你没告诉过它你的客户是谁。没提过你在 Notion 里写了什么。没分享过 X 上收藏的动态。
但你的 AI 智能体打开对话时，已经知道这些了。
这不是科幻。LangChain 刚刚发布的 OpenWiki 0.1.0，正在把“主动记忆”塞进每个 AI 智能体的大脑。
一、现象：OpenWiki 0.1.0 到底做了什么？
2026 年 7 月，LangChain 正式发布 OpenWiki 0.1.0——代号 OpenWiki Brains。它的核心能力用一句话就能说清楚：让 AI 智能体自己长出一个知识库，不需要你手动喂任何东西。
OpenWiki 0.1.0 可以连接六类信息源：
- Gmail：自动抓取最近邮件，理解沟通脉络
- Notion：爬取工作空间，提取笔记、文档和项目计划
- Git 仓库：分析代码变更历史，同步项目进度
- X/Twitter：获取时间线动态和书签，捕捉行业信号
- Hacker News：追踪热门技术讨论，不遗漏社区风向
- 网页搜索：按需搜索互联网，补充外部上下文
这些信息经过提炼后，生成一份结构化的本地 Markdown wiki，存放在你的机器上。AI 智能体在需要时直接调用，而不是每次从头搜索。
更重要的是，这份 wiki 不是一次性产物。OpenWiki 按设定节奏自动刷新——重新连接各信源，抓取增量信息，更新知识库。你不需要手动整理，也不用提醒自己“别忘了更新”。
LangChain 官方博客如此描述这个设计目标：
“你的智能体应该知道你工作、项目、兴趣和研究中的重要上下文，而不需要强迫你把所有上下文手动复制进每一轮对话。”
这句话道出了本质：AI 智能体的记忆，不应该靠用户手动输入来维持。
二、分析：为什么“记忆”是 AI 智能体最大的短板？
被动记忆的天花板
如果你用过 Claude、ChatGPT 或任何主流 AI 助手，你大概已经习惯了这种模式：你告诉它什么，它记住什么。你忘了说，它就不知道。
这叫“被动记忆”。它有结构性缺陷。
第一，记忆容量有限。即使是 200K token 的长上下文窗口，也无法承载一个用户几个月甚至几年的工作历史。超出窗口的信息，直接丢失。
第二，记忆是零散的。你昨天在对话 A 里讨论过一个产品方案，今天在对话 B 里开始新项目，对话 B 对对话 A 一无所知。除非手动复制粘贴，信息无法跨会话流动。
第三，记忆是被动的。它只记住你明确告诉它的内容。你 Gmail 里那封关键客户的邮件，你没有贴进对话，AI 就不知道。你 Notion 里那份更新后的项目计划，你没有复制进来，AI 就按旧信息回答。
LangChain 官方博客直言不讳：
“内置记忆主要是反应式的。它记住你明确告诉智能体的信息，或者智能体从对话中推断出来的信息……这对偏好和你已经分享过的事实很有用。但对于那些每天都在你的工具之间变化的信息，它就不太行了。”
主动记忆的解法
OpenWiki 0.1.0 的核心创新，就是把“被动记忆”变成“主动记忆”。
它的工作流程分五步。你授权 OpenWiki 访问你的信息源，然后告诉它你关心什么——比如“正在跟进的三个客户项目”或“关注的 AI 芯片赛道”。OpenWiki 定期从各信源拉取信息，用 LLM 提取关键内容，整理成本地 Markdown 文件形成知识库。你的 AI 智能体在需要时查询这个知识库，获取最新上下文。
这个流程的关键差异在于：信息采集是智能体主动完成的，不是用户被动输入的。
LangChain 将这种个人模式称为“Personal Brain”——个人大脑。在设置阶段，OpenWiki 会询问你希望这个“大脑”关注什么，你给出的聚焦提示词决定了它在采集信息时如何筛选、保留什么、丢弃什么。
连接器的设计哲学：确定性 vs 智能体式
OpenWiki 的六类信源被设计成两种采集模式。
确定性连接器：Gmail、X/Twitter、Hacker News、Git 仓库。这些平台有明确的信息流——邮件列表、时间线、热门帖子、提交记录。OpenWiki 可以直接拉取，不需要复杂判断。
智能体式连接器：Notion、网页搜索。这些平台没有简单的“信息流”概念。Notion 里可能有几千个页面，哪个是重点？网页搜索的结果哪些真正相关？对于这些信源，OpenWiki 在采集时给 LLM 提供工具，让智能体自行判断“什么东西值得保留”。
这种区分的背后是一种务实的设计哲学：把确定性交给规则，把不确定性交给智能体。不是所有的信息源都需要智能化，在该确定的环节确定，在该智能的环节智能。
这不是“另一个记忆插件”
市场上有不少 AI 记忆工具——Mem、Rewind、Cursor 的代码库索引、Claude 的 Projects。但 OpenWiki 的定位明显不同。
Mem 和 Rewind 是全量记录，本地存储，偏向回放和搜索。它们像你的个人数字档案柜。Claude Projects 和 ChatGPT 自定义指令是手动配置的记忆上下文，需要用户主动维护。
OpenWiki 则是一个“中间层”——它不记录一切，而是根据你的关注点，主动从各平台提取你认为重要的信息，结构化后供智能体使用。
它不是对用户输入的事后记录，而是在用户工作流中主动采集和提炼。这就像从“你在办公室写日记”变成了“你的助理每天去各个会议室、邮件箱、工位走一圈，然后回来告诉你发生了什么重要的事”。
三、结论：这意味着什么？
智能体的记忆正在从奢侈品变成基础设施
OpenWiki 0.1.0 是开源的（MIT 协议），TypeScript 实现，发布后迅速在 GitHub 上获得超过 10,000 个 Star 和 667 个 Fork。社区反应说明了一个事实：开发者迫切需要一个标准化的、可自托管的智能体记忆方案。
在 OpenWiki 之前，每个团队如果要给智能体做长期记忆，都得自己写一套——连接各种 API、爬取数据、向量化、存储、更新。这不仅是重复劳动，而且质量参差不齐。OpenWiki 把这个过程标准化了：npm install -g openwiki，然后 openwiki --init，记忆就有了。
谁最受益？
个人开发者：OpenWiki 的个人模式让他们可以把自己的工作流——邮件、笔记、代码、社交信息——统一成一个 AI 可用的知识库。一个人就是一个信息中心。
小型团队：团队可以用 OpenWiki 连接共享的 Notion 工作区和 Git 仓库，让 AI 智能体自动同步团队知识，减少“你问一遍，我答一遍”的沟通成本。
AI 应用开发者：OpenWiki 提供了标准化的记忆接口。开发者不需要自己构建记忆系统，只需要让智能体学会查询 OpenWiki 生成的 wiki 即可。
风险与局限
OpenWiki 的主动特性也带来隐私和安全问题——它需要访问 Gmail、Notion、X 等服务的 API。虽然在本地运行意味着数据不出机器，但用户仍需谨慎管理 API 密钥和授权范围。
此外，主动采集的质量取决于两点：连接器的稳定性（各平台 API 可能随时变化），以及 LLM 在提取信息时的判断力。如果 LLM 误判了优先级，或者漏掉了关键信息，wiki 的质量就会打折扣。
OpenWiki 的设计哲学是“信任但验证”——它持续更新，每次刷新都会重新评估。但这种模式能否适应复杂多变的工作场景，还需要时间检验。
当全网都在教 AI 智能体“怎么想”的时候，LangChain 选择先解决“智能体记不记得住”的问题。这个选择看似朴素，却可能比任何复杂的推理框架都更贴近 AI 落地的真相——一个不会记事的智能体，再聪明也没用。
快报