L站持有mac的佬友应该挺多的， 而apple又新发布了macos27beta版，挺多人想尝鲜的。 苹果官方有提供装 双系统 的方法，这样风险会无限小。 具体点击这个： 在 Mac 上使用多个 macOS 版本 这个是苹果技术支持的服务网址，随便点，无任何风险。 祝各位佬友玩的开心，同时又不会有数据风险。还能随时回滚。 1 个帖子 - 1 位参与者 阅读完整话题
有没有做过普通胃镜的（非无痛），感觉如何，有什么技巧坚持下来吗 22 个帖子 - 22 位参与者 阅读完整话题
[!warning]注：原帖超过编辑时限 从 【开源skill】被跨对话/跨agent恢复上下文反复折磨后，我做了个项目本地记忆skill【新版本前瞻】 继续讨论： [!todo]社区开源推广声明 本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 [!check] 版本更新提示：v0.4.0 现已正式发布 已安装的佬友请尽快使用 npx skills update recallloom 来更新使用新版本！ 🧶 RecallLoom 让项目自己记住自己。 把背景、进展、关键决策和下一步留在项目文件里。换会话、换模型、换工具，下一次 AI 协作也能接上当前状态。 [!tip]如果觉得对您有帮助，欢迎STAR并推荐给更多佬友！ 背景 Hi~ 各位佬友！ 距离上次RecallLoom更新已经过去了一段时间，今天终于迎来了RecallLoom的最新V0.4.0版本的正式发布~ 这段时间，我在规划、升级新版本的同时，也在和佬友们交流对于RecallLoom的想法、心得、以及使用感受，非常感谢佬友们对本项目的大力支持，同时也很感谢发现问题、为项目迭代提供思路的佬友们！RecallLoom是与大家一同成长的。【 详细见 原帖 讨论 】 此外，我也在RecallLoom开发项目、自己的硕士学位论文项目中，真实接入了RecallLoom来辅助项目管理，进行了深度体验，个人感受是真的有在提高项目推进效率并降低了解释成本，我很高兴能和佬友们进一步分享。 给新认识的朋友们介绍一下 [!QUESTION] 为什么要做 RecallLoom ? [!fail] 在使用 Agent 推进长期项目协作时，最磨人的常常是开头要费精力解释项目。 我把上述叫做“重启税”。 不知道佬友是不是已经遇到过下面的情况： 换会话、换模型、换Agent，或隔几天回来，就要花时间重新告诉 AI “我在做什么”。 新的 Agent 工具能读到仓库里的文件，却不知道哪些事实 已经过期 、哪些结论 仍然有效 。 平台私有记忆（memory）、聊天记录和项目文件 分开存在 ，关键决策很难跟着项目一起走。 项目一做久，“为什么这么做”“现在什么是真的”“下一步该接哪里”最容易丢。 [!success] RecallLoom 就是为了无痛丝滑解决 “ 项目级记忆 ”和 “ 接力连续性 ” RecallLoom 从项目级别把本项目的背景、当前状态、关键决策、最近进展和下一步，保存在项目内的受控文件里。下一次换会话、换模型、换工具，或隔几天回来时，新的 AI 工具可以快速先接上当前事实真相，再决定要不要深入历史材料。 这让“记忆”从原来聊天开场时的临时解释，变成项目里 可读、可审、可继续维护 的工程资产，摆脱“重启税”的烦恼。 [!QUESTION] 怎么想到做 RecallLoom ? 其实我发现上述问题早就成为大家普遍的痛点，一开始我也在论坛里找各种各样的解决方案，其中不乏各种Agent级别的记忆系统，还有轻量级的一个markdown文档记录一切的方法。但是，我都觉得不太适合自己推进的一些长期项目。 就拿写论文举例，我是一个典型的经管生，我们的论文不仅涉及到研究问题、论证思路、假设、结论推导等，还涉及模型、数据、实证等过程。一套完整论文的诞生，需要敲定研究方案，确认假设与理论推导逻辑，设计变量定义、模型结构、参数，还要进行实证统计检验，这是个复杂、长期的项目，也需要经历反复推翻、验证、再推翻的过程。 如果每次都在一个巨长的session里一直聊下去，本身就不可持续，上下文爆满，反复compact模型幻觉飘到天上去，准确的对话历史也难以高质量召回。 如果每次新开一个对话，又不可能无线fork下去，又要费尽心思组织开场白，费一堆时间来解释来龙去脉，我做到哪了？ 文字写作我喜欢用deepseek V4 pro，如果涉及代码、数据工作，我又要切到codex用GPT或者切到Claude Code，这时候又要解释一大堆背景了。 也是在探索过程中，慢慢确定了如今 RecallLoom 的形态和生态位 —— 它是一个轻量的、文件原生的 项目连续性接力 SKILL 30秒开始 1. 安装 RecallLoom 把下面命令复制到终端。 如果你不想处理命令细节，可以把整行交给 Agent 执行： npx skills add https://github.com/Frappucc1no/recall-loom --skill recallloom 之后需要更新时： npx skills update recallloom 2. 首次初始化（可选，仅首次） 如果这是 第一次 在当前项目使用 RecallLoom，需要先初始化项目记忆。 [!TIP]已有 .recallloom/ 的项目可以跳过这一步。 初始化需要用任意一种 显式 唤起方式： 如： 1. @recallloom 初始化当前项目 2. 请用 RecallLoom 接管这个项目 3. 请用 RecallLoom 初始化这个项目 4. rl-init [!info] 首次接入会在项目旁边建立 RecallLoom 的项目记忆目录，用来保存背景、进展、关键决策和下一步。 3. 日常使用： 自然语言继续 项目接入后，常用说法很自然： 如： 继续这个项目 先帮我恢复项目上下文 从上次停下的地方继续 记录今天的关键进展 [!info]在已接入的项目里， 继续这个项目 会让 RecallLoom 先执行恢复步骤：先读取项目记忆，再进入具体任务。 [!SUCCESS] 日常接力无需每次都写 @recallloom 。 4. 熟悉后可用短触发词 （可选） 这些词可以直接发给 AI 工具，作用类似更短的自然语言触发语： 直接输入 你想做什么 rl-init 初始化项目记忆 ，让 RecallLoom 接管当前项目 rl-resume 恢复项目背景、当前状态和下一步 rl-status 查看项目记忆是否完整、是否需要处理 rl-validate 检查连续性文件有没有结构问题 多数时候，说“继续这个项目”就够了；熟悉后再用短触发词提速。 真实效果 眼见为实，下面请看在我的【硕士学位论文】项目中的真实效果： [!WARNING]多图预警 （ Codex Desktop / GPT-5.5 ) [!check]prompt：“恢复论文进展” [!check]prompt：“梳理近一个月论文的推进进展，关键结论，以及我推翻了啥？” [!check]prompt：“上述是通过recallloom恢复的吗？其帮助有多大” 新版本更新了啥 [!TIP]V0.4.0 (2026-05-24) 更准确的恢复路径、更低摩擦的进展更新、更清楚的写入保护和工具边界 v0.4.0版本比较大的变化是：我优化了逻辑架构，吸收轻量“图记忆”的基本原理，但不至于做成重型“图记忆”数据库或RAG检索。 此举，使得RecallLoom现在能够对写入的记忆附带一个“关系路标”，它可以把与之关联的记忆打上路标，在记忆检索、召回、降级、过时记忆退出的时候，能够更加准确。真正意义上，使用文件原生的形态，以轻量化方案来缓解记忆关联的难题。 详细版本摘要如下： 更可靠的项目恢复 ：优先读取当前状态、活跃判断和下一步，再按需进入背景材料和历史记录，减少旧信息干扰。 更顺手的进展记录 ：更加优化的结构化记录，并提供记录后同步当前状态的标准路径，让“刚刚完成了什么”和“下一步接哪里”保持一致。 更安全的长期记忆写入 ：加强修订检查、新鲜度检查、来源文件边界和临时草稿处理，降低把过期内容或不该沉淀的内容写入项目记忆的风险。 更清楚的多工具协作边界 ：适配Codex、Claude Code、Gemini CLI、OpenCode 等Agent的最新边界，并提供相应的快捷命令入口，但项目事实仍保存在工作区内的 RecallLoom 文件中。 更清晰的说明 ：README、USAGE、SKILL、package metadata 的职责更明确，安装、恢复、更新和可选 native wrappers 的入口更一致。 更严格的隐私与输出安全 ：继续对私有路径、token 形态、元数据和外部来源摘要做 public-safe 处理，减少把本地环境细节带入输出的风险。 项目接力循环 RecallLoom 的核心模型可以概括成一个 典型项目记忆循环 ： 特性与工程设计 [!info]本节详细内容请移步阅读 README [!TIP]RecallLoom 的价值——更短的恢复路径 少解释、少重读、少猜测，让 AI 工具先接上当前事实。 特性 带来的价值 低重启税 换会话、换模型或隔几天回来时，先恢复项目状态 更快接力 先看当前摘要、最近进展和下一步，快速进入状态 更省上下文 先读小而准的项目记忆，深查只在需要时发生 跨工具接力 换模型、换会话、换 AI 工具时，项目事实仍跟着工作区走 写入更稳 进展记录、当前摘要和校验动作有明确路径，降低把过期事实写回项目记忆的风险 文件化保存 记忆落在 Markdown / JSON 文件里，可读、可审、可迁移 Github链接 [!SUMMARY]帮我点个 STAR 吧！ 这对我是个很好的帮助。 github.com GitHub - Frappucc1no/recall-loom: Portable continuity layer for long-running AI... Portable continuity layer for long-running AI projects across models, agents, and sessions. 致谢 感谢迭代过程中所有提供支持和建议的朋友们 感谢各大中转站的GPT资源（我好像花了25亿+Tokens） 1 个帖子 - 1 位参与者 阅读完整话题
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
支持增量迁移，自动识别 Compose depends_on 按依赖顺序恢复，以及 volume 和挂载卷。 背景是最近要把我的 Lightsail 和腾讯云，阿里云服务都迁移到 Hetzner 。 三家零零散散跑了十几个容器，有些是 Docker compose 启动，有些配置了 network ，手动迁移太痛苦了。 使用方式很简单： mico pack # 打包所有运行中的容器（以及镜像/配置/卷/网络配置）为一个 .zst 压缩包 mico unpack mico.zstd # 在目标服务器一键恢复，按依赖顺序自动重建 有需要的可以试试。 https://github.com/Ray-D-Song/mico
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 hello欸喂巴蒂 起因很简单------现在Cursor 用久了，工作区积累了一堆对话窗口，每次开新会话都要重新跟 AI 解释一遍背景。 前阵子数了一下，我一个工作区里有 37 个对话，涉及差不多 20 个项目。技术决策、为什么选这个方案、哪些地方不能动全都在里面，想找出来基本等于从头翻一遍。 然后做了这个工具。第一次跑，选了2 个对话提出了 519 条结构化记忆。 怎么用 先看看你有多少对话： npx ai-memory-cli list 然后选几个提取： npx ai-memory-cli extract --pick 3,2 工具自动检测你装了哪些 AI 编辑器（Cursor / Claude Code / Windsurf / Copilot / Codex 都支持），对选中的对话分块并行提取。 结果按类型分：决策 / 架构 / 约定 / TODO / Issue，每条是一个独立 Markdown 文件，放在 .ai-memory/ 下面，git 可追踪。 可视化界面： npx ai-memory-cli dashboard 提取出来能干什么 可以生成 AGENTS.md： npx ai-memory-cli rules --target agents-md 把提取出来的决策和约定写成 AGENTS.md，Cursor / Claude Code 开新会话会自动读这个文件，AI 就不用你再解释背景了。 也可以直接复制上下文给当前会话： npx ai-memory-cli context --copy 搜历史决策： npx ai-memory-cli recall "OAuth" Claude Code 用户还可以生成 Skills，按需动态加载，比 AGENTS.md 更省 token： npx ai-memory-cli rules --target skills 聊天记录里有 API key 或者内部域名的，加 --redact 会在发给 LLM 之前自动脱敏： npx ai-memory-cli extract --redact ai-memory 不需要改任何代码，聊天记录本来就在本地硬盘上，直接去读就好了。 不配 API Key 也能用 内置 DeepSeek-V4-Flash，限 2 个对话/次，体验完整流程够用： npx ai-memory-cli try # 试用，不改任何文件 npx ai-memory-cli extract GitHub： GitHub - hyxnj666-creator/ai-memory: Extract structured knowledge from Cursor & Claude Code conversations into git-trackable Markdown files · GitHub npm： npx ai-memory-cli （内置免费模型，不用配 API Key） MIT 协议 欢迎试用，有问题直接提 Issue 或评论区聊。 1 个帖子 - 1 位参与者 阅读完整话题