marciopuga/cog

解决的问题

Cog 解决了 AI 代理记忆孤立的问题。与其让每个工具或项目都拥有独立的隔离记忆，Cog 提供了一个集中式的、纯文本的内存层，可在所有 AI 代理和项目之间共享，从而避免需要向每个新工具重复解释上下文。

工作原理

Cog 使用结构化的 Markdown 文件和约定，而不是数据库或服务器。它采用分层内存架构：

• 层级： 内存分为热（始终加载）、温（按需加载）和冰川（归档）三个层级。
• L0 标题： 代理使用渐进式上下文加载，先扫描摘要（L0 标题）再读取完整文件。
• 单一事实来源： 事实存储在一处，并通过维基链接进行交叉引用。
• 代理集成： 它将“技能”（指令文件）安装到各种 AI 代理（如 Claude Code、Cursor、Windsurf 和 GitHub Copilot）中，教会它们如何读取、搜索和维护这个共享内存文件夹。

适用人群

在不同项目中使用多个 AI 代理，并希望拥有一个持久的、可共享的知识库，该知识库可由代理维护，用户也可通过 Obsidian 等工具手动编辑的用户。

特色亮点

• 代理无关： 支持多种代理，包括 Claude Code、Codex、Cursor 和 Gemini CLI。
• 人类可读： 内存以纯文本 Markdown 文件形式存储，兼容 Obsidian 用于可视化和手动编辑。
• 可观测性： 无黑箱数据库；整个内存系统可通过简单的文件系统读取和 grep 命令进行观测。
• 自动维护： 包含每周整理、反思和战略远见的技能，用于修剪和整合内存。
• 递归加载： 使用一系列小读取操作，高效导航大型内存树，而不会使代理的上下文窗口过载。