡制作方法
permalink: 咖啡制作方法
tags:
- 咖啡
- 制作
---

# 咖啡制作方法

## 观察

- [方法] 手冲咖啡（Pour over）能提供更清澈的口感，突出细腻风味层次
- [技巧] 205°F（96°C）的水温可最佳萃取咖啡化合物
- [原理] 现磨咖啡豆能最大程度保留芳香物质和风味特性

## 关系

- 关联 [[咖啡豆产地]]
- 依赖 [[正确研磨技术]]
- 影响 [[风味萃取效果]]

该笔记嵌入了语义内容，并通过简单的 Markdown 格式链接到其他主题。用户会实时在当前项目目录（默认为 ~/$HOME/basic-memory）中看到这个文件。

在与 LLM 的对话中，用户可以引用某个主题：

帮我查看 "咖啡制作方法" 作为参考咖啡制作的步骤和内容

大语言模型现在可以从知识图谱中构建丰富的上下文，例如：

追溯「关联 [[咖啡豆产地]]」关系：
1. 已查找到埃塞俄比亚耶加雪菲产区的详细资料
2. 包含哥伦比亚咖啡豆坚果风味的特征笔记
3. 海拔高度对咖啡豆特性的影响分析

追溯「依赖 [[正确研磨技术]]」关系：
1. 平刀与锥刀研磨机的对比分析
2. 不同冲泡方式对应的研磨度建议
3. 颗粒均匀度对萃取效率的影响研究

每个相关的文档都可以提供更多上下文，从而构建对用户知识库的丰富语义理解，创建了一个双向流程，其中：

1. 人类编写和编辑 Markdown 文件
2. LLM 通过 MCP 协议读写
3. 同步保持一切一致
4. 所有知识都保存在本地文件中

更多案例

• "创建一份关于我们项目架构决策的笔记"
• "在我的笔记中查找关于JWT认证的信息"
• "创建我的项目组件画布可视化图"
• "阅读我关于认证系统的笔记"
• "过去一周我一直在做什么工作？"