Mother Brain

我们开发 Mother Brain 是因为厌倦了每次对话都要向 AI 助手重新解释我们的代码库，次次如此，无一例外。

我们得花 20 分钟给 Cursor 提供关于我们架构的上下文——文件关系、设计决策、我们为什么选择这种模式而非另一种。然后我们关闭对话，第二天回来的时候，一切又得从零开始。把这些时间乘以数周、多个项目和团队里的每个人，浪费的时间累计起来有数小时之久。

转折点出现在我们开发一个复杂功能的时候：我们发现 AI 对我们代码库的了解还不如前一天——因为我们开启了新的对话。就在那时我们想到：*如果 AI 永远不会忘记呢？*

我们想要现有工具都无法提供的三样东西：

1. 真正的持久化。不只是"记住上一个文件"——我们希望能在整个代码库、所有历史对话、所有架构决策，甚至 git 历史中进行语义搜索。当我们问"我们当时是在哪里决定用这个模式的？"，就能立刻得到答案。

2. 本地优先。我们的代码保留在自己的机器上。我们不想把代码库上传到云服务。Mother Brain 内置了带 pgvector 扩展的 PostgreSQL 17 数据库——无需服务器配置，零云依赖。

3. 兼容所有工具。我们用 Zed，有时用 Cursor，有时用 VS Code。我们不想要另一个围墙花园。所以我们把 Mother Brain 开发成 MCP（Model Context Protocol，模型上下文协议）服务器——它可以连接任何兼容 MCP 的工具。我们还将它与 OpenClaw 和 Hermes 代理配合使用，实现多代理工作流。

技术上我们最引以为傲的是 VMVA（Vertical Multi-Vector Architecture，垂直多向量架构）——这是我们的三层代码搜索流水线，级联使用三个不同的 Voyage AI 嵌入模型：快速文件过滤 → LLM 生成文件摘要 → 深度代码块检索。它能在数毫秒内找到你需要的准确代码。

定价是每年 25 美元——每月不到 3 美元。没有分级定价，没有追加销售，没有"企业版"付费墙。我们希望它成为无需思索就能入手的工具。测试版用户一次性支付 25 美元即可获得终身授权。

我们期待得到你的反馈——尤其是关于 MCP 集成和代码索引的部分。关于架构、嵌入流水线，或者它如何适配你的工作流，有任何问题都可以问我们。🧠