winstonkoh87/Athena-Public

解決的問題

Athena 解決了不可靠、不透明且受供應商鎖定的 AI 記憶問題。大多數 AI 助手依賴平台特定的記憶，當切換模型（例如從 GPT 切換到 Claude）或在模型更新時會被重置，導致記憶遺失。Athena 將記憶層移至使用者的本地機器，確保個人上下文、決策框架和會話歷史由使用者擁有，並可在任何 LLM 提供商之間自由遷移。

工作原理

Athena 作為 AI 友好型 IDE（如 Cursor 或 VS Code）與推理引擎之間的記憶與治理層。它不依賴雲端記憶，而是使用數百個小型、可尋址的 Markdown 檔案和 Python 指令碼構成的本地工作區。這些檔案充當「記憶節點」，代理可透過語意搜尋或檔案名進行外科式查詢，而非載入龐大的單體文字。這種模組化架構實現了輕量級啟動（2K–20K 令牌），同時保留了數千次會話的龐大且持續累積的歷史記錄。

適用對象

希望為 AI 助手建立主權、長期記憶系統，該系統可在不同 LLM 提供商之間持久存在，同時避免供應商鎖定，並利用個人上下文提升 AI 推理與決策能力的使用者。

核心亮點

• 本地優先所有權：所有記憶均以純文字 Markdown 檔案形式儲存在使用者磁碟上，支援透過 Git 進行版本控制。
• 模型無關性：相同的記憶基礎可與 ChatGPT、Claude、Gemini 或任何其他模型配合使用。
• 代理治理機制：包含一組憲法性法規和能力等級，防止「不可逆的毀滅」，確保 AI 在基於已記錄模式時能對使用者提出反駁。
• 外科式檢索：採用為 AI 代理優化的模組化檔案系統，可精準查詢特定資訊節點，避免浪費上下文視窗空間。
• 人類增強：聚焦於透過個人上下文提供校準的、情境特定的回答，而非通用的統計平均值，從而增強人類認知能力。