OpenWiki Brains:为AI智能体打造主动式记忆
OpenWikiBrains为AI智能体赋予主动记忆能力,通过连接Gmail、Notion、Git仓库、Twitter X等来源,自动抓取相关上下文并生成结构化的本地wiki,且能自动更新。它区别于传统被动记忆,支持PersonalBrain和CodeBrain两种模式,使智能体无需手动提供信息即可知晓当前工作与项目背景。
如果你一直在关注AI袋里的记忆机制,可能会注意到一个长期存在的痛点:大多数记忆都是被动的——袋里只能记住你明确告诉它的东西,或者从对话中推断出的偏好。现在,OpenWiki Brains 试图从根源上改变这一点。它给袋里赋予了“主动记忆”的能力,让它们能够主动从你日常使用的工具、渠道和文件中抓取相关上下文,而不是等着你每次手动投喂信息。
先简单回顾一下背景。我们之前发布了OpenWiki,一个面向代码库文档的开源CLI工具。你在一个repo里运行它,它会自动生成该代码库的wiki,并随着代码变动持续更新。如今,OpenWiki 0.1.0 将这个概念扩展到代码袋里之外的更多场景。
新版本的核心是创建一个通用型的“大脑”供你的袋里使用。它可以连接到Gmail、Notion、Git仓库、Twitter/X、Hacker News以及网页搜索等来源,把这些散落在各处的信息转化成一个结构化的本地wiki,袋里可以直接把它当作长期记忆来调用。更重要的是,这个wiki可以自动保持更新,所以你手头始终有新鲜的上下文,完全不需要手动维护。
最终目标很直接:你的袋里应该自动知晓你当前的工作、项目、兴趣和研究背景,而不是每次都需要你手动把所有这些上下文复制黏贴到会话里。
为什么袋里需要wiki记忆
袋里的发挥水平,很大程度上取决于它手里的上下文质量。
对于编码袋里来说,那个上下文就是代码库本身。它们需要知道关键逻辑在哪里,文件之间如何关联,以及代码库遵循什么模式。这正是OpenWiki最初诞生的原因。
但现在的袋里早已不止服务于代码。它们参与研究、规划、写作、客户工作、个人工作流和内部工具。在这些任务里,有用的上下文分散在无数地方:可能是Gmail里的某封邮件、Notion中的会议记录、Twitter/X上的书签、Hacker News的讨论串、Git仓库里的提交,又或者是反复搜索的网页结果。
当然,你可以每次都让袋里去搜索这些来源,但那太慢、太不稳定。你也可以自己把这些上下文写下来,但写完之后还得手动更新,迟早变一锤子买卖。
OpenWiki Brains 提供了一个持久化的“知识库”。它把你连接的所有来源变成一份结构化的wiki,并且可以随你设定的节奏定期刷新。
和内置记忆有什么不同
很多袋里已经自带记忆功能。Claude、ChatGPT、LangSmith Fleet 等助手都能记住你告诉它们的事实,并在后续对话中利用这些信息。
这种记忆确实很有用,OpenWiki Brain 并不需要取代它。
问题在于,内置记忆本质上是被动的。它只记录你明确告知的信息,或者通过与你对话推断出来的偏好。这对于你已经分享过的偏好和事实绰绰有余,但对于每天都在多个工具间变化的最新上下文就力不从心了。
假设一个重要的项目进展出现在Slack上,你的袋里应该有能力知道这件事;相关的会议记录落在了Notion里,它应该能自动整合进来;一封含有关键信息的邮件,或者你在Twitter/X上收藏的某条帖子,这些上下文即使你没有在对话中提及,未来也可能派上用场。
OpenWiki Brain 正是这种“主动记忆”。它连接你的来源,自动寻找与你的关注点相匹配的信息,然后把这些信息写成一个wiki,供袋里随时查阅。
一句话总结:内置记忆帮袋里记住你告诉过它的话;OpenWiki Brain 帮袋里从你每天都在使用的工具里主动发掘信息。
随着这次发布,我们引入了OpenWiki Brain的两个全新概念。
Personal Brain
Personal Brain 是 OpenWiki 0.1.0 中最重要的新模式。
它基于你连接的来源创建一个本地wiki。这个wiki可以包含当前活跃项目、你正在研究的主题、合作的人或公司、保存的链接、相关邮件、笔记以及其他袋里未来可能需要的背景信息。
在设置阶段,OpenWiki 会询问这个大脑应该重点关注什么。我们提供了一个适用于通用个人助理的默认提示,但你完全可以自由定制。
举个例子,你可以让 OpenWiki 关注活跃项目、AI研究方向、客户上下文、已收藏的链接,或者某个Notion工作区里的最新笔记。这个提示决定了OpenWiki在摄入新信息时应该保留哪些内容。
Connectors
Personal Brain 通过连接器(Connectors)工作。连接器让 OpenWiki 从你的信息实际所在的位置拉取上下文。
第一组连接器包括:
- Gmail
- Notion
- Git仓库
- Twitter/X
- Hacker News
- 网页搜索
Slack支持即将到来。
有些连接器是确定性的:Gmail可以抓取最近的邮件,Twitter/X可以获取最近的推文或书签,Hacker News可以拉取热门帖子,Git仓库可以检查最近的提交。
另一些连接器则需要更“袋里化”的方式。Notion和网页搜索就是典型例子——它们没有简单的“所有相关内容”订阅源。对于这类来源,OpenWiki 在摄入信息时会给袋里提供工具。你描述想要寻找什么,袋里就带着这个目标去搜索。
保持大脑的持续更新
本地运行是实现“实时保持最新”的关键。由于大脑存放在你的机器上,OpenWiki 可以像任何本地工具一样更新它:通过一个定时任务,从连接器拉取新信息,刷新磁盘上的wiki文件。你不需要自己架设服务器,也不需要维持一个长期运行的进程;只需要按自己设定的节奏运行即可。
当定时执行启动后,OpenWiki 会遍历你配置的所有连接器,用新信息更新wiki。
理想的工作流是:你一次性配置好所有来源,然后让 OpenWiki 在后台自动维护大脑。
OpenWiki Code Brain
OpenWiki 依然支持最初的代码库工作流,现在它被称为 Code Brain。
Code Brain 在一个 Git 仓库内运行,生成文档,写入 openwiki 目录,并在袋里指令文件中添加指向该wiki的引用。
Code Brain 和 Personal Brain 是分开的,因为它们解决不同的问题。Code Brain 关心仓库结构、Git历史、文件关系和编码规范。Personal Brain 关心更广泛的工作上下文——跨你所有连接的来源。
两者的提示词、连接器和更新记忆的工作流都不同,但底层理念是一致的:OpenWiki 为袋里生成并维护它们需要使用的上下文。
Markdown优先
目前,OpenWiki Brains 使用纯 Markdown 文件。
Markdown 易读、易审查,对袋里来说也容易导航。它让大脑在文件系统中保持可见,而不是藏在某个用户界面背后。
我们预计未来格式会进化。页面间链接、更丰富的知识表达格式,以及Google的Open Knowledge Format等方向都很有意思。现阶段,Markdown 提供了一个与现有袋里工作流兼容的简单起点。
接下来做什么
有几个方向需要改进。
第一,更多连接器。Slack即将到来,后续还会陆续加入LangSmith追踪记录、Claude/Codex本地会话等来源。
第二,更好的检索。目前大脑就是一个文件系统上的wiki。我们正在探索全文搜索、MCP(模型上下文协议)、语义搜索以及基于大脑的袋里化搜索。
第三,更好的格式。Markdown作为起点很好,但我们会继续探索更优的方式来呈现袋里记忆并关联上下文。
所有这些都欢迎社区的反馈。
试试看
OpenWiki 是开源项目,现已可用。
你可以用 Code Brain 为仓库生成并维护文档。也可以用 Personal Brain 从你连接的各种来源创建一个通用wiki,并让它自动保持更新。
项目仓库:https://github.com/langchain-ai/openwiki
通过NPM安装:https://www.npmjs.com/package/openwiki
npm install -g openwiki@latest
openwiki personal --init
你是一名 AI 行业编辑,请围绕下面这条热点输出一份资讯解读:
热点:OpenWiki Brains:为AI智能体打造主动式记忆要求:
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站,所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系youleyoucom@outlook.com。
相关热点接触大模型的时间越久,越容易发现许多人缺乏对这一领域的整体认知框架。作为新兴事物,大模型不断涌现新概念,自然会让人觉得既复杂又难以掌握。今天这篇文章,就尝试从整体视角系统梳理大模型的知识体系。虽然未必百分百完善,但希望能为正在探索的学习者提供一条清晰的参考路径。 “大模型技术开发是一个复杂的领域,我
如果说有哪个算法真正改变了数字信号处理的面貌,快速傅里叶变换(FFT)绝对排在前列。它不只是一个数学工具,更是现代通信、音频、图像、控制系统等领域背后的核心引擎。下面,我们从理论到应用,一层层把它讲透。 理论介绍 & 工程应用 理论介绍 1 傅里叶变换与离散傅里叶变换 傅里叶变换的原始公式建立在连
首先明确一个核心观点:谐波分析(FFT)听起来可能很复杂,但只要你理解了它的基本原理——哪怕只是掌握大致思路——就能解决实际测试中遇到的许多疑难问题。从最直观的例子说起。你用手机播放音乐时,声音随时间变化,音符高低起伏。如果以音高(频率)为纵轴、时间为横轴,绘出的曲线就是时域波形(如图1-1)。换个
探索AI产品设计的新范式,从PMF到TMF的转变。核心内容:1 PMF与TMF的概念及其在AI时代的意义2 AI大模型技术的模糊性、变革性与通用性3 用户为中心的产品设计原则在AI时代的应用在互联网时代,有个词大家再熟悉不过了——PMF(Product Market Fit),也就是产品与市场
- 日榜
- 周榜
- 月榜
热点快看
