1. 项目概述：为AI编程助手构建持久化记忆库

如果你和我一样，每天花大量时间与Claude Code、Cursor这类AI编程助手协作，肯定会遇到一个共同的痛点： 会话失忆 。每次开启一个新对话，AI助手就像一张白纸，完全不记得我们昨天、上周甚至上个月在同一个项目里讨论过的架构决策、踩过的技术坑，或是那些灵光一现的解决方案。你不得不一遍又一遍地重复解释背景，复制粘贴之前的对话片段，或者手动整理一份“给AI看的项目说明书”。这种重复劳动不仅低效，更打断了深度思考的连续性。

Memento Vault 正是为了解决这个问题而生。它不是一个简单的聊天记录导出工具，而是一个专为AI编程助手设计的、 本地优先、可搜索、结构化的知识管理系统 。你可以把它理解为AI的“第二大脑”或“外部记忆体”。它的核心工作流程非常直观：每当你在Claude Code、Cursor、Windsurf或任何支持MCP协议的AI编程工具中结束一个编程会话，Memento Vault会自动介入，对会话记录进行“分诊”——判断哪些内容是值得保存的“知识金块”。琐碎的、短暂的会话会被压缩成一行日志，归档到每日流水账中；而真正有价值的、实质性的讨论（比如涉及多个文件修改、架构决策或问题排查），则会触发一个后台智能体，将这些内容提炼、结构化，并存储为原子化的、带有丰富元数据的Zettelkasten笔记。

所有这些笔记都存储在你本地的一个Git仓库里，你可以用Obsidian这样的双链笔记软件直观地浏览它们之间的关联，也可以用QMD进行语义搜索。更重要的是，通过其内置的MCP服务器或原生的钩子机制，这些被沉淀下来的知识能够 主动回流 到你正在进行的编程会话中。当你打开一个项目文件、提出一个新问题，或者开始一个新的会话时，相关的历史决策和笔记会被自动检索并注入到上下文中，让AI助手瞬间“回忆”起过往的一切。

1.1 核心价值：从“失忆对话”到“持续学习”的伙伴

Memento Vault的价值远不止于存档。它实现了一个闭环： 捕获（Capture） -> 提炼（Refine） -> 检索（Retrieve） -> 应用（Apply） 。

• 捕获 ：自动化、无感地保存每一次有价值的交互，无需你手动点击“保存对话”。
• 提炼 ：通过智能分诊和后台处理，将杂乱的对话记录转化为结构清晰、带有置信度评分和上下文的原子笔记。
• 检索 ：提供强大的混合搜索（关键词+语义），并能理解笔记之间的链接关系（wikilink），精准找到所需信息。
• 应用 ：通过“Tenet”模块，在会话开始、用户提问、工具调用等多个关键时刻，将相关知识主动推送给AI，形成真正的“情境感知”。

这意味着你的AI编程助手不再是每次对话都从零开始，而是能基于一个不断增长、不断演化的项目知识库与你协作。它记得“我们上次决定用Redis而不是Memcached是因为对Lua脚本的支持”，也记得“在 /api/v2 端点优化时，我们曾通过增加数据库连接池大小解决了性能瓶颈”。这种连续性极大地提升了协作的深度和效率。

1.2 适合谁用？

• 重度AI编程工具使用者 ：如果你每天的工作流离不开Claude Code、Cursor、Windsurf或Codex，并且受困于上下文丢失问题。
• 知识管理爱好者 ：如果你已经熟悉或向往Zettelkasten（卡片盒笔记法）、双链笔记（如Obsidian）的理念，并希望将这种结构化的思考方式应用于技术工作。
• 远程或多设备工作者 ：通过其远程部署能力，你可以在办公室的台式机、家里的笔记本甚至云端服务器上，访问同一个统一的知识库。
• 团队技术负责人 ：虽然目前更偏向个人使用，但其架构允许通过项目索引和共享知识库，潜在地用于沉淀团队的技术决策和最佳实践。

接下来，我将带你深入拆解Memento Vault的架构、安装配置的每一个细节、核心模块的工作原理，并分享我在实际部署和使用中积累的一系列实操技巧和避坑指南。

2. 架构与核心模块深度解析

要真正用好一个工具，理解其内部构造是关键。Memento Vault的架构设计体现了清晰的关注点分离和可扩展性，它不是一个大而全的“黑箱”，而是一组职责分明的模块化组件。

2.1 核心数据流：从会话到知识卡片

整个系统的核心数据流可以概括为以下几步，理解它有助于你在出现问题时进行排查：

1. 会话结束触发器 ：当你关闭一个Claude Code/Cursor会话窗口，或主动调用 /memento 命令时，触发“捕获”流程。
2. 分诊（Triage） ：系统首先快速评估会话“价值”。它依据几个可配置的阈值（如对话轮次 > 15、修改文件数 > 3、涉及特定关键文件如 CLAUDE.md ）来判断。低价值会话仅生成一行“ fleeting note”（瞬时笔记）存入每日日志；高价值会话进入下一步。
3. 后台提炼 ：对于高价值会话，系统会启动一个后台LLM智能体（默认使用Claude Sonnet）。这个智能体的任务不是简单复制对话，而是进行深度分析：
   • 信息提取 ：从对话中识别出核心的决策、发现的问题、解决方案、学到的工具技巧等。
   • 原子化 ：将提取的信息拆分成独立的、聚焦单一主题的“原子笔记”。每条笔记都能独立存在并被理解。
   • 结构化 ：为每条笔记添加YAML Frontmatter元数据，包括笔记类型（decision, discovery, bugfix等）、置信度（1-5分）、相关项目、使其失效的条件等，并自动添加与其他笔记的wikilink双链。
4. 存储与索引 ：生成的原子笔记被写入本地 ~/memento/notes/ 目录下的Markdown文件。同时，系统会调用搜索后端（QMD或内置的Embedded后端）更新索引，确保新内容可被立即检索到。
5. 知识回流（Tenet模块） ：在后续的新会话中，三个“钩子”会主动工作：
   • Session Briefing ：会话开始时，自动注入本项目最近的相关会话和笔记摘要。
   • Prompt Recall ：每次你提交问题时，实时搜索知识库，将相关笔记作为上下文附加。
   • Tool Context ：当AI助手读取项目文件时，如果该文件所在目录有相关笔记，也会一并注入。

这个流程确保了知识从产生、提炼到再利用的全自动化。

2.2 模块化设计： memento/ 包剖析

项目核心是一个名为 memento 的Python包，它独立于任何特定的AI前端。这种设计非常优雅，意味着未来支持新的AI工具只需开发相应的“适配器”即可。

• config.py ：配置管理中心。不仅读取YAML文件，还负责智能检测当前所在的项目（通过查找 .git 目录或匹配 project_rules ），并为当前会话分配唯一的“身份标识”。这是实现项目级知识隔离和检索的基础。
• search.py & search_backend.py ：搜索系统的核心。 search.py 实现了复杂的检索管道，包括查询扩展、多路结果融合等算法。 search_backend.py 定义了抽象接口，让系统可以无缝切换不同的底层搜索引擎。
• embedded_search.py ：这是默认的、内置的搜索后端。它使用SQLite的FTS5进行全文检索，并集成 sqlite-vec 扩展进行向量相似度搜索，最后通过RRF算法融合两种结果。它的最大优点是零外部依赖，特别适合Docker或远程部署。
• embedding.py ：向量化提供者。支持本地模型（nomic-embed-text）、Voyage、OpenAI、Google等多种方式生成文本的向量表示，用于语义搜索。
• graph.py ：知识图谱引擎。它解析笔记间的wikilink，构建图结构，并运行PageRank等算法来计算笔记的“重要性”，用于提升搜索结果的质量。它还支持“个性化PageRank”，能够围绕某个核心笔记扩展出相关的子图。
• store.py ：数据存取层。负责所有笔记的读写、去重、文件锁管理，以及维护 projects/ 目录下的项目索引。它确保数据的一致性。
• llm.py ：LLM抽象层。统一了与不同大模型API（Claude API, Codex, Gemini, 通用OpenAI兼容接口）的交互，使得核心的笔记提炼、Inception合成等功能可以灵活切换底层模型。
• mcp_server.py ：MCP服务器实现。将上述核心功能包装成6个标准的MCP工具，通过stdio或HTTP协议暴露给外部AI客户端。

实操心得：理解“嵌入式搜索”的优势 很多用户一开始会纠结是否要安装QMD。对于绝大多数个人用户，我强烈建议先尝试内置的 embedded_search 后端。它虽然语义搜索精度可能略低于专用工具，但胜在 开箱即用、无需管理额外服务、资源占用低 。在远程部署场景下，它几乎是必选项。只有当你的知识库变得非常庞大（例如超过5000条笔记），且对跨领域、概念性搜索有极高要求时，再考虑引入QMD。

2.3 搜索后端三剑客：如何选择？

Memento Vault支持三种搜索后端，并会自动选择“最佳可用”的一个。了解它们的区别对性能调优很重要。

后端	原理	优点	缺点	适用场景
QMD	外部CLI工具，BM25 + 向量搜索 + 重排序	搜索质量最高，功能最全，支持复杂语义查询	需要单独安装（约3.2GB），是额外进程	对搜索质量有极致要求，知识库庞大复杂的用户
Embedded	内置SQLite (FTS5 + sqlite-vec)，RRF融合	零外部依赖，安装简单，资源占用低，适合远程部署	语义搜索能力依赖于选择的嵌入模型，精度可能稍逊	默认推荐 ，尤其是新手、远程部署、希望保持简洁的用户
Grep	简单的文件内容字符串匹配	绝对可靠，任何环境都能工作	只有关键词匹配，无语义理解，检索能力弱	兜底方案，或在资源极度受限的环境调试时使用

配置建议 ：在 ~/.config/memento-vault/memento.yml 中，你可以通过 search_backend 项强制指定。对于本地开发，可以尝试QMD；对于部署到Fly.io或Docker，使用Embedded是更稳妥的选择。系统变量 MEMENTO_SEARCH_BACKEND 拥有更高优先级。

3. 从零开始：完整安装与配置指南

官方的一行命令安装看似简单，但为了确保长期稳定运行，特别是要启用Tenet（知识回流）和Inception（模式发现）等高级功能，我们需要进行更细致的配置。以下是我在多次安装中总结的“最佳实践”流程。

3.1 基础环境准备与安装

首先，确保你的系统满足最低要求： Python 3.9+ 和 Git 。建议使用Python虚拟环境来隔离依赖。

# 1. 克隆仓库
git clone https://github.com/sandsower/memento-vault.git
cd memento-vault

# 2. （强烈推荐）创建并激活虚拟环境
python3 -m venv venv
source venv/bin/activate  # Linux/macOS
# 在Windows上: venv\Scripts\activate

# 3. 安装项目依赖
pip install -e .  # 以可编辑模式安装，方便后续开发或调试

接下来是核心安装。如果你 主要使用Claude Code ，并且希望获得完整的知识捕获与回流体验，应该使用 --experimental 标志。

# 4. 执行安装脚本，启用实验性功能（Tenet + Inception）
./install.sh --experimental

这个命令会：

• 在 ~/memento 创建你的知识库目录。
• 将必要的钩子（hooks）和技能（skills）安装到 ~/.claude/ 目录下。
• 如果检测到已安装Obsidian，会配置好基础视图。
• 安装并配置QMD（如果尚未安装）。
• 为Inception安装额外的Python依赖（numpy, scikit-learn, hdbscan）。

重要提示 ：安装脚本会修改你的Claude Code配置。建议在运行前，备份 ~/.claude 目录。脚本本身是幂等的，多次运行是安全的。

3.2 针对不同AI客户端的专项配置

Memento Vault的强大之处在于其通过MCP协议实现的广泛兼容性。你需要根据自己使用的工具进行对应配置。

场景一：你使用Cursor、Windsurf或其他支持MCP的编辑器/智能体 这些工具没有Claude Code那样的原生钩子，需要通过MCP服务器来通信。

# 安装时添加 --mcp 参数
./install.sh --mcp

这会在你的MCP客户端配置文件中（通常是 ~/.config/mcp.json 或编辑器特定路径）注册一个本地MCP服务器。安装后，你需要在对应的客户端设置中启用这个MCP服务器。以Cursor为例，你需要在设置中找到MCP部分，确保配置已生效。

场景二：你同时使用Claude Code和Cursor，并希望它们共享知识库 可以组合参数进行安装。

./install.sh --experimental --mcp

这样既安装了Claude Code的钩子，也注册了MCP服务器供其他客户端使用。

场景三：你想从任何设备（公司电脑、家庭电脑、平板）访问同一个知识库 你需要将Memento Vault部署为一个 远程服务 。这里以最简单的 Docker Compose 方式为例。

首先，在你有公网IP的服务器（或家中NAS）上操作：

# 在服务器上，克隆项目
git clone https://github.com/sandsower/memento-vault.git
cd memento-vault

# 生成一个安全的API密钥，并启动服务
export MEMENTO_API_KEY=$(python3 -c "import secrets; print(secrets.token_urlsafe(32))")
echo "MEMENTO_API_KEY=$MEMENTO_API_KEY" > .env  # 保存密钥，防止丢失
docker compose up -d

服务将在 http://你的服务器IP:8745/mcp 上运行。为了安全， 强烈建议 配置反向代理（如Nginx, Caddy）并启用HTTPS。

然后，在你的每一台客户端设备上，运行：

# 在客户端设备上
git clone https://github.com/sandsower/memento-vault.git
cd memento-vault
./install.sh --remote https://你的服务器域名或IP:8745 --experimental

安装脚本会提示你输入API密钥（即上面生成的 MEMENTO_API_KEY ）。之后，这台设备上的Claude Code就会将知识同步到远程仓库，并从远程仓库检索知识。

避坑指南：远程部署的网络与权限

• 防火墙 ：确保服务器8745端口对客户端开放。
• API密钥管理 ： .env 文件中的 MEMENTO_API_KEY 是最高机密，不要提交到Git。在Fly.io或Cloudflare Tunnel部署中，应使用其秘密管理功能。
• 数据持久化 ：Docker Compose默认将数据卷挂载在本地。确保该目录有备份。在Fly.io上，你需要单独创建并挂载持久化卷（Volume）。
• 首次连接超时 ：如果客户端连接远程服务器超时，检查服务器日志 docker compose logs -f 。常见问题是Python依赖缺失或端口冲突。

3.3 关键配置项详解

安装完成后，配置文件位于 ~/.config/memento-vault/memento.yml 。以下是我调整后认为对体验提升最关键的几项：

# ~/.config/memento-vault/memento.yml
vault_path: ~/memento  # 知识库路径，可按需更改

# --- 分诊阈值：决定什么会话值得保存 ---
exchange_threshold: 10    # 对话轮次阈值，我从15调低到10，捕捉更多中等长度讨论
file_count_threshold: 2   # 涉及文件数阈值，从3调低到2
# 新增：通过匹配文件名触发分诊，非常有用！
notable_files:
  - "CLAUDE.md"
  - "DESIGN.md"
  - "ARCHITECTURE.md"
  - "*.decision.md"  # 通配符支持

# --- 知识回流 (Tenet) 配置 ---
session_briefing: true    # 会话开始简报
prompt_recall: true       # 提问时回忆
tool_context: true        # 读文件时添加上下文
# 召回策略微调，避免注入过多无关信息
recall_max_tokens: 1500   # 单次召回最大token数
recall_certainty_threshold: 2.5 # 只注入置信度高于此值的笔记

# --- 搜索后端 ---
search_backend: embedded  # 使用内置后端，稳定
# 如果要用QMD，取消注释下面这行
# search_backend: qmd

# --- Inception (模式发现) ---
inception_enabled: true   # 启用后台模式发现
inception_backend: codex  # 使用Codex（免费），或用claude（需API key）
inception_threshold: 3    # 累积多少新笔记后触发Inception分析
inception_max_clusters: 5 # 单次运行最多生成几个模式笔记

# --- 项目识别规则 ---
# 这是高级功能，能极大提升项目相关知识的准确性
project_rules:
  - path: "/Users/me/Projects/my-api-server"  # 项目绝对路径
    slug: "my-api"                            # 项目简写名
    ticket_pattern: "MYAPI-\\d+"              # 匹配Jira等任务ID的正则
  - path: "/Users/me/Work/frontend-app"
    slug: "fe-app"
    ticket_pattern: "FE-\\d+"

配置心得 ：

• exchange_threshold 和 file_count_threshold 不宜设得过低，否则会产生大量琐碎笔记，淹没真正有价值的内容。建议根据你日常会话的长度从默认值开始微调。
• notable_files 列表是黄金配置。任何修改了这些文件的会话都会被判定为“重要”，从而触发原子笔记创建。我把所有项目级的设计文档、决策记录都加了进去。
• recall_max_tokens 是关键的性能与效用平衡点。设置太高会挤占AI的主要上下文窗口，太低则可能信息不足。1500是一个不错的起点。
• project_rules 能帮助系统更精确地将笔记与项目关联。配置后，在 /my-api 目录下产生的笔记会自动打上 project: my-api 标签，检索时相关性更高。

4. 日常使用：工作流与核心技能

安装配置妥当后，Memento Vault会像一位隐形的助手在后台工作。但你依然需要掌握一些主动交互的命令，以最大化其效用。

4.1 核心技能命令详解

在Claude Code或Cursor的聊天窗口中，你可以直接使用以下技能命令：

• /memento ：这是最常用的命令。在会话中途，当你觉得刚刚的讨论非常有价值，不希望等到会话结束才保存时，可以立即输入 /memento 。它会触发一次即时捕获和提炼，生成原子笔记。我通常在做出一个重要技术决策或解决一个复杂问题后立即使用它。
• /inception ：手动触发跨会话模式发现。Inception后台进程通常会自动运行，但如果你刚进行了一轮密集的、关联性很强的编程工作，可以手动运行它来立即合成更高层次的“模式笔记”。使用 /inception --dry-run 可以预览它将发现哪些模式而不实际写入。
• /memento-defrag ：知识库“碎片整理”。随着时间推移，有些笔记可能过时、被合并或证明价值不高。这个命令会评估所有笔记（基于置信度、时效性、链接关系），将低价值笔记移动到 archive/ 文件夹，让主知识库保持精炼。建议每月运行一次。
• /start-fresh ：一个组合技能。它先执行 /memento 保存当前会话的精华，然后（如果配置了）会保存当前的工作区状态（如打开的文件），最后清空AI的上下文。当你完成一个任务模块，准备开始下一个全新任务时，这个命令完美衔接。
• /continue-work ：与 /start-fresh 对应。它尝试从本地保存的状态和知识库中，恢复你上次的工作上下文，帮助你快速接续。

4.2 观察与验证：知识库的成长

知识库位于 ~/memento （或你自定义的路径）。其结构清晰：

~/memento/
├── fleeting/          # 每日流水账，按日期组织的Markdown文件
│   └── 2024-05-27.md # 内容如：“[14:32] Discussed API rate limiting strategy with Redis sorted sets.”
├── notes/             # 原子笔记库，核心资产
│   ├── api-rate-limiting-with-redis-sorted-sets.md
│   ├── decision-use-orm-for-complex-joins.md
│   └── bugfix-memory-leak-in-event-handler.md
├── projects/          # 项目索引，自动生成
│   └── my-api/
│       └── index.md   # 列出所有关联本项目的笔记和会话
└── archive/           # 被整理移出的低价值笔记

如何判断它是否在工作？

1. 检查 fleeting/ 目录 ：每天结束一些Claude Code会话后，查看对应日期的文件，应该能看到一行行的会话摘要。这是最基础的验证。
2. 检查 notes/ 目录 ：进行几次有深度的编程对话（修改多个文件，讨论设计）后，这里应该会出现新的 .md 文件。打开一个，你会看到结构化的YAML Frontmatter和清晰的Markdown内容。
3. 在Obsidian中打开 ：如果你安装了Obsidian，将 ~/memento 作为仓库打开。你会获得一个强大的图形化知识图谱，可以直观地看到笔记之间的连接。

4.3 主动检索：与知识库对话

除了被动的知识回流，你可以主动查询知识库。如果你安装了QMD，可以在终端直接搜索：

qmd search "如何优化数据库查询" -c memento

或者，在Claude Code中，你可以直接向AI提问关于过去决策的问题，例如：“我们之前关于用户认证方案是怎么决定的？” Claude Code会通过MCP调用 memento_search 工具，从你的知识库中找到相关笔记并作为上下文提供。

使用技巧：编写高质量的提示以触发精准回忆 Tenet的 prompt_recall 钩子是基于你的问题去搜索的。问题越具体，检索越精准。

• 低效 ：“我们之前怎么做来着？”（太模糊）
• 高效 ：“我们上次讨论 /api/v2/user 端点性能优化时，最终决定的缓存策略是什么？”（包含项目上下文 /api/v2/user 、主题 性能优化 、具体方面 缓存策略 ） 养成在提问时包含关键项目路径、文件名、技术术语的习惯，能极大提升知识检索的命中率和相关性。

5. 高级场景与故障排查

即使配置无误，在实际使用中也可能遇到各种情况。以下是我遇到的一些典型问题及解决方案。

5.1 常见问题速查表

问题现象	可能原因	解决方案
会话结束后没有生成笔记	1. 会话未达到分诊阈值。 2. 钩子未正确安装。 3. Claude Code未以正确方式启动。	1. 检查 memento.yml 中的阈值，或修改 notable_files 。 2. 运行 ls -la ~/.claude/hooks/ ，查看是否有 session_end.py 等文件。 3. 确保从终端或正确集成的编辑器启动Claude Code。
prompt_recall 注入的内容不相关或太多	1. 搜索相关性算法参数需调整。 2. 知识库中笔记质量不高或标签混乱。 3. recall_max_tokens 设置过高。	1. 尝试调高 recall_certainty_threshold 。 2. 运行 /memento-defrag 整理知识库。 3. 逐步调低 recall_max_tokens ，观察效果。
Inception后台进程没有运行	1. 未安装 scikit-learn 等依赖。 2. inception_enabled 设为 false 。 3. 新笔记数量未达到 inception_threshold 。	1. 在虚拟环境中运行 pip install numpy hdbscan scikit-learn 。 2. 检查配置文件。 3. 手动运行 /inception 测试。
连接远程仓库超时或失败	1. 网络问题/防火墙。 2. API密钥错误。 3. 远程服务未运行。	1. 用 curl https://your-vault-url/mcp 测试连通性。 2. 检查客户端 ~/.claude/memento-remote.env 文件中的密钥。 3. 登录服务器检查服务状态 docker compose ps 。
搜索速度慢（首次）	1. 使用QMD后端，模型未预热。 2. 使用Embedded后端，首次加载嵌入模型。	1. 安装脚本尝试添加了预热命令到shell rc。可手动运行 qmd vsearch "warmup" -c memento -n 1 。 2. 这是正常现象，后续搜索会很快。
Obsidian中看不到图谱连接	1. 笔记中没有正确的wikilink语法。 2. Obsidian未正确识别仓库。	1. 原子笔记应使用 [[另一篇笔记的文件名]] 语法。 2. 确保在Obsidian中打开的是 ~/memento 根目录。

5.2 性能优化实战

如果你发现Tenet钩子（特别是 prompt_recall ）导致Claude Code的响应有明显延迟，可以进行以下优化：

1. 调整搜索范围 ：在 memento.yml 中，可以配置 search_max_candidates （默认可能为20）和 recall_max_tokens 。适当调低这些值，例如设为10和1200，可以在大多数情况下保持效果的同时减少延迟。
2. 禁用部分钩子 ：如果 tool_context （文件上下文）对你用处不大，但延迟感知明显，可以暂时将其设为 false 。 session_briefing 的延迟通常最低，因为它大部分工作在后台异步完成。
3. 升级搜索后端 ：如果使用Embedded后端且笔记数量很多（>1000），确保你的SQLite版本支持 sqlite-vec ，并考虑为存放 search.db 的磁盘提供更好的IO性能（如使用SSD）。
4. 模型预热 ：对于QMD后端，将预热命令 (command -v qmd &>/dev/null && qmd vsearch "warmup" -c memento -n 1 &>/dev/null &) 确实添加到你的 ~/.zshrc 或 ~/.bashrc 中，让每次打开终端时都默默预热模型。

5.3 自定义与扩展

Memento Vault提供了几个优雅的扩展点，无需修改核心代码：

• 项目规则（ project_rules ） ：如前所述，这是提升精度的利器。为你常工作的每个项目都配置一条规则。
• 额外搜索集合（ extra_qmd_collections ） ：如果你的团队有一个共享的QMD知识库，可以在这里配置，让个人vault在检索时也能搜索到团队知识。
• 后捕获钩子（Post-capture Hook） ：你可以在 ~/.claude/skills/memento-post/ 目录下创建自定义的 SKILL.md 。这个技能会在每次 /memento 命令成功创建笔记后自动运行。我利用这个功能，将一些标记为 type: decision 的高置信度笔记，自动推送到团队的Confluence页面。

5.4 维护与升级

• 备份 ：你的知识库 ~/memento 就是一个普通的Git仓库。定期将其推送到一个私有的Git远程仓库（如GitHub Private, Gitea）是最简单的备份方式。
• 升级 ：进入 memento-vault 项目目录，执行 git pull 拉取最新代码，然后重新运行安装脚本即可： ./install.sh --experimental 。安装脚本会智能地合并你对钩子文件所做的任何自定义修改。
• 清理 ：定期运行 /memento-defrag 。同时，也可以手动检查 archive/ 文件夹，确认没有误移的重要笔记。

经过数月的深度使用，Memento Vault已经从一个新奇工具变成了我技术工作流中不可或缺的一环。它不仅仅是在“记录”，更是在帮我构建一个不断进化的、关于我如何思考和技术决策的“外挂大脑”。最大的改变是，我不再害怕中断一个复杂的编程会话，因为我知道所有的上下文和决策都已妥善保存，并能随时被我和我的AI助手召回。这种心智上的放松，让我能更专注地投入到真正的创造性编程工作中。如果你也厌倦了向AI反复解释过去，那么花点时间搭建好Memento Vault，绝对是值得的投资。