LinkLore

两周前我们修正了一个决策，结果我们的 agent 又自信地把旧版本当作现行版本带了回来。

记忆并没有丢失。它是错的——而 markdown 文件本身根本无从分辨。

大多数 agent 记忆系统都在追问如何记住更多。LinkLore 则提出了一个更难的问题：何时应该怀疑记忆？

LinkLore 把决策、陷阱和规范转化为由 agent 自己编写的结构化记录。记录之间彼此关联，也关联到文件。当关联的文件发生变更时，LinkLore 会提醒 agent 去查看。当决策发生变化时，新记录会取代旧记录，但不会抹去旧记录当初存在的原因。

后来发生了一件我们从未当作演示设计的事。一位持怀疑态度的 AI 评测者安装了 LinkLore 并开始使用。在撰写一条新记录时，LinkLore 主动浮出了一条并未被要求查找的、更早的相关记录。它的评分在十分钟内从 4/10 变成了 8/10——即便那时 LinkLore 还处于最粗糙、最早期的阶段。

它并不是在搜索。它早已知道什么才是重要的。

在下次会话开始时，brief() 会用区区几百个 token 恢复未完成的工作、近期的决策和热点——这种呈现方式是由 agent 提出的，而不是我们。

LinkLore 源自我们在 26 个自有项目中长达 11 个月的 agent 工作积累。它在本地以 .linklore/ SQLite 存储起步，无需账号，可通过 MCP、CLI 或 Claude Code skill 在不同 agent 之间协同使用。本地工具免费；备份与团队共享为可选功能。

只需告诉你的 agent："使用 LinkLore。https://linklore.io/llm.txt"

你的 agent 曾自信地"记住"过哪些已经不再成立的事情？