lightmem自托管
让它记住你的业务，而不是每次重新认识你
一个常驻的记忆服务，所有 AI 通过 MCP 连到同一个它。客户背景、历史决策、业务规则沉淀一次持续复用；四层温度让该忘的按时忘，让该记的一直在。
记忆层怎么工作04开源组件（表达 · 执行 · 记忆 · 调度）
0 元起步成本（全开源）
3 台闲置机器即可组集群
1 人可维护的复杂度上限
01 / 问题
一个人被拆成六个人用
一人公司最常见的死法不是没想法。是开发、运营、客服、财务、内容、项目管理全压在一个人身上，每一件都只能做到六十分。
用聊天工具解决不了这个问题：对话结束，工作还在原地。你得到的是建议，不是交付物。
模型不缺聪明。缺的是有人把任务接过去，做完，并且留下证据。 —— 这是工程问题，不是提示词问题
×
对话式 AI 的终点是「一段文本」
它帮你想，不替你做完。复制粘贴的那一步，仍然是你。
×
多开几个窗口，不等于并行
三个 Agent 改同一份代码，最后合并靠人肉比对。并发需要隔离和锁。
×
没有记录，就没有复盘
聊天记录一滚，谁做了什么、失败在哪，全部消失。
×
SaaS 的账单按人头算
一人公司付得起一个人的钱，付不起一支团队的订阅费。
02 / 能力
我们卖的不是仓库，是四种能力
项目只是实现方式。你真正得到的是四件事：经验留得住、任务交得出去、执行改得动、结果查得到。
hive可用
把活分出去，且不会打起来
任务写成卡片放进 Git 仓库，多台机器上的 Agent 自己来领。领取靠 push 的原子性，一个任务只会被领走一次；机器挂了，租约到期自动重派。
工作机制lightharness在研
执行逻辑读得懂，也改得动
Agent 的工具定义、循环终止、提示拼装都用中文写在文件里。行为不对时，你能顺着代码找到那一行，而不是在 issue 区等回复。
它长什么样lightv0.4.0
让中文成为一等公民
30 个永久冻结的核心字，向上叠出白话体、文言体、领域嵌入。写得像中文，编译出来是原生程序，还能直接引用 Python、C、Go 的库。
语言档案为什么不是「AI 工具导航站」：导航站拼收录量和流量，我们拼工程深度。一个链接不会替你干活，一条流水线会。
03 / 场景
它一天里具体替你做什么
以下是设计场景，不是客户案例——我们还没有客户。但有一条真实的开发日志可以核对：十天、100 张任务卡、8 种 AI 客户端在同一队列上领活。读实践案例 →
S—01
客户背景只交代一次
做咨询、设计、代理这类服务型一人公司，最耗时的是重复解释客户。lightmem 记住每个客户的行业、历史方案、偏好与禁忌，换一个 AI 工具出方案时自动带入——不用第三次讲「这家不接受账期」。
S—02
隔两周回来，还接得上
独立开发者最贵的是上下文重建：为什么当时选了这个方案、踩过哪个坑。把决策写进 L2 长期记忆，两周后开新会话，Agent 先 recall 再动手，你省掉半天回忆。
S—03
一个人 + 三台闲置机器，同时推进五条任务线
笔记本写前端、旧台式跑测试、云主机做夜间批处理。每台机器领不同的卡，一台宕机不影响其余四条线；第二天早上看 digest 就知道哪张卡反复失败、慢在哪。
S—04
把反复发生的判断，做成一次搭建、长期复用的 Agent
合同条款比对、发票信息核对、竞品页面巡检——这类「每天都要看一眼」的活，做成带工具的 Agent 之后，成本从按次付费变成一次搭建。
S—05
给客户交付一个「他能自己改」的 AI 助手
源码交给客户，执行逻辑用中文写着，记忆存在客户自己的机器上。客户想加一个内部系统对接，自己就能加，不必等你排期——这既是交付优势，也是你不被锁死的理由。
S—06
夜间班次：Agent 干活，人早上验收
把不需要即时判断的任务排到夜里，结果以结构化 JSON 落在仓库里。人只在合并前看一眼 diff 和验收结论——审阅比生产省时间，这是杠杆所在。
按职业看具体的分工表：一人直播 · 一人短视频 · 一人短剧工作室 · 一人软件开发。每页都写了「我们不做的那几件事」，看清楚了再决定。
三步，今晚就能跑起来
顺序是刻意的：先装记忆，再让它干活，最后才改装大脑。因为记忆是唯一一个「装完立刻感觉到不同」的部件，而改执行层是工程决定，可以晚点做。
但这三个可以单独装，不必成套——上手页按「你现在最烦哪件事」分开写，每个都标了前置依赖、成功信号和装不上先查哪一条。
① 先给所有 AI 装一个共同的记忆
git clone https://github.com/skywalk163/lightmem.git # 国内慢就换镜像：https://gitcode.com/skywalk163/lightmem.git cd lightmem sh integrations/quickstart/install.sh # REST : http://127.0.0.1:7443 # MCP : http://127.0.0.1:7444/mcp ← 给 AI 接的是这个
脚本会编译、签发 8 份 token、起服务，并生成一份给 AI 看的接入说明。把生成的 agent-prompt.md 交给任意一个有文件权限的 AI，它自己去改配置。装完先冒烟：让它调一次 lightmem_health，看到 {"status":"ok"} 就成了。
② 再让它干活：一张任务卡，派给一台机器
git clone https://github.com/skywalk163/hive.git # 国内慢就换镜像：https://gitcode.com/skywalk163/hive.git cd hive && python3 hive.py --dir . init python3 hive.py --dir . task new --title "给首页加一个 404 页面" \ --repo my-site --paths src/ --verify "npm run build" python3 hive.py --dir . dispatch python3 hive.py --dir . work --agent my-laptop
③ 想换掉执行层，再装 lightharness
cd ../lightharness
python 运行.py examples/运行Web服务器.light
# 浏览器里填 API Key，保存即热更新
它默认按兄弟目录查找光明编译器和插件生态，所以几个仓库并排放在同一个工作目录下最省事。
你还需要准备什么
- Go 1.25+（lightmem 需要，仓库里纯标准库）。
- Python 3.10+（hive 核心只用标准库）。
- 一个 Git 远程仓，能 push 就行。
- 模型：任何 OpenAI 兼容接口，或本地 Ollama。
- 真要长期存记忆时，再准备一个 PostgreSQL + pgvector。
不需要什么
- 不需要 Kubernetes 或消息队列（hive 连数据库都不要）。
- 不需要 Docker：lightmem 默认档就是一个 SQLite 文件。
- 不需要公网 IP 或开放入站端口。
- 不需要把代码交给任何第三方平台。
04 / 边界
它现在做不到什么
把这一节放在前面，是为了让你在花时间之前就知道风险。四个项目都在活跃迭代，接口会变。
如果你需要的是开箱即用的成品 SaaS，或者要求 SLA 与值守，我们明确不适合。
诚实清单
- lightmem 的 solo 档只存标量，不存向量：SQLite 档是真持久化（落盘 data/lims.sqlite，重启仍在），但 sqlite-vec 未接入，语义召回要上 family 档（PostgreSQL + pgvector）。
- lightmem 换发 token 必须重启服务，否则新 token 一直 401。
- 不做自动合并到主干。合并仍需人判断。
- 不做实时协同编辑。任务是批处理，不是结对编程。
- 不承诺单机极限并发。建议从 3–4 张卡并行开始。
- lightharness 仍是半成品，子系统在逐步补齐。
- 光明的 LLVM 后端不支持依赖 Python 生态的项目。
- 没有在线 Demo，也不打算做——请在你自己的机器上跑。
常见问题
几个会被反复问到的问题
Q1
一定要三台机器吗？
不用。一台机器也能跑，只是「并行」变成了「排队」。hive 的价值在于任务有记录、可回收、可复盘，这一点单机同样成立。
Q2
必须会写光明吗？
用 hive 不需要。只有当你想要一个中文可读、可改的执行层时，才需要碰光明和 lightharness。
Q3
我的代码和数据会被上传吗？
不会。所有东西都在你自己的 Git 仓库和机器上，模型请求直接发往你自己配置的 API 端点。我们没有后台，也没有账号体系。
Q4
这和 ChatGPT 自带的「记忆」有什么区别？
三处不同：一是独立——它不在任何一家模型厂商手里，数据在你机器上，可导出可删除；二是共享——你常用的五个 AI 工具连的是同一个记忆，不是一个账号一份；三是可分层——你能指定什么进 L2 长期、什么只在 L0 待几分钟，也能按租户隔离。
Q5
记忆服务要不要 24 小时开着？
要。它是常驻进程，你把 AI 关掉它也在。个人用就是一个本机服务，启动脚本可以用 rc.d / systemd 管起来，仓库里还带了看门狗脚本处理「进程在但后端连不上」的情况。
Q6
能用在团队里吗？
能，但它是按「几台自己的机器」设计的，不是多租户平台。团队用建议先约定任务卡的粒度与验收标准，否则会退化成聊天。