编码智能体最大的谎言是“我记得你”。它们看起来什么都懂，关掉终端就忘了你是谁，你刚交代的上下文转头就丢。于是有了各种 workaround：写 CLAUDE.md，把需求塞进 system prompt，或者干脆每次重新讲一遍。Hugging Face 这次拿出的方案叫 funes——一个本地记忆层，专为 Claude Code、Codex、pi、Hermes 这类编码智能体设计。它不玩花哨，把已有会话记录索引成 Lance 数据集，你敲一条 funes add，Agent 就能自己翻出当年的原始对话、定位到具体轮次。
一个命令，把记忆从提示词里解放出来
用过编码 Agent 的人都有过这种挫败：你昨天让它修了一个 bug，今天它又问同样的问题。不是它蠢，是它真的没有记忆。funes 的切入点很直接——既然语言模型自己的上下文窗口装不下所有历史，那就把历史放到外面，做成一个可查询的本地索引。
funes add：不是写入，而是归档
执行 funes add 时，工具会自动扫描当前项目里已有的 Agent 会话日志，把它们解析、切分、结构化后写入一个 Lance 数据集。注意它不是简单存个 JSON 文件，而是把每个会话按 Agent、时间戳、轮次拆成可独立寻址的记录。这些记录不是 AI 生成的总结，是原始文本，只是被重新编排了。
这里有个反直觉的设计：它没有把内容向量化后丢进向量数据库。Lance 是一种列式数据格式，更接近数据表。为什么？因为记忆检索需要的不只是语义相似度，还有精确过滤——按日期、按工具、按项目模块。表格式的元数据让这些过滤快得近乎零成本。
召回原始出处，而不是算出一个“大概意思”
大多数 memory 方案做的事是“总结”：把上午的对话压缩成三条要点，晚上再压一遍，月底你得到一段面目全非的摘要。funes 相反，它保存的是你在 Agent、时间戳、会话、轮次四个维度下的原始文本。召回时，直接把那一轮对话完整还给模型。
为什么这很重要？因为总结会丢失细节。客户当时说的那个奇怪报错信息、你随手贴的一段 error log、某个变量名的历史命名缘由——这些在摘要里活不过十分钟。而原始轮次里每一个字都还在，模型读取的上下文不是二手转述。
跨 Agent 的记忆共享：从 Claude Code 到 Codex 无缝切换
单一 Agent 的记忆已经有用，但更妙的是 funes 把记忆做成了项目级资源。Claude Code 聊过的内容，Codex 也能看到。它不是某个模型的专属脑叶，更像一个挂在项目目录下的公共备忘录。
同一份 Lance 数据集，服务不同的模型
funes 的数据格式与具体模型无关。Claude Code 的日志被转成记录后，Codex 或 Hermes 检索时拿到的是同一份数据。这意味着你从 Claude Code 切换到 Codex，不需要迁移任何东西，只需让新 Agent 指向那个 Lance 数据集。跨 Agent 复用，省掉的不只是复制粘贴，是整个上下文的重新培养。
这对团队协作意义更直接：后端用 Codex，前端用 Claude Code，两个 Agent 读同一个 funes 索引，就能在不知道对方 prompt 的情况下共享项目上下文。它们看到的是同一份会话史，而不是各自碎片化的小账本。
会话历史的“原始出处”到底有多原始
funes 强调“原始出处”，但它不是把日志文件原封不动扔给你。每一条记录都会带上准确的采集时间和轮次编号，Agent 检索到某段对话时，能明确知道这是哪个 Agent、在哪个会话、第几轮产生的。这种可溯源机制让模型可以告诉用户：“这个决策是在三天前的那次会话里定下的”——而不是含混地说“根据历史记录”。
对于编码任务，溯源本身就是一种可信度证明。当模型引用了一段旧代码的修改原因，如果它能指出具体的对话出处，开发者就能快速判断该不该信它。这比一个“我觉得应该这样做”靠谱一个数量级。
记忆成本：压缩和交接，其实更烧钱
有人可能会说：把全部原始对话存下来，是不是太贵了？Hugging Face 的基准测试给出了另一个视角：对比“每次让 Agent 重新梳理历史”的交接成本，funes 的索引和检索要便宜得多。这里的成本不光是 token 费用，还有人的时间。
基准数字背后的经济学
原文给出的基准数字指向一个简单事实：让模型在几万行聊天记录里做压缩，消耗的是推理时的 token；而 funes 把这些工作挪到了索引阶段，用的是低成本离线算力。搜索一次 Lance 数据集的代价远低于让模型逐字读一遍旧会话。检索是 O(1) 的查找，压缩是 O(n) 的阅读理解，当 n 变大时，后者会拖垮任何项目。
更重要的是开发者的注意力成本。没有记忆的 Agent 会反复问你同样的问题，每一次重述需求都是打断。funes 解决的是“重新对齐”这个隐形负担，它让 Agent 在需要时自动找回上下文，而不是每次从零开始理解你的代码库。
什么时候不该用 funes
Funes 不是银弹。如果你的 Agent 会话本身就极短，每次只处理一个孤立任务，历史索引带来的收益不大。另外，对于包含敏感密钥的日志，本地存储也是有安全前提的——你需要在导入前做好清洗。它的适用场景很清楚：人机协作时间长、任务依赖历史上多次决策的编码工作。那种场景下，记忆不是奢侈品，是刚需。
开源生态里的第一块拼图
Hugging Face 把 funes 开源，意味着它默认融入了更广的 Agent 工具链。它不绑死任何模型，不搞专属格式，这让它有机会成为编码智能体记忆层的通用标准。
本地优先，隐私是买点
funes 全程跑在本地，会话记录不出机器。这对企业开发者尤其有吸引力——代码本身就敏感，再让第三方云端记忆服务过一道手，恐怕合规部不会签字。funes 选择 Lance 也是看中它与 Arrow 生态的兼容性，数据未来可以轻松导出、迁移到其他分析工具。
这个设计让记忆层变得透明：你可以打开 Lance 文件看看里面到底是什么，而不是面对一个黑盒“记忆系统”。透明的数据，才能让人敢把重要的会话交给它。
下一步：记忆层的 API 化
眼下 funes 提供的还是命令行工具和底层索引能力，更上层的应用仍在探索。比如自动给会话打标签、跨项目记忆区分、记忆的遗忘策略——这些都在等着开发者共建。开源的节点意义在于：每一个编码 Agent 的记忆问题不用再各自造轮子。
Funes 这名字取自电影《美丽心灵》里那个记不住事的角色，反而衬出了这个工具的反讽：它什么都不忘，还知道什么时候该记起来。
