Autoloops/greplica

解决的问题

编码代理程序经常在不同的会话中浪费时间和 Token 来重新学习相同的代码库上下文——例如架构决策、约束条件和失败的尝试。Greplica 提供了一个持久且可搜索的记忆层，允许代理程序在开始新任务之前查询先前的知识，从而减少冗余的探索并提高规划的可靠性。

工作原理

Greplica 通过分析代码库结构、代码和会话转录来提取并存储持久知识，将其作为“components”、“flows”和“claims”。

1. 知识提取：它可以摄取来自先前代理会话的捆绑转录内容，以引导记忆初始化。
2. 查询：代理程序使用 greplica graph context 命令，根据自然语言查询检索包含相关事实和目标文件的简洁 Markdown 数据包。
3. 更新：通过钩子（Hooks）或特定命令将当前会话中的新学习内容保存回记忆中。
4. 部署模式：
   • Local Mode：使用 SQLite 和本地嵌入（embeddings）将所有数据保留在用户机器上。
   • Managed Mode：将代码库连接到共享团队记忆服务器，允许不同分支（forks）的贡献者共享知识，并通过 GitHub Actions 协调记忆更新。

适用对象

使用 AI 编码代理（如 Claude Code、Codex、Cursor 或 OpenHands）并希望通过维护代码库的长期记忆来提高代理效率并降低 Token 成本的开发人员。

亮点

• Token 效率：基准测试显示，在某些规划任务中，Token 使用量减少了 40-75%。
• 跨代理兼容性：支持广泛的平台，包括 Cursor、Claude Code 和 GitHub Copilot CLI。
• 可视化记忆：包含 greplica graph view 命令，可在浏览器中可视化当前的库记忆。
• 隐私选项：提供完全本地化的模式，不含遥测数据。
• 企业级准备：Managed mode 支持组织级访问控制，并通过 GitHub 工作流实现经 OIDC 认证的记忆协调。