AI工具各记各的？用图数据库统一记忆

在AI编程工具日益普及的今天，一个尴尬的现实是：每个工具都很聪明，但彼此之间毫无记忆。你用Claude Code敲定技术选型，切到Cursor它却对项目框架一无所知。这不是模型能力的问题，而是存储架构的缺失。一位开发者在FalkorDB的Graph Hacks黑客松上构建了Engram，用图数据库为所有AI工具提供共享记忆，并分享了其中的设计取舍与踩坑经验。

为什么向量存储不够用

给AI代理增加记忆，最常见方案是嵌入向量数据库做相似度搜索。但作者指出，当记忆真正承载关键决策时，向量库的缺陷会暴露：它分不清新旧。如果周一告诉代理“我们用Express”，周四又说“其实换成了Hono”，向量库在回答“我们用什么框架”时会把两条都返回，因为它们在语义上都关于框架，得分都很高。向量表示中没有任何东西编码“取代”关系。你可以加时间衰减权重，但那只是让旧错误答案慢慢淡出，而非消失。

图数据库的解法很直接：取代关系就是一条边。新记忆通过SUPERSEDES边指向旧记忆，旧记忆标记为superseded但不删除。召回时默认过滤active状态，历史记录仍可追溯，且附带变更原因。这种设计让记忆系统不会自信地给出已被推翻的决策。

嵌入向量与向量数据库：嵌入向量（embedding）是将文本映射到高维空间中的稠密向量，语义相近的文本在向量空间中距离更近。向量数据库通过近似最近邻搜索（如HNSW、IVF）快速检索相似向量，是实现语义搜索的主流方案。然而，这种表示只编码“相似性”，不编码“时序性”或“逻辑关系”。因此，当两条语义相似但时间冲突的记忆同时存在时，向量数据库缺乏机制判断哪条是当前有效版本，只能依赖额外的元数据字段或衰减函数，这在高风险决策场景中可能引入错误。

图结构真正发挥作用的三个场景

作者原本以为“图”只是营销话术，实际构建后有三点改变了看法。

溯源是一条遍历路径，而非一个字段

“哪个工具、在哪个会话、何时说了什么、取代了什么”天然对应一条路径：Tool -[:RAN]-> Session -[:CAPTURED]-> Memory -[:SUPERSEDES]-> Memory。无需设计溯源JSON字段并保持同步，解释记忆就是走边，永远正确，因为没有东西会失去同步。

召回通过图扩展真正变好

全文搜索“relayer用什么框架”只能找到字面提及“relayer”的记忆。但如果某条记忆只说“使用Hono”而没提“relayer”，通过RELATED_TO实体边的一跳遍历仍能发现它——每当两个实体在同一记忆中共现，这条边就被加强。作者坦言这是最初怀疑、但在第一次真实测试中就见效的部分。

多图隔离免费获得

FalkorDB在单实例上为每个项目托管一个命名图，外加一个全局图，无需额外基础设施。项目A的决策不会泄漏到项目B的召回中，不是因为写了过滤器，而是因为它们本就是不同的图。

图数据库与属性图模型：图数据库以节点（实体）和边（关系）为核心数据模型，边可携带属性（如时间、原因）。与关系型数据库不同，图数据库将关系作为一等公民存储，使得多跳遍历（如从工具到会话到记忆再到旧记忆）在查询时无需复杂JOIN，性能随深度增加而衰减较慢。属性图模型（如Neo4j、FalkorDB采用）允许边具有方向和标签，天然适合表达“取代”“关联”等语义关系，并为溯源提供结构化路径。

实际踩的坑（更有意思的部分）

看似简单的API背后有未文档化的行为，只有用真实数据跑真实查询才会发现。

FalkorDB的查询结果是以RETURN别名为键的对象，而非位置数组。作者第一版所有查询函数都假设了第二种形状，编译运行都正常，却静默返回无用结果——对对象用[0]索引只会得到undefined，没有报错。找到问题花了一小时，修复只花两分钟。

其全文索引底层是RediSearch，普通多词查询串会被解析为隐式AND/短语匹配。“relayer用什么框架”这种正常问法匹配不到任何东西，即使有一条包含“relayer”的记忆就在那里，因为查询没有逐字包含句子中所有其他词。修复很小（去停用词、剩余词用OR连接），但文档里根本猜不到。

作者想用的提取模型Moonshot Kimi K2，Groq文档列为托管模型，但在测试的API key上根本不可用——不是权限错误，是直接404。解决办法是调用/v1/models看实际有什么。这提醒我们：模型被文档记录和模型对你的key可用是两回事。

这些都不是罕见bug，而是在不熟悉的基础设施上构建的常规税。唯一教训很朴素：跑真实查询，读真实响应形状，别信任代码“应该”怎样。

RediSearch 全文索引：FalkorDB 的全文索引底层依赖 RediSearch 模块。RediSearch 默认将多词查询解析为隐式 AND 或短语匹配，强调精确性而非召回率。对于自然语言问句，这会导致大量漏召回，因为查询词必须全部出现。开发者通常需要显式处理停用词、使用 OR 连接或采用分词策略来适配搜索意图。这一行为在文档中往往未突出说明，容易在集成时造成困惑。

最终形态与核心价值

Claude Code通过会话钩子自动捕获记忆——你从不说“记住这个”，只是正常对话，决策在会话结束时落入图中。Cursor和Gemini CLI通过MCP读取同一张图，只需在任务开始时加一句engram_recall提示来弥补它们没有钩子系统。本地Web UI绘制真实图，节点按状态着色，SUPERSEDES边高亮——这是演示中最有说服力的部分，因为它是真实数据而非概念图。

如果只展示一件事，作者会选：让一个不同的工具去问做出决策的那个工具，它能拿到当前答案，并附带历史依据。这就是全部卖点，而它成立的前提是底层是一张图。

跨工具记忆的启示

Engram的实践揭示了一个被忽视的层面：AI工具生态的碎片化不仅是接口问题，更是记忆架构问题。向量数据库适合模糊检索，但在需要状态演化和关系推理的场景中，图结构提供了更自然的表达。对于同时使用多个AI编程工具的开发者，统一的图记忆意味着决策不再随工具切换而丢失，上下文真正流动起来。

当然，这一方案仍有局限：MCP读取依赖提示词自觉，自动捕获仅在支持钩子的工具中可用。但方向已经清晰——让AI工具共享一个“大脑”，图数据库是目前最贴合问题的答案。