OpenCode增强记忆系统加持，关键信息全局掌控

OpenCode Memory System：为 AI 编程助手打造跨会话记忆系统

📖 目录

• 项目背景
• 技术架构
• 核心功能
• 快速开始
• 技术细节
• 性能优化
• 实战案例
• 未来展望

项目背景

为什么需要记忆系统？

这段时间在使用 OpenCode 时，经常会碰到AI 遗忘各种关键信息，就得不厌其烦地跟他提醒，实在忍不了了，决定
为OpenCode手搓一个记忆增强系统解决以下痛点：

❌跨会话遗忘：每次对话都是"从零开始"，AI 不记得你之前的偏好、决策、技术栈
❌重复输入：每次都要重新说明"项目使用 FastAPI + PostgreSQL"、“偏好订阅制商业模式”
❌缺乏上下文：AI 无法理解项目历史决策，导致建议不一致
❌知识碎片化：重要信息散落在不同会话中，难以整合

OpenCode Memory System旨在解决这些问题，为 AI 编程助手提供持久化记忆能力。

技术架构

整体架构图

┌─────────────────────────────────────────────────────┐ │ 用户对话输入 │ └─────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────┐ │ AutoDetector（自动识别引擎） │ │ ├─ 关键词触发检测 │ │ ├─ 正则模式匹配 │ │ └─ 置信度评估 │ └─────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────┐ │ MemoryManager（核心管理类） │ │ ├─ 手动保存 │ │ ├─ 自动保存 │ │ ├─ 检索管理 │ │ └─ 统计导出 │ └─────────────────────────────────────────────────────┘ ↓ ┌──────────────┬──────────────────┬─────────────────┐ │ SQLite │ ChromaDB │ ONNX Runtime │ │ 元数据库 │ 向量数据库 │ Embedding服务 │ │ ├─ 记忆ID │ ├─ HNSW索引 │ ├─ 模型加载 │ │ ├─ 内容 │ ├─ 384维向量 │ ├─ 3ms推理 │ │ ├─ 类型 │ ├─ 余弦相似度 │ └─ 本地缓存 │ │ ├─ 时间 │ └─ 作用域过滤 │ │ │ └─ 元数据 │ │ │ └──────────────┴──────────────────┴─────────────────┘ ↓ ┌─────────────────────────────────────────────────────┐ │ Retriever（检索引擎） │ │ ├─ 相似度检索 │ │ ├─ 按类型检索 │ │ ├─ 最近记忆检索 │ │ └─ 格式化输出 │ └─────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────┐ │ 返回相关记忆给 AI/用户 │ └─────────────────────────────────────────────────────┘

技术栈选择

核心功能

1. 自动识别记忆内容

系统能自动检测用户对话中值得记忆的内容：

用户消息:"项目使用 FastAPI + PostgreSQL 架构，选择 DeepSeek V4 Flash 作为 LLM"自动检测结果:✓ project_context:"项目使用 FastAPI + PostgreSQL 架构"✓ decision:"选择 DeepSeek V4 Flash 作为 LLM"✓ constraint:"必须使用 DeepSeek V4 Flash"

支持的记忆类型：

• user_preference: 用户偏好（喜欢、偏好、习惯）
• project_context: 项目上下文（技术栈、架构、数据库）
• decision: 决策（选择、决定、采用方案）
• constraint: 限制（必须、仅使用、不超过）
• goal: 目标（需求、希望、要实现）
• feedback: 反馈（修复、改进、优化）

2. 语义相似度检索

不同于传统的关键词匹配，使用向量语义相似度检索：

# 传统关键词匹配（无法找到）搜索"DeepSeek"→ ✗ 无法匹配"使用 DeepSeek V4 Flash"# 语义相似度检索（能找到）搜索"DeepSeek"→ ✓ 找到"决定使用 DeepSeek V4 Flash 作为 LLM"相似度:0.53

3. 跨会话记忆持久化

记忆数据存储在本地，不同会话间共享：

~/.opencode/memory/ ├── global_metadata.db # SQLite 元数据库 ├── global_vectors/ # ChromaDB 向量数据库 └── global_raw/ # 原始文本备份

4. 多种检索方式

# 相似度检索manager.retrieve_relevant("架构",top_k=5,min_similarity=0.5)# 按类型检索manager.retrieve_by_type("DeepSeek",memory_type="decision")# 最近记忆检索manager.retrieve_recent(days=7,limit=10)# 关键词搜索manager.search_by_keywords("订阅",limit=20)

快速开始

安装依赖

pipinstall--user--break-system-packages\onnxruntime transformers chromadb sqlite3 numpy

初始化数据库

cd/home/gomeswang/studio/opencode-memory ./memory init

输出：

✓ 数据库初始化成功: /home/gomeswang/.opencode/memory/global_metadata.db ✓ 数据库初始化成功

保存记忆

手动保存：

./memory save"用户偏好订阅制商业模式，价格 ¥99-199/月"\--typeuser_preference

自动检测保存：

./memory auto"项目使用 FastAPI + PostgreSQL 架构，选择 DeepSeek V4 Flash"

输出：

✓ 自动保存 3 条记忆 - mem_e2907c38_20260506_234249 - mem_f39f2aa9_20260506_234249 - mem_8f5113e7_20260506_234249

检索记忆

./memory search"DeepSeek"--top-k3--min-similarity0.3

输出：

找到 3 条相关记忆: 1. [decision] 相似度: 0.61 内容: 选择 DeepSeek V4 Flash 作为 LLM 2. [project_context] 相似度: 0.57 内容: 架构，选择 DeepSeek V4 Flash 作为 LLM 3. [project_context] 相似度: 0.45 内容: 项目使用 FastAPI + PostgreSQL 架构，选择 DeepSeek V4 Flash 作为 LLM

查看统计

./memory stats

输出：

=== 记忆统计信息 === 总计: 4 条 最近7天: 4 条 按类型分布: project_context: 2 decision: 1 user_preference: 1 按作用域分布: global: 4

导出记忆

./memoryexport--formatmarkdown--outputmemories.md

技术细节

EmbeddingService 实现（ONNX Runtime）

为什么选择 ONNX Runtime？

传统sentence-transformers使用 PyTorch，存在以下问题：

• ❌ 模型加载慢（多进程池初始化超时）
• ❌ 推理速度慢（CPU 上 100ms+）
• ❌ 内存占用大（PyTorch 运行时）

ONNX Runtime 解决方案：

importonnxruntimeasortfromtransformersimportAutoTokenizer# 加载 tokenizer（本地缓存）tokenizer=AutoTokenizer.from_pretrained('sentence-transformers/all-MiniLM-L6-v2',local_files_only=True# 强制使用本地缓存)# 加载 ONNX 模型model_path='~/.cache/huggingface/hub/sentence-transformers/all-MiniLM-L6-v2/onnx/model.onnx'session=ort.InferenceSession(model_path)# 推理inputs=tokenizer(text,return_tensors='np',return_token_type_ids=True)outputs=session.run(None,{'input_ids':inputs['input_ids'],'attention_mask':inputs['attention_mask'],'token_type_ids':inputs['token_type_ids']})# Mean poolingembedding=outputs[0].mean(axis=1).squeeze()

性能对比：

ChromaDB 向量数据库配置

{"vector_db":{"type":"chromadb","path":"~/.opencode/memory/global_vectors","collection_name":"opencode_memory_global","index_type":"hnsw","metric":"cosine"}}

HNSW 算法优势：

• ⚡ 检索速度快（O(log N)）
• 🎯 高召回率（95%+）
• 💾 内存占用小（无需存储全量距离矩阵）

多条件过滤语法（ChromaDB 1.5.x）：

# 单条件过滤results=collection.query(query_embeddings=[embedding],where={"scope":"global"})# 多条件过滤（$and 操作符）results=collection.query(query_embeddings=[embedding],where={"$and":[{"scope":"global"},{"tags":{"$contains":"decision"}}]})

AutoDetector 自动识别逻辑

关键词触发检测：

trigger_keywords={"decision":["选择","决定","采用","方案","决策"],"config":["配置","密钥","API","设置","环境"],"knowledge":["重要","关键","注意","要点","最佳"],"preference":["喜欢","偏好","习惯","常用"],"workflow":["流程","步骤","命令","操作"]}# 检测逻辑forcategory,keywordsintrigger_keywords.items():forkeywordinkeywords:ifkeywordinuser_message:# 提取包含关键词的句子sentences=extract_sentences(user_message,keyword)matches.append({'type':category,'content':sentence,'confidence':0.7})

正则模式匹配：

patterns={'user_preference':[r'我喜欢(.+)',r'我偏好(.+)',r'用户偏好(.+)'],'constraint':[r'必须(.+)',r'限制(.+)',r'仅使用(.+)'],'decision':[r'决定(.+)',r'选择(.+)',r'采用(.+)方案']}

性能优化

1. 模型缓存策略

使用local_files_only=True强制使用本地缓存，避免网络延迟：

tokenizer=AutoTokenizer.from_pretrained('sentence-transformers/all-MiniLM-L6-v2',local_files_only=True# 0.03秒加载)

对比网络加载：

tokenizer=AutoTokenizer.from_pretrained('sentence-transformers/all-MiniLM-L6-v2'# 38秒加载（网络延迟）)

2. 批量推理优化

批量处理多条文本，减少 tokenizer 调用次数：

# 单条推理（慢）fortextintexts:embedding=model.encode(text)# 3ms × N# 批量推理（快）embeddings=model.encode(texts)# 1ms × N

性能提升：批量处理 10 条文本，总耗时从 30ms 降低到 10ms。

3. ChromaDB 索引优化

使用 HNSW 算法（Hierarchical Navigable Small World）：

collection=client.get_or_create_collection(name="opencode_memory_global",metadata={"hnsw:space":"cosine"}# 余弦相似度)

检索性能：

• 100 条记忆：5ms
• 1000 条记忆：10ms
• 10000 条记忆：20ms

4. 禁用多进程池

设置环境变量避免 tokenizer 多进程池初始化超时：

exportTOKENIZERS_PARALLELISM=false

实战案例

案例1：项目配置记忆

场景：用户在不同会话中多次说明项目配置

# 第一次会话用户:"项目使用 FastAPI + PostgreSQL，数据库端口 5432"./memory auto"项目使用 FastAPI + PostgreSQL，数据库端口 5432"✓ 自动保存2条记忆# 第二次会话（2天后）用户:"项目的技术栈是什么？"./memory search"技术栈"找到2条相关记忆: -[project_context]项目使用 FastAPI + PostgreSQL -[constraint]数据库端口5432AI回答: 根据记忆，项目使用 FastAPI + PostgreSQL，数据库端口5432。

案例2：决策历史记录

场景：团队决策历史记录

# 决策1./memory save"决定使用订阅制商业模式，价格 ¥99-199/月"--typedecision# 决策2./memory save"选择 DeepSeek V4 Flash 作为 LLM（成本低速度快）"--typedecision# 决策3./memory save"采用 B 方案记忆作用域（全局+项目）"--typedecision# 查询决策历史./memory search"商业模式决策"--typedecision 找到1条决策: -[decision]决定使用订阅制商业模式，价格 ¥99-199/月

案例3：用户偏好追踪

场景：追踪用户编程偏好

./memory save"用户喜欢使用 Tailwind CSS 进行前端开发"--typeuser_preference ./memory save"用户偏好订阅制商业模式"--typeuser_preference ./memory save"用户习惯使用 Git 进行版本控制"--typeuser_preference# AI 推荐时参考用户偏好./memory search"前端开发建议"找到1条偏好: -[user_preference]用户喜欢使用 Tailwind CSS 进行前端开发 AI: 根据您的偏好，建议使用 Tailwind CSS + React 组件方案。

未来展望

1. LLM集成（DeepSeek V4 Flash）

将记忆系统集成到 DeepSeek V4 Flash：

# 当前对话 + 相关记忆 → DeepSeek V4 Flashprompt=f""" 当前用户问题:{user_query}相关历史记忆:{format_memories(relevant_memories)}请基于历史记忆回答用户问题： """response=deepseek_api.chat(prompt)

2. 工作流记忆

记录操作流程和步骤：

workflow_memory={'type':'workflow','steps':['git clone https://github.com/xxx/project','cd project && npm install','npm run dev'],'context':'项目启动流程'}

3. 项目知识库

为每个项目创建独立知识库：

# 项目作用域记忆./memory save"淘宝客服智能体使用 RAG 技术"\--scopeproject\--project-path /home/user/taobao-ai-agent

4. 记忆质量评分

自动评估记忆质量：

quality_score=calculate_quality(memory)# 评估维度：# - 访问频率（使用次数）# - 时间衰减（旧记忆权重降低）# - 用户反馈（点赞/删除）# - 相关性（与其他记忆的关联度）

5. 记忆关联图谱

构建记忆间关系网络：

memory_relations={'mem_001':['mem_002','mem_003'],# mem_001 与 mem_002、mem_003 相关'relation_type':'cause_effect',# 因果关系'strength':0.8# 关联强度}

总结

OpenCode Memory System是一个轻量级、高性能的跨会话记忆系统，解决了 AI 编程助手"健忘"的问题。

核心优势：

• ⚡性能优异：模型加载0.19秒，推理3ms，检索10ms
• 💾本地部署：无需云服务，数据完全本地化
• 🎯智能识别：自动检测6种记忆类型
• 🔍语义检索：向量相似度检索，超越关键词匹配
• 📊易于管理：CLI命令接口，10个常用命令

适用场景：

• AI 编程助手（OpenCode、Cursor、Copilot）
• 项目知识管理
• 团队决策记录
• 用户偏好追踪
• 工作流程记录

参考资料

• ONNX Runtime官方文档
• ChromaDB官方文档
• sentence-transformers模型库
• HNSW算法原理

作者: gomes
发布时间: 2026-05-06
标签: AI, 记忆系统, 向量检索, OpenCode, Python