随着自己使用各家 ai 高强度 coding 以来， 我发现一直在做一件事情就是，认识 AI。 我发现我大量的时间在研究它们擅长什么、不擅长什么；我们学习提示词，我们把一个个 AI 工具接进工作流，然后慢慢知道：这个适合写代码，那个适合写文章，另一个适合查资料。
但反过来想，一个问题一直没有被很好解决：AI 什么时候开始认识我们？
我希望在一次次交流里，逐渐知道你的偏好、你的项目、你的表达方式、你的技术取舍、你反复强调过的原则，以及你不希望它再犯的错误。我觉得这件事会是个人 AI 助手真正成立的前提。因为真正长期陪你工作的 AI ，不应该每次都像第一次见面。
所以我最近在做一个小项目：Personal Ai Memory OS (PAM-OS) 。
一句话介绍：PAM-OS 是一个 local-first 的 AI 记忆运行时。它想做的不是新的聊天客户端，而是把“记忆”从具体模型和具体 App 里拆出来，变成任何 Agent 都可以调用的一层个人记忆基础设施。
在我的设想里，memory 不只是“存档”，而是 AI 认识一个人的证据：
- 你做过哪些项目，它能逐渐知道。
- 你偏好什么回答风格，它能慢慢稳定下来。
- 你在技术上做过哪些取舍，它不会每次重新争论。
- 你明确纠正过什么，它应该真的记住。
- 什么时候该用记忆，什么时候不该打扰，它也应该能学习。
整个架构图如下：
目前 PAM-OS 已经具备这些基础能力：
- 本地优先：默认使用 SQLite ，数据放在自己机器上， 其实它也支持远端 rest api 的调用方式。
- Agent 友好：支持 CLI 、REST API 、MCP ，也打包了 Codex 插件和 Skill ， 目前着重测试了 codex, 如果其他的存在问题，欢迎反馈。
- 按需读取记忆：先判断任务是否需要历史信息，而不是无脑塞上下文。
- 选择性沉淀：只捕捉稳定偏好、长期目标、项目决策、写作风格和纠正反馈。
- 用户画像归纳：把多次行为证据合并成更稳定的 profile trait 。
- 策略记忆：不只记“你说过什么”，还学习“什么时候该使用记忆”。
- 扩展支持：策略、检索、重排、抽取、归纳都留了接口，未来可以接 LLM 、embedding 或混合检索。
我希望 PAM-OS 最终不是某个客户端的附属功能，而是一个可以被 Codex 、Claude Code 、OpenCode 、Hermes ，甚至更多工具共同使用的 个人记忆层。
项目地址：https://github.com/danzhewuju/PAM-OS
一键安装脚本： curl -fsSL https://raw.githubusercontent.com/danzhewuju/PAM-OS/refs/heads/master/scripts/install-plugin.sh | bash
Select Language