AI智能体 on 拾光集

Codex + Obsidian 长期记忆配置：让 AI 跨项目记住工作进度和关键决策

Tue, 28 Jul 2026 19:42:00 +0800

Codex 每次开始新任务时，最麻烦的问题之一，就是需要重新解释项目背景、工作习惯和之前做过的决定。

解决这个问题的一种方法，是把 Obsidian 作为 Codex 的外部长期记忆库，将项目规划、关键决策、工作流程和每日复盘记录保存在本地 Markdown 文件中。

需要说明的是，这种方案并不是给 Codex 增加真正意义上的“永久大脑”，而是建立一套：

任务前读取历史信息，任务后更新工作记录的本地记忆工作流。

目前 Codex 已经提供本地 Memories 功能，相关文件默认保存在 ~/.codex/memories/，并可通过 /memories 控制当前对话是否读取或生成记忆。Obsidian 方案的价值，则在于记忆内容更加透明、可编辑、可分类，也更方便跨项目和跨工具使用。

一、Codex + Obsidian 的工作原理

整个流程可以分为四步：

在 Obsidian 中建立固定的记忆库目录。
使用 AGENTS.md 告诉 Codex 应该读取哪些笔记。
每次任务开始前，读取相关项目状态和历史决策。
任务完成后，将结果、问题和下一步计划写回 Obsidian。

Codex 会在执行任务前读取 AGENTS.md。你既可以在 ~/.codex/AGENTS.md 中设置全局规则，也可以在具体项目目录中添加项目级规则。

二、推荐的 Obsidian 记忆库结构

可以在 Obsidian Vault 中建立下面的目录：

Codex-Memory/
├── 00_INDEX.md
├── 01_GOALS/
│   └── long-term-goals.md
├── 02_PROJECTS/
│   ├── website.md
│   └── automation.md
├── 03_DECISIONS/
│   └── decision-log.md
├── 04_WORKFLOWS/
│   └── working-rules.md
├── 05_PREFERENCES/
│   └── user-preferences.md
└── 06_DAILY/
    └── 2026-07-28.md

各目录可以分别保存：

00_INDEX.md：记忆库入口和目录说明。
01_GOALS：长期目标和当前重点。
02_PROJECTS：不同项目的背景、进度和待办事项。
03_DECISIONS：重要选择、原因和最终结论。
04_WORKFLOWS：代码规范、发布流程和操作步骤。
05_PREFERENCES：常用格式、表达习惯和工具偏好。
06_DAILY：每日任务总结和复盘记录。

不要让 Codex 每次读取整个 Obsidian 仓库。更合理的方式是先读取索引，再根据当前任务加载相关笔记，这样可以减少无关上下文和 Token 消耗。

三、配置 Codex 的 AGENTS.md

在全局 Codex 目录或项目根目录中创建：

`1`	`AGENTS.md`

Windows 用户通常可以放在：

`1`	`C:\Users\你的用户名\.codex\AGENTS.md`

示例内容：

# Codex 长期记忆规则

## Obsidian 记忆库

记忆库路径：

D:\Obsidian\Codex-Memory

## 开始任务前

1. 首先读取 `00_INDEX.md`。
2. 根据当前任务判断所属项目。
3. 读取对应的 `02_PROJECTS` 项目文件。
4. 检查 `03_DECISIONS` 中是否存在相关历史决策。
5. 只读取与当前任务直接相关的笔记，不要扫描整个仓库。

## 完成任务后

1. 更新对应的项目状态。
2. 将重要决策写入 `03_DECISIONS/decision-log.md`。
3. 将当天完成内容写入 `06_DAILY/YYYY-MM-DD.md`。
4. 记录遇到的问题、解决方案和下一步计划。
5. 不要保存密码、API Key、Cookie 或其他敏感信息。

## 记忆写入原则

只保存未来仍然有价值的信息，包括：

- 长期目标
- 项目背景
- 技术选择
- 关键决策及原因
- 可复用工作流程
- 用户明确表达的长期偏好

不要保存临时聊天、重复内容和一次性任务信息。

四、设置每日复盘

仅在 AGENTS.md 中写入“每天凌晨复盘”，并不会让 Codex自动执行。

要实现定时复盘，还需要使用：

Windows 任务计划程序
Linux 或 macOS 的 Cron
支持定时任务的 AI Agent
已经包含夜间整理功能的 Obsidian AI 项目

每天执行的复盘任务可以使用下面的提示词：

读取今天的项目记录和每日笔记。

请完成以下工作：

1. 总结今天完成的主要任务。
2. 提取值得长期保存的关键决策。
3. 更新对应项目的当前状态。
4. 合并重复或已经失效的信息。
5. 将复盘结果写入今天的每日笔记。
6. 不要写入密码、Token、Cookie 或其他敏感数据。

部分开源项目已经实现了夜间整理、索引更新和跨项目记忆功能，但不同项目的自动化程度并不相同。例如，codex-obsidian-memory-loop 明确定位为手动复盘工作流，而不是后台自动监控系统。

五、原生 Codex Memory 与 Obsidian 的区别

方案	主要特点	适合场景
Codex 原生 Memories	自动从历史对话生成本地记忆	希望简单开启、减少手动维护
Obsidian 记忆库	内容透明、可编辑、可分类	项目管理、知识沉淀、跨工具复用
AGENTS.md	固定 Codex 的读取和执行规则	编码规范、项目流程、记忆读取入口
定时复盘脚本	自动整理每日记录	长期项目和持续知识维护

更实用的方式不是二选一，而是组合使用：

使用 Codex Memories 保存自动生成的上下文。
使用 Obsidian 保存经过确认的重要知识。
使用 AGENTS.md 定义读取和写回规则。
使用定时任务完成每日整理。

六、使用时需要注意的问题

不要保存敏感信息

不要把下面的信息写入记忆库：

API Key
登录密码
Cookie
私钥
客户隐私资料
未脱敏的内部数据

Codex 官方也建议在共享 Codex 目录或记忆文件前检查其中是否包含敏感内容。

不要无限追加笔记

记忆库并不是越大越好。

如果所有对话和日志都永久保存，Codex 检索时反而更容易读到过期信息。建议定期执行：

删除重复记录
标记失效决策
合并相似笔记
更新项目当前状态
保留决策发生的时间和原因

重要操作仍需人工确认

Codex 可以参考历史记录，但涉及删除文件、修改生产环境、付款、发布和权限调整时，仍然应该由用户最终确认。

七、适合使用这套方案的人

这套 Codex + Obsidian 长期记忆工作流，比较适合：

同时维护多个代码项目的开发者
经常使用 Codex 处理重复任务的人
希望沉淀项目决策和踩坑记录的个人用户
使用多个 AI 编程工具的团队
希望将 Obsidian 打造成 AI 第二大脑的人

它真正解决的问题，不是让 Codex 永远记住所有聊天，而是让重要信息以本地文件的形式保存下来，并在需要时被准确读取。

DeepTutor：可本地部署的开源 AI 学习与工作伴侣

Tue, 28 Jul 2026 15:16:00 +0800

同时使用 ChatGPT、Claude、知识库、笔记软件和多个 AI Agent 时，真正影响效率的往往不是模型能力，而是分散的窗口、重复导入的资料，以及无法连续保存的上下文。

DeepTutor 是一个开源的智能学习工作区。它把对话、知识管理、书籍学习、智能体、写作、研究和长期记忆等功能整合在同一个工作空间中，减少在不同 AI 工具之间反复切换的问题。

DeepTutor 是什么？

DeepTutor 是由 HKUDS 开源的 Agent-native 个性化学习平台。

与普通 AI 聊天工具不同，DeepTutor 不只是回答问题，而是尝试把用户上传的资料、历史互动、学习进度和个人知识组织到同一个工作环境中。

官方目前提供的主要工作区包括：

对话与学习辅导
AI Partners 与自定义智能体
协作写作
书籍阅读与学习
Learning Space 学习空间
Memory 长期记忆
Knowledge Center 知识中心

这些模块共享统一的运行上下文，因此从阅读资料切换到提问、写作或练习时，不必频繁重新提交背景信息。

传统 AI 工作流常见的问题

1. 多个窗口来回切换

完成一个学习或研究任务时，可能需要同时打开：

AI 对话工具
PDF 阅读器
浏览器
笔记软件
文档编辑器
本地文件夹

工具越多，注意力越容易被界面切换打断。

2. 知识与对话无法连续积累

很多 AI 对话结束后，资料、结论和上下文仍然分散在不同会话中。

下次继续处理同一个主题时，往往还要重新上传文件、解释背景和复制之前的内容。

3. AI 只回答问题，不管理学习过程

普通聊天机器人通常更擅长完成一次性问答，但不会主动整理知识、生成练习、记录薄弱点或根据历史表现调整学习内容。

DeepTutor 希望解决的正是这个问题：让 AI 从临时问答工具，变成能够持续参与学习过程的助手。

DeepTutor 的核心功能

功能模块	主要作用
AI 对话	针对上传资料或指定主题进行提问、解释和学习辅导
知识中心	管理个人资料，并在回答中检索和引用相关内容
书籍学习	阅读长文本、整理章节、提取重点并辅助理解
个性化记忆	保存学习记录和互动信息，形成持续更新的用户画像
问题与练习生成	根据资料生成问题、测验和针对性练习
智能体系统	通过不同 Agent 分工完成研究、学习和复杂任务
协作写作	根据资料进行整理、改写和内容创作
可视化学习	通过图表、结构图等方式展示概念和知识关系

DeepTutor 的相关研究介绍了一套混合个性化机制：一部分用于连接静态知识资料，另一部分用于从持续互动中整理用户的学习状态和历史记录。

系统还会把资料问答、问题生成、难度调整和学习反馈连接起来，形成相对完整的学习闭环。

DeepTutor 适合哪些人？

DeepTutor 更适合以下使用场景：

学生和自学者

可以上传教材、论文、讲义或自己的笔记，让 AI 帮助解释概念、总结重点、生成问题和检查掌握情况。

研究人员

可以将论文和研究资料放入知识中心，用于资料检索、文献理解、多文档分析和研究写作。

内容创作者

可以利用个人资料库完成选题研究、文章整理、知识提炼和内容写作，减少反复查找资料的时间。

需要长期积累知识的工作者

咨询、产品、技术、运营和教育工作者，可以把项目资料与个人经验逐步沉淀到统一工作空间中。

DeepTutor 是否完全离线？

DeepTutor 支持本地部署，但“本地部署”并不一定等于“完全离线”。

实际的数据处理方式取决于你连接的模型和服务：

使用本地大模型和本地嵌入模型时，可以减少资料发送到第三方服务器的情况。
使用 OpenAI、Claude 或其他云端模型时，请求内容仍可能发送给对应的模型服务商。
部署前应检查模型接口、知识库、日志目录和数据存储设置。

因此，更准确的说法是：DeepTutor 提供本地部署和自行配置模型的能力，隐私程度取决于最终的部署方案，而不是安装完成后天然完全离线。

DeepTutor 的优点

开源，可以查看代码并自行部署
将学习、知识库、写作和智能体整合到统一工作区
支持持续记忆和个性化学习
适合处理书籍、文档和长期知识资料
可以连接本地模型或兼容的模型服务
支持通过 Skill 扩展智能体能力

官方仓库显示，DeepTutor 已采用 Apache-2.0 开源许可证，并在 2026 年发布了重新设计的 1.0.0 版本。

使用前需要注意的问题

DeepTutor 功能较多，因此部署和使用成本通常会高于普通 AI 聊天客户端。

使用前建议确认：

电脑是否已经安装所需的 Python、Node.js 等运行环境。
准备使用本地模型还是云端模型。
本地设备是否有足够的内存、显存和存储空间。
上传的资料是否包含敏感信息。
当前版本支持哪些模型、文件格式和知识库组件。

如果只是偶尔向 AI 提问，普通聊天工具可能更加简单。

如果你的重点是长期学习、知识积累、资料研究和个性化辅导，DeepTutor 才更能体现价值。

总结

DeepTutor 并不是简单地把多个 AI 功能放进一个界面。

它更重要的价值，是把资料、对话、记忆、学习进度和智能体能力放进同一个持续运行的工作环境中。

对于需要长期阅读、研究和整理知识的人来说，这种工作方式可以减少重复导入上下文，让 AI 从一次性问答工具逐渐变成真正能够参与学习过程的助手。

项目地址

GitHub：https://github.com/HKUDS/DeepTutor
官方网站：https://deeptutor.info/
开源许可证：Apache-2.0