Trace Canvas:让所有AI Agent共用一张跨设备记忆地图

开源项目Trace Canvas为多Agent、多设备提供共享记忆画布,并内置风险操作人工确认。
Trace Canvas是一个本地运行的开源记忆层,旨在解决Claude Code、Codex、Gemini CLI等AI Agent之间以及多台设备之间上下文割裂的问题。它通过一张人机共读的可视化画布,将不同Agent的操作记录汇聚到同一张图上,实现跨会话、跨设备的记忆连续性,让用户换Agent或换电脑后仍能查询之前的安装与配置信息。项目还设计了风险操作人工确认机制,碰到有风险的安装会停下来说明原因并等待用户决定。开源与本地运行保证数据留在用户设备上,但共享记忆也带来记录污染和判断趋同的潜在风险。
为什么你的AI Agent总是“失忆”?
用Claude Code写完一个脚本,换Codex继续调试时,它完全不知道前一个Agent装过什么依赖;换台电脑再问Gemini CLI,连昨天配好的环境都找不到。这不是模型能力问题,而是Agent之间、设备之间缺少一份共享的上下文。
开源项目Trace Canvas试图解决这个痛点:它提供一张人和Agent都看得懂的“画布”,把多台电脑上的操作记录汇到同一张图上,无论你换Agent还是换设备,记忆都在那里。
AI Agent(智能体)指能够感知环境、自主规划并调用工具执行任务的AI程序,如Claude Code、Codex、Gemini CLI等。与普通聊天机器人不同,Agent通常具备文件读写、命令执行等能力,但其上下文窗口(context window)有限,且会话结束后状态不保留,导致跨会话、跨设备时出现“失忆”。记忆层(memory layer)即是为Agent提供持久化上下文存储与检索的外部组件,常见方案包括向量数据库、知识图谱或结构化日志。Trace Canvas属于后者,通过可视化画布实现轻量级共享记忆。
Trace Canvas的核心设计:一张图,多方共读
据B站介绍,Trace Canvas的定位是本地运行的开源记忆层,兼容Claude Code、Codex、Gemini CLI等主流Agent工具。它的核心机制可以拆成三层:
- 统一画布:不同Agent的操作被记录到同一张可视化画布上,而不是散落在各自的聊天历史里。
- 跨设备同步:几台电脑的记录都指向这张图,任意一台设备上的Agent都能读取其他设备留下的痕迹。
- 人机同读:画布既服务于Agent的上下文检索,也方便人类直接查看“昨天那台机器装了什么、怎么配的”。
这种设计的巧妙之处在于,它没有试图去改造Agent本身,而是在外部搭了一层可被读取的记忆平面。Agent只需要能读画布,就能获得跨会话、跨设备的连续性。

可视化画布在技术上通常表现为一个可交互的节点-边图(node-edge graph),每个节点代表一次操作(如安装依赖、修改配置),边表示操作间的时序或因果关系。这种结构便于人类直观理解,也便于Agent通过图遍历API检索相关历史。跨设备同步则依赖本地优先(local-first)的同步机制,例如基于CRDT(无冲突复制数据类型)或Git式版本控制,确保多台设备离线操作后能合并到同一画布。OpenAI的Assistants API、LangChain的Memory模块也提供类似记忆功能,但多为云端托管且绑定单一Agent生态,Trace Canvas的差异在于本地运行、跨Agent通用。
实际使用场景:从“翻聊天记录”到“问Agent就行”
素材里描述了一个很典型的场景:换了台电脑,想不起来昨天在另一台上装的东西叫什么。传统做法是翻聊天记录、翻终端历史,或者干脆重装一遍。
Trace Canvas的流程是直接问当前这台电脑上的Agent,它先读画布,几台电脑的记录都在同一张图上,于是“昨天那台电脑上的Agent装了什么、怎么配的、名字是什么”一次就能找全。
这背后其实是对Agent工作流连续性的补足。很多Agent工具单机单次会话能力很强,但记忆是割裂的。Trace Canvas用一张共享画布把割裂的记忆缝了起来。

风险拦截:有风险的安装,Agent会先停下来
Trace Canvas另一个值得注意的设计是风险操作的人工确认机制。碰到有风险的安装,Agent不会直接执行,而是停下来把原因讲清楚,等你决定,你点头它才装。
这个细节说明项目在“共享记忆”之外,还考虑了共享决策。跨设备记忆如果只是无差别记录和回放,风险会被放大——一次危险安装在多台机器上被Agent自动复现,后果可能更严重。停下来讲清楚原因,本质上是把人类重新放回决策回路。
安装完成后,结果也会被寄回这条线上,记录到画布中。这样下一台电脑再问,照样查得到。

人工确认机制(human-in-the-loop)是Agent安全领域的关键设计模式,指在Agent执行高风险操作前插入人类审批节点。常见实现包括:基于规则的风险分类(如检测到sudo、rm -rf、未知源安装时触发)、基于LLM的意图评估,以及操作预览与回滚计划展示。Trace Canvas将确认记录一并写入画布,形成审计线索,这类似于DevOps中的变更管理(change management)流程。值得注意的是,该机制仅覆盖安装环节,对于配置修改、数据删除等操作是否同样拦截,原文未明确,实际使用时需关注其规则覆盖范围。
开源与本地运行的意义
Trace Canvas选择开源并本地运行,对这类工具很关键。Agent的记忆里往往包含配置细节、安装命令、甚至路径和凭据线索,把这些数据托管到第三方云端会带来额外的信任成本。本地运行意味着画布数据留在你自己的设备上,跨设备同步的边界由你自己控制。
开源则让这套记忆层的记录格式和读取逻辑可以被审查、被扩展。对于需要在多个Agent之间切换的开发者来说,这比一个封闭的黑盒记忆服务更可控。

一点冷思考
Trace Canvas解决的是“记忆连续性”这个真实痛点,但它也带来一个新问题:记忆越共享,污染面越大。一张画布上如果混入了错误的配置或过时的安装记录,所有Agent都可能读到并沿用。风险拦截机制缓解了安装环节的问题,但记录本身的准确性和时效性,仍需要使用者自己维护。
另外,多Agent共用一张画布,读的是同一份上下文,也意味着它们的判断可能趋同。共享记忆提升了效率,但不会自动带来更多样的视角。
适合谁用
如果你经常在Claude Code、Codex、Gemini CLI之间切换,或者手头有多台开发机需要保持环境认知一致,Trace Canvas的思路值得一试。它不追求替代某个Agent,而是做Agent脚下的那块共享地基——换Agent、换电脑,记忆跟着走。
相关推荐

Gemini 4 Neon 曝光:或成 Opus 5.5 有力竞争者
Hacker News 讨论帖指出 Gemini 4 Neon 看起来像 Opus 5.5 的竞争者。本文解读这一社区信号背后的产品定位、顶级模型竞争格局变化,以及对开发者模型选型策略的实际意义。

Claude Fable 5.2 独立创作短片《Fable》引热议
Hacker News 上出现由 Claude Fable 5.2 独立完成剧本、画面与导演的短片《Fable》,本文分析全流程 AI 创作的意义、社区反应及对内容创作者的启示。

Anthropic IPO定价:AI巨头上市信号
Anthropic 进行 IPO 定价的消息引发关注。本文分析这一动作对 AI 行业估值、商业化路径和竞争格局的潜在影响,并指出公开市场对 AI 公司的期待与挑战。