改造Memos，用 Fragments Skill 管理我的思维碎片

灵感该记在哪个 App、用什么格式以及打什么标签这些问题本身就是认知负担。创业时最痛苦的不是没想法，而是想法太多却留不住——走路时冒出的灵感、聊天中做的决策、随手记下的待办，它们散落在不同的地方，等需要时已经找不回来。

我要的很简单：说出来，AI 帮我存好；需要时，AI 帮我找到。记录应该是对话的副产品，不是需要”管理”的任务。

于是我把 usememos/memos 改造了一番，新增了 daily log（John Carmack 的 .plan 改版），支持了 MCP，又在 deepshape-ai/ai-marketplace 里写了 fragments skill，让 opencode、claude code、openclaw 这些 AI harness 自动具备了索引、语义感知、汇总 daily log 和 memo 的能力。现在记录和消费都通过 AI 完成，日常生活和工作有了一个统一的入口。

从 .plan 到 Daily Log

John Carmack 在 id Software 时期有一个著名的习惯：写 .plan 文件。每天更新一个纯文本文件，记录做了什么、打算做什么、遇到了什么问题。这个习惯的核心价值不是存档，而是低摩擦的思考和轻量级的透明度。想写就写，格式简单，团队成员随时能看。

节选自他的片段：

[idsoftware.com]
Login name: johnc In real life: John Carmack
Directory: /raid/nardo/johnc Shell: /bin/csh
Never logged in.
Plan:

This is my daily work ...

When I accomplish something, I write a * line that day.

Whenever a bug / missing feature is mentioned during the day and
I don’t fix it, I make a note of it. Some things get noted many times
before they get fixed.

Occasionally I go back through the old notes and mark with a +
the things I have since fixed.

--- John Carmack

= feb 18 ===================================
* page flip crap
* stretch console
* faster swimming speed
* damage direction protocol
* armor color flash
* gib death
* grenade tweaking
* brightened alias models
* nail gun lag
* dedicated server quit at game end
+ scoreboard
+ optional full size
+ view centering key
+ vid mode 15 crap
+ change ammo box on sbar
+ allow “restart” after a program error
+ respawn blood trail?
+ -1 ammo value on rockets
+ light up characters

我想要的是同样的东西，但适配 AI 时代的工作方式。纯文本文件太孤立，搜索引擎够不着，AI 读不了，更没法跟其他记录产生关联。所以我选择在 Memos 上实现 daily log。

Memos 本身是一个轻量的 memo 系统，支持 markdown、标签、搜索。我从几年前开始就在使用。

很有趣的是，他们这个仓库的分支只有一个，但是还是在多人积极维护的状态。

我在它的 0.26.3 stable 分支基础上做了三件事：

新增 daily log 数据类型：每个用户每天只能有一条 log，服务端强制约束。内容格式采用 .plan 风格，每行以 * （完成）、+ （待办）、- （笔记）、? （问题）开头。只有当天可编辑，36 小时后锁定。
支持 MCP（Model Context Protocol）：MCP 让 AI agent 能直接调用 Memos 的 API，不需要我手动粘贴内容到某个聊天框。写 daily log、查 memo、搜索历史，全部通过 MCP 工具完成。
Daily log 引用 memo：当某条记录需要展开时，先创建一个 memo，再在 daily log 里引用 see memos/{uid}。这样 daily log 保持简洁，细节又有地方放。

改造过程几乎全靠 AI。daily log 的 API 设计、数据库迁移、MCP 接口，大部分代码由 glm-5 完成。我做的更多是确认需求、审查输出、调整边界条件。这就是我理解的”AI 作为操作系统”的早期形态：有一个想法，描述给 AI，它帮你找到最接近的开源项目，然后改写成你要的样子。

效果： dailylog

Fragments Skill: 给 Agent 装备记忆

有了支持 daily log 的 Memos，下一步是让 AI agent 知道怎么用它。这就是 fragments skill 的作用。

Fragments 是我在 deepshape-ai/ai-marketplace 里写的一个 skill，用于给 AI harness（opencode、claude code、openclaw）装备索引、语义感知、汇总的能力。

该skill在clawhub上同样也上传了一份

为什么不是文档或聊天记录

在决定自己造轮子之前，我比较过现有方案：

特性	文档工具	IM聊天记录	fragments
碎片化想法	需要组织结构	淹没在对话中	随手记录
随时记录	打开编辑器	要找群/人	直接说
有意义筛选	全靠手动	信息噪音大	agent评估
语义检索	关键词匹配	弱	TF-IDF + LSA
结构化复盘	需要整理	分散	`.plan`格式

文档工具要求完整的文章结构，一个念头不值得打开编辑器。聊天记录太嘈杂，真正有价值的想法会被”吃了吗”、“在吗”淹没。我需要的是：碎片化捕获 + 语义检索 + 结构化复盘，三者缺一不可。对我来说，最重要的是无感知——不需要切换上下文，不需要打开新窗口，想记就记。

memo 模式：按需捕获

当我说”memo 这个想法”、“记一下”时，agent 会调用 memos_create_memo 创建一条 memo。它会自动提取 #tag 格式的标签，询问我可见性（默认 PRIVATE），确认后写入。如果内容很长，它会建议先创建 memo 再在 daily log 里引用。

daily-log 模式：被动记录

这是更有意思的部分。我在 opencode 和 claude code 里配置了 hook：

// opencode 的 plugin.ts
export default async function fragmentsHook({ client }: PluginInput) {
  return {
    "session.idle": async ({ messages }) => {
      if (!messages || messages.length < 3) return;
      const assistantMessages = messages.filter(m => m.role === "assistant");
      if (assistantMessages.length < 2) return;

      return {
        content:
          "Follow the fragments skill daily-log workflow: " +
          "(1) assess if meaningful work, " +
          "(2) call memos_get_daily_log, " +
          "(3) diff against existing, " +
          "(4) format in .plan style, " +
          "(5) ask for confirmation before saving.",
      };
    },
  };
}

当一个对话结束时（session.idle 或 Stop hook），agent 会评估这次对话是否做了有意义的工作。如果有，它会：

获取当天的 daily log
把本次对话的关键产出格式化为 .plan 行
对比现有内容，跳过重复的
展示合并后的完整内容，等我确认
调用 memos_save_daily_log 保存

整个过程不需要我主动说”记录一下”。AI 在完成任务后自动问我：“刚才做了 X、Y、Z，要不要记到今天的 log 里？“

语义搜索

Fragments 还提供了语义搜索能力。它用 TF-IDF + LSA（SVD 降维）做向量化和相似度计算。当我问”我之前有没有想过怎么处理用户认证”时，agent 会调用 memos_search_memos，然后可选地用本地的 fragments_search.py 脚本重排结果。这样很好的减少了在检索时memos和daily log的内容增加对agent上下文造成的负担。

这不是什么高深的 embedding 模型，但对于个人知识库的规模已经够用。而且完全本地运行，不依赖外部 API。

实际工作流

现在我的日常是这样的：

早上打开 opencode 或 claude code，问一句”昨天做了什么”。Agent 调用 memos_get_daily_log，把昨天的记录读出来。如果有待办事项，我继续推进。

白天工作时，有想法就随口说”memo 一下”。Agent 创建 memo，打上标签。如果想法值得跟进，我会在 agent 的协助下把它拆成 daily log 里的 + 行。

每次完成一个任务，agent 自动问我是否要记录。大多数时候我扫一眼确认就行。偶尔我会补充几句上下文。

周末复盘时，我问”这周在 X 项目上花了多少精力”，agent 会搜索 daily log 和 memo，汇总出一份周报草稿。

整个过程中，我没有打开过任何专门的笔记 App。所有记录发生在我和 AI 的对话里，而 AI 背后连接着 Memos 这个统一的存储。记录和消费使用同一个入口。

实际在opencode中的使用：

opencode

一个真实的工作日志

这是我某天的 daily log（略有删减）：

* 设计并实现 SCAD（语义约束解剖形变）模块
+ 用病例数据验证 SCAD 效果并调优参数
测试加密狗里是否有 dcm 的解码密钥
* scad 单元测试用例（暂一例）
? exocad 的静态 binary 中没有加密密钥
处理 1/4 牙列数据
+ 更新下 memos daily log 的 url markdown 渲染

* 标记完成的事，+ 标记待办，- 标记笔记，? 标记问题。格式简单，但足够表达意图。更重要的是，这些都是 agent 在对话结束后自动提取的，不是我从头手写的。

AI 作为操作系统

这个过程让我意识到一件事：AI 正在成为操作系统意义上的”入口”。

以前我的工作流是这样的：

想法 → 打开 Memos
长文 → 打开飞书文档
任务 → 打开备忘录
日程 → 打开日历
沟通 → 打开飞书/微信

每个 App 都是一个独立的入口，我需要记住什么事该去哪。

现在这些都变成了后端存储，前端只有一个聊天框。我不需要记住 Memos 的 URL，不需要打开飞书文档，不需要切换 App。我只需要告诉 AI，它会路由到正确的地方。

这不是说这些 App 会消失，而是它们的角色变了：从交互界面变成数据层。AI 成了统一的操作系统，我通过自然语言操作所有工具。

我用的是 opencode、claude code、openclaw，加上飞书里的 AI 机器人。它们都接了同一个 Memos 实例，都通过 MCP 读写。

这个转变带来的收益不是效率提升，而是认知减负。我不再需要维护多个系统的心智模型，不再需要为”这个记在哪”而中断思考。AI 帮我屏蔽了底层的复杂性，让我专注于思考本身。

更重要的是，这个系统不止我一个人可以用，我们团队都可以使用。大家无缝通过Agent做为交互层，将想法和工作日志同步到Fragments中。这样既能记录下我们的工作成果，避免了周期性汇总的痛苦，又能大幅降低开会时沟通对齐的成本，因为别人做了什么事情，哪个项目推进到什么进度，直接看Fragments即可，在沟通前就已经同步好了90%的内容。这种高效的工作流程我认为是初创团队必须的。

跨平台集成

不同 AI 工具的能力扩展方式各不相同：

能力层	本质	Claude Code	OpenCode	OpenClaw
Skills	渐进式上下文 prompt	支持	支持	支持
MCP	外部工具协议	JSON 配置	JSON 配置	JSON 配置
Hooks	事件拦截扩展	JSON 定义	TypeScript 插件	待实现

Fragments 的做法是将 MCP 配置、Hooks 定义、Skill prompt 统一打包，在安装时做环境检测和平台适配。凭证统一存放在 ~/.config/fragments.json，各平台共享。切换 agent 工具时无需重复配置。

这套方案还不完美。各平台的 hooks 机制差异较大，Claude Code 用 JSON 定义，OpenCode 用 TypeScript 插件，OpenClaw 还在开发中。但至少 MCP 这层是统一的，核心的读写能力可以跨平台复用。语义搜索的精度有待提升，daily log 的格式约束偶尔会让我觉得不够灵活，跨 agent 的上下文同步也不是总能做到。

开发历程

这个系统的演进花了大概两周：

3 月 12 日：完成第一版 memos + daily log 集成，发布 fragments skill
3 月 16 日：修复 daily log 的 url markdown 渲染问题
3 月 22 日：更新 memos，换了 logo，优化 daily log 使用体验
3 月 23 日：fragments 适配 openclaw（mcp + hooks）

大部分改动是 glm-5 完成的。我主要负责产品定义、边界条件、代码审查。Daily log 的 API 设计、数据库迁移、MCP 接口，AI 写了 80% 以上的代码。

后续规划

当前系统还有几个明显短板：

语义搜索精度：TF-IDF + LSA 对于模糊查询的效果有限，后续考虑接入更好的 embedding 模型
跨 agent 上下文同步：在 opencode 里记录的想法，在 claude code 里不一定能无缝召回
飞书集成：日常工作中飞书是主要的沟通工具，但目前只支持主动交互，无法自动捕获对话中的想法。

下一步重点是接入飞书。这样日常对话中产生的想法也能被自动捕获，而不需要手动复制粘贴。

现在已经支持主动交互：

install

weekly

如果这套方案对你有启发，可以在 deepshape-ai/memos 找到改造后的 Memos，在 deepshape-ai/ai-marketplace 找到 fragments skill。