我造了个工具，让AI记住你删掉的每一句话

凌晨两点，你终于修好了那个该死的Webhook认证Bug。一周后回来问Claude，它只回了三句话："你之前处理过Webhook认证问题。"

那五个失败的尝试呢？真正的修复方案呢？全被"总结"掉了。

这就是AI记忆工具的普遍做法——用另一个大模型压缩你的历史，再假装什么都没丢。开发者Youssef受够了这种"有损便利"，于是写了Longhand：一个零压缩、全留存的本地记忆系统。

被忽视的真相：你的对话早就存在硬盘里

Claude Code其实一直在偷偷记录。

每次会话结束，它都把完整日志写成JSONL文件，存在~/.claude/projects/目录下。每个工具调用、每次文件编辑、每段思考过程——原封不动，一字不差。

问题在于：这些文件几周后就被自动清理。而且市面上的记忆工具拿到它们的第一件事，就是再雇一个LLM来"总结"。

Youssef的发现很直接：存储不是问题。SQLite 2000年就发布了，ChromaDB两年前就能本地跑。所谓的"AI记忆危机"是人为制造的——整个行业默认记忆必须和推理挤在同一个地方，哪怕这让系统更贵、更封闭、更不安全。

他的解法：让磁盘干磁盘的活，模型干模型的活。

Longhand怎么工作：两条数据流

安装后，Longhand做两件事。

第一，自动抓取。Claude Code每次会话结束会触发SessionEnd钩子，Longhand趁JSONL还在，立刻复制一份到自己的本地存储。即使Claude后来删了源文件，Longhand的副本永久保留。

第二，一次性回填。把用户历史上所有能找回来的会话全部导入。

数据存在两个本地索引里，查询通过MCP服务器暴露给Claude Code本身——17个专用工具，让它能直接搜索自己的过往。

当你问"我们上次怎么修X的"，Claude不再靠上下文窗口瞎猜。它查硬盘，返回真实发生的事件。

实测数据：107场会话，53668个事件

Youssef用真实工作负载测试了Longhand。

样本覆盖107场Claude Code会话，53668个事件，665次Git操作，376组"问题→修复"片段，跨越37个项目的299段对话。

结果：召回时不再幻觉，因为每个回答都有原始日志背书。

项目目前已通过170个单元测试，安全审计零严重问题，上架PyPI，并录入官方MCP Registry。

一个被回避的选择

大模型厂商都在卷上下文窗口：100万token、200万token、无限上下文。Youssef认为这是错的方向——让模型背负所有状态，既贵又慢，还把用户锁死在云端。

他的方案本质上是个老派思路：分层存储。热数据进内存，冷数据落磁盘，需要时再调。数据库领域用了几十年的架构，AI行业却假装没这回事。

这背后有个更 uncomfortable 的问题：为什么"AI记忆"默认等于"让AI替你决定什么值得记住"？

总结是一种权力。当LLM把你的五小时调试压缩成三句话，它同时替你完成了价值判断——哪些尝试值得保留，哪些该被遗忘。用户从未参与这个决策，甚至不知道丢了什么。

Longhand的激进之处不是技术，是态度：记忆的全部或零，不接受中间状态。

这会改变什么

如果本地无损记忆成为标配，几件事可能发生。

第一，Prompt工程的新维度。不再只是设计单次对话，而是设计跨会话的检索策略——如何让模型在数万条历史记录里精准定位。

第二，合规与审计的简化。金融、医疗等强监管领域，"可解释性"往往等于"原始记录可追溯"。总结过的记忆是黑箱，原始JSONL是证据。

第三，对云端记忆的替代。当本地方案足够好用，用户付费意愿可能从"订阅AI服务"转向"购买本地工具"。

当然，Longhand也有边界。它需要用户自己管理存储、自己跑服务、自己处理备份。这不是给所有人的方案，是给那些愿意用复杂度换控制权的人。

最后

AI行业正在经历一场关于"记忆"的集体幻觉：似乎只有模型内部的状态才算数，磁盘里的数据只是原材料。

Youssef用Longhand证明了这个前提的可疑。真正的问题或许不是"如何让AI记住更多"，而是"为什么我们默认用户不配拥有自己的完整历史"。

当你的AI助手下次说"我记得你之前..."的时候，你想让它基于三句话的猜测，还是五万条事件的实录？