一、和 AI 聊完即作废？对话内容同样需要沉淀留存每次和 AI 深入讨论完一个方案，关掉对话窗口的那一刻，那些有价值的分析、结论和决策就消失了。下次遇到类似问题，又得从头聊起。问题不在于 AI 不够聪明，而在于它缺少一个能把对话沉淀为知识的知识库系统。
和 AI Agent 的交互越来越频繁，写代码、做调研、整理方案、头脑风暴……但一个尴尬的现实始终存在：
每次对话结束，一切归零。
你告诉 Cursor 你的代码风格偏好，下次它就忘了；你和 Claude 深入讨论过某个架构方案，新会话里它一脸茫然；你在 Obsidian 里记了几百篇笔记，AI 却完全不知道它们的存在。
更让人头疼的是那些沉睡在文件夹里的文档。写的时候很认真，写完就再也没打开过。它们是"死"的“知识”——存在，但不可被检索、不可被调用、不可被 AI 理解。
这不是 AI 的错。它只是没有记忆，也没有"眼睛"去看你的知识库。
而 HereVault，就是来解决这个问题的。
二、HereVault 是什么？HereVault 是一个面向 AI Agent 的记忆与知识库系统。简单说，它给 AI 装上了"长期记忆"和"知识检索"两大能力。
它的核心理念可以用十个字概括：对话即知识，知识即资产。
记忆能力：能够保存与 AI Agent 的交互记录，跨会话持久化。下次对话时，AI 能主动召回之前的上下文、偏好、习惯，不再每次从零开始。
知识能力：将你现有的 Obsidian 笔记、文档等静态内容，通过语义嵌入转化为可智能检索的知识资产，让 AI 能真正"读懂"你的知识库。
所有数据存储在本地，不依赖云服务，你的记忆和知识完全由自己掌控。
三、从"聊完即丢"到"智能沉淀"：HereVault是如何工作的？HereVault 的记忆系统支持六种记忆类型：偏好、习惯、事实、对话、技能、上下文。HereVault不只是简单地存下聊天记录，也可以对交互内容进行结构化的分类和存储。
举个例子：
你在对话中提到"我习惯用 TypeScript 写后端"，HereVault 可将将其保存为习惯类记忆。
你说"这个项目用 React 19 + Next.js 15"，它存为事实类记忆。
一次深入的架构讨论，被保存为对话类记忆，后续可以完整召回上下文。
当你开启新的对话时，AI 通过 HereVault 的工具就能检索到相关记忆，像一位真正了解你的搭档一样继续工作。
更重要的是，这些记忆以 Markdown 文件的形式保存在 Obsidian Vault 中。你可以直接在 Obsidian 里查看、编辑、组织它们——向量数据库存储的内容不再是黑盒，而是你可见、可控的知识资产。
我们大多数人都有大量的笔记和文档，但它们有一个共同的问题：写完就沉了。传统的关键词搜索只能匹配字面文本，你搜"部署流程"搜不到"上线步骤"，搜"性能优化"找不到"响应时间调优"——因为语言表达是多样的，但搜索是死板的。
HereVault 的做法是三管齐下：
向量语义检索：基于 BGE-M3 嵌入模型，将文档转化为语义向量。搜索"部署流程"时，"上线步骤"也能被找到，因为它们在语义空间中是相近的。
BM25 关键词检索：保留传统关键词匹配的优势，确保精确查询不丢失。
智能重排序（Reranker）：将两路检索结果通过 RRF（倒数排名融合）算法合并，再用重排序模型精排，确保最相关的结果排在最前面。
这意味着什么？意味着你积累的那些 Obsidian 笔记，不再只是静静躺在文件夹里的文字，而是变成了一个可以被 AI 理解、检索和调用的知识引擎。你问它问题，它能从你的知识库里找到答案——不是靠关键词碰运气，而是真正"读懂"了内容。
五、实际场景：HereVault 能帮你做什么？场景一：AI 对话上下文记忆
你在和 AI 讨论一个项目的技术方案，聊到一半需要切换到另一个任务。传统方式下，下次回来得重新解释一遍背景。有了 HereVault，AI 能自动召回上次的对话上下文，无缝衔接。
场景二：知识库问答
你的 Obsidian 里有几十篇技术笔记、项目文档、会议纪要。通过 HereVault 的知识库功能，AI 可以基于这些笔记进行 RAG 问答——把静态笔记变成交互式的知识助手。问它"上次架构评审的结论是什么"，它能从你的笔记里找到答案。
场景三：跨会话记忆保持
你告诉 AI "我偏好函数式编程风格""这个项目用 pnpm 管理依赖"，这些偏好会被持久化保存。无论你开多少次新会话，AI 都能记住你的习惯，不再需要反复声明。
场景四：Obsidian 原生查看
所有记忆和知识库文档都以 Markdown 格式保存在 Obsidian Vault 中。你可以直接在 Obsidian 里浏览、编辑、用标签和链接组织它们——HereVault 的数据对你完全透明，没有任何锁定。
场景五：接入已有文档系统，赋能智能客服
HereVault 不只服务于个人笔记场景。通过 RESTful HTTP API，你可以将已有的文档系统——产品手册、FAQ、工单记录、帮助中心文章——接入 HereVault 的知识库。语义搜索能力让客服机器人不再局限于死板的关键词匹配，而是真正理解用户问题的意图，从海量文档中精准定位答案。用户问"退货怎么处理"，它能找到"售后退换货流程"；问"账号登不上"，它能关联到"登录异常排查指南"。存量文档瞬间变成智能客服的知识引擎。
六、技术亮点速览对于关注技术实现的开发者，这里列出几个关键设计：
特性 | 说明 |
|---|---|
三种集成方式 | MCP 协议 (stdio) + RESTful HTTP API + CLI，适配不同集成方式 |
嵌入模型 | BGE-M3 ONNX int8 量化，本地运行，无需 GPU |
重排序模型 | ms-marco-MiniLM-L6-v2（默认，约 87MB）或 bge-reranker-v2-m3（约 547MB） |
向量数据库 | LanceDB，轻量级本地向量存储 |
混合搜索 | 向量检索 + BM25 + RRF 重排序 + Reranker 精排 |
Obsidian 原生 | Markdown 文件存储 |
增量同步 | 监控文件变化，自动同步到向量数据库 |
1 安装npm install -g herevault2 初始化 Vaultherevault init --vault /path/to/your/vault3 下载嵌入模型herevault download-models --vault /path/to/your/vault4 启动服务herevault serve --vault /path/to/your/vault- 启动后，你可以通过 MCP 协议连接 Claude、Cursor 等 AI Agent;- 也可以直接调用 RESTful API;- CLI 命令同样支持直接操作，无需启动服务器。
AI Agent 正在成为我们工作流中越来越重要的一环，但没有记忆的 AI，永远只是工具；有了记忆的 AI，才能成为伙伴。
HereVault 做的事情并不复杂：给 AI 一个记忆系统，给你的知识一个出口。但它带来的改变是实实在在的——对话不再是一次性的，知识不再是沉睡的。
如果你也受够了和 AI 聊完就丢的无奈，受够了那些写了就忘的笔记，不妨试试 HereVault。
