我让 ChatGPT 和 Codex 开始共享工作记忆
——从共享工作记录,到让 AI 自动维护我的项目看板
这个周末,我在尝试解决一个问题:如何让不同 AI Agent 共享我的个人上下文,并且让这些上下文真正由我自己掌控?
问题其实很日常:我经常在 ChatGPT 中讨论想法,在 Codex 中开发产品。但是 ChatGPT 不知道 Codex 刚完成了什么,Codex 也不知道我刚刚在 ChatGPT 中做出了什么决定。我总得反复重新解释背景。
更麻烦的是,我同时推进多个项目,问题就更明显了:我要做哪些项目,哪些做完了,发布到什么平台了,有什么反馈,接下来做什么?这些事,坦白地说,我自己也记不清细节。
我相信,当 AI Agent 越来越多,人不应该继续充当它们之间的上下文连接器。
而且,长期积累的记忆不应该只存在于某一家 AI 厂商的产品中。
于是,我开始构建自己的 Personal Context。从单个 Agent 的对话中提取有价值的信息,放进由自己维护的长期共享上下文,让不同 Agent 能够访问同一份可追溯的工作记录。
也就是把 Memory 从单个 Agent 的内部能力,逐步提升为一套个人拥有、跨 Agent 共享的基础设施。
现在,我已经搭建了一套跨 Agent 共享上下文系统。一个 Agent 可以把开发进展写入共享 Activity Store,另一个 Agent 能在新的会话中读取这些记录并继续工作。
更进一步,我还做了一个自动项目管理器:它会读取 Agent 的活动记录,判断证据是否足够,再更新 Obsidian 中的项目状态,供人了解项目进展。
这次想分享的,一是背后的思考,二是搭建过程中几个关键的设计选择。
一、技术全景:把 Context 从 Agent 中摘取
我把整个系统分为五个部分:
Agent Layer:ChatGPT、Codex 等负责思考、开发和执行任务。
Context Access Layer:通过 MCP 为不同 Agent 提供统一的上下文访问入口。
Shared Activity Layer:记录跨 Agent 的实际工作、决策、证据和下一步。
State & Automation Layer:消费活动事件,维护项目当前状态。
Personal Context Storage:由个人掌控的长期存储,目前使用 Cloudflare D1 保存结构化活动和搜索索引,并通过 Obsidian Markdown 保存可阅读的记录。
系统架构
这里有两个核心的数据流。
读取路径:
Agent 对话 → Skill(判断读取时机与范围)→ MCP → 查询共享上下文 → 返回相关项目状态与历史活动 → Agent 继续工作
写入路径:
Agent 对话 → Skill(判断是否需要记录、规范事件内容)→ MCP → Activity Store 持久化 → 同步至 Obsidian Markdown
此外,Auto Board Manager 会定时读取 Activity Store 中的活动,经过证据与权限校验后,更新 Project State。
Skill 决定什么时候使用上下文,MCP 负责访问上下文,Activity Log 记录发生过什么,Auto Board Manager 根据证据维护当前状态。
二、Context Bridge:让不同 Agent 访问同一份上下文
第一步,是解决不同 Agent 如何把信息存入同一个地方并消费的问题。
我原本就在使用 Obsidian 保存长期笔记,所以没有再引入一个新的笔记平台,而是选择通过 MCP 将现有数据暴露给 Agent。
Context Bridge 具体怎么做?
当前实现以坚果云 WebDAV 进行文件存储,使用 Cloudflare Workers 提供 MCP 服务。
主要包括:
list_context:浏览笔记目录。search_context:检索笔记正文。read_context:读取原始 Markdown,返回文件路径和行号。get_activity_context:读取最近的跨 Agent 活动。append_activity:追加结构化的共享活动记录。
其中,基础笔记检索与共享活动使用了不同的实现方式。
普通 Markdown 笔记通过 WebDAV 读取,Cloudflare D1 保存可重建的搜索索引。
而跨 Agent 的 Activity 有独立的持久化存储与同步队列,可以直接读取最近活动,不必等待全文索引完成。
活动最终也会同步为 Obsidian 中可阅读的 Markdown。
为什么选择 Obsidian,而不是直接使用 Agent 的 Memory?
这里的选择并不只是因为我习惯用 Obsidian。
我更看重两个特性。
第一,数据所有权。
Markdown 是开放格式。即使未来更换 Agent、MCP 服务或笔记软件,原始记录仍然可以迁移和阅读。我不希望长期积累的上下文只能在 ChatGPT 内使用,或者只能在 Codex 中生效。
第二,人和 AI 都能消费。
我可以在 Obsidian 中查看、整理和纠正记录,Agent 则可以通过 MCP 查询它们。
三、Shared Activity:不同 Agent 应该交换什么?
能存和读以后,第二个问题是:不同 Agent 究竟应该共享什么?
最直接的方案是同步完整聊天记录。
但我最终没有选择这条路。
因为聊天里混杂着大量探索、建议、假设和临时想法。如果全部写入长期记忆,后续 Agent 很容易把讨论过的内容误认为已经决定的事情。
所以我选择让 AI 自行总结出结构化 Activity Event,作为跨 Agent 的主要交接单位。
一条 Activity 记录什么?
一条 Activity 类似这样:
{
"event_id": "demo-001",
"project": "weather-card",
"task_id": "frontend",
"agent": "Codex",
"kind": "result",
"evidence": "observed_action",
"status": "completed",
"summary": "天气卡片页面已完成并通过测试",
"next_step": "交给 ChatGPT 评估发布方案",
"sources": ["tests/frontend-report.md"]
}
这里有几个重要的设计判断。
每条活动主要包含五类信息:
身份与关联:
event_id、project、task_id,用于唯一识别事件并关联项目。执行上下文:
agent、session_ref、occurred_at,记录哪个 Agent、在哪次会话、什么时候产生了活动。事实分类:
kind、evidence、status,区分讨论与结果、建议与实际操作,以及活动报告的状态。工作内容:
summary、details、next_step,记录实际发生的事情和后续行动。证据与产出:
sources、artifacts,保留原始依据和交付物位置。
持久化后,系统还会记录 recorded_at、vault_synced 和 path 等信息,用于跟踪写入时间、Obsidian 同步结果及原始记录位置。
这里最关键的设计,是将 事件类型、证据类型和完成状态分离。
例如,Agent 提出一个建议,可以记录为 kind=discussion、evidence=assistant_proposal、status=discussed。
而一项经过实际验证的交付,可以记录为 kind=result、evidence=observed_action、status=completed。
这避免了将「AI 建议我做」「我决定要做」「已经完成」混为一谈。
Activity 的存储和消费
Activity 并不是简单地作为 Markdown 文件逐条写入一个文件夹。
Activity 首先由 MCP 服务端持久化,再通过同步队列写入 Obsidian Markdown;同时生成按项目和最近动态组织的阅读视图。
在存储层,每条活动都有独立的事件记录,保留来源、时间、执行者、任务和实际结果。
在阅读层,系统又根据这些事件生成两类视图:一类按项目聚合,另一类展示跨项目的最近动态。
这样,Agent 可以按项目获取上下文,而我也可以直接在 Obsidian 中查看整个系统最近发生了什么。
这些视图不应该成为另一套需要手动维护的事实来源。真正的历史依据仍然是原始活动,项目视图可以从活动重新生成。
此外,我还有独立的 Builder & Writer 项目管理看板。Auto Board Manager 消费活动并验证条件后,才会更新其中的项目状态。
四、Activity 与 State 分离:为什么不让 Agent 直接修改看板?
Activity 是不可变的历史事件,Project State 是根据历史证据计算和维护的当前状态。
假设一个项目要完成开发,然后分别发布到 GitHub 和 X。
Codex 提交了代码,只能说明开发有进展。
GitHub 已经发布,也不意味着 X 的发布完成。
如果每个 Agent 都根据自己的局部信息修改项目状态,就很容易出现误判。
Auto Board Manager 如何工作?
当前本地工具主要分为三个模块。
1. Sync Runner:采集活动
从 Context Bridge 分页读取活动,使用 SQLite 保存检查点、待处理事件和去重状态。
2. Manager:生成更新计划
根据项目身份、活动内容和已有管理卡,判断哪些事实可以补充,哪些状态变化有足够证据。
3. Executor:受限执行
在执行文件修改前重新检查条件,再进行实际写入、目录移动和链接修复。
这种设计有三个好处:
可追溯:每次状态变化都能找到对应的活动和证据。
可恢复:即使同步失败,也可以根据未处理的活动继续执行。
避免冲突:多个 Agent 不需要直接竞争修改同一张项目管理卡。
当然,单个任务的 completed 不代表整个项目完成。只有本轮计划的交付内容都得到验证,项目才应该进入下一阶段。
Agent 负责记录发生了什么,Auto Board Manager 负责判断这些事实是否足以改变项目状态。
五、实际验收:从一个 Agent 写入,到另一个 Agent 接续
目前已经完成了两个真实闭环。
跨 Agent 双向读写
第一轮验收:
Codex 写入共享活动。
ChatGPT 在新会话中读取活动和原始记录。
ChatGPT 写回自己的验证结果。
Codex 再次读取,并通过 Obsidian 原始 Markdown 核对。
两端写入均确认完成同步。
这证明不同 Agent 可以通过同一套 Context Bridge 交换真实工作记录,而不需要共享完整聊天会话。
自动项目状态更新
第二轮验收:
独立 Agent 写入共享上下文首版完成验收的活动。
Sync Runner 采集到新增活动。
Manager 将活动关联到已有项目。
Executor 根据明确的交付证据执行状态流转。
项目从「制作中」移动到「待反馈」。
相关 Obsidian 链接完成修复。
再次处理同一事件,没有产生重复修改。
这一阶段的自动同步实现通过了 96 项测试,也完成了上述真实端到端验证。
这里的 96 项是本地 Auto Board Manager 的测试,与公开 Context Bridge 仓库的测试属于不同范围。
当前每日自动同步任务已经配置,实际长期稳定性、授权环境和异常恢复仍需要持续观察。
六、下一步:从共享工作记录走向个人长期记忆
目前,这套系统主要解决的是跨 Agent 的工作接续问题:记录发生过什么,以及项目现在进行到哪一步。
但 Activity 不等于 Memory。在我看来,Activity 是历史记录,Memory 则是从长期经历和交互中保留下来的、对未来仍然有用的信息。
Activity:发生过什么。
Memory:哪些信息值得长期保留。
Context:当前任务需要使用哪些信息。
下一阶段,我希望在现有共享上下文之上增加三项能力。
1. Unified Memory:定义统一的个人记忆结构
首先,需要区分不同类型、不同生命周期的信息,并分门别类存储和消费。
例如:
Identity:相对稳定的个人背景。
Preferences:长期偏好与协作习惯。
Decisions:重要决策及其理由。
Experience:项目经验与可复用的方法。
Working State:近期目标、任务与临时状态。
这些信息不应该全部堆进一个不断膨胀的 memory.md。
更重要的是,每条记忆都需要保留来源、确认状态、更新时间和有效范围,避免旧信息长期影响 Agent 的判断。
2. Memory Manager:让记忆持续演化
有了统一结构,还需要决定什么值得记住。
例如,「发布了一段五秒钟的动画演示」是一条 Activity。
而「展示视觉作品时,更偏好简短、直观的表达」则可能是一条值得长期保存的 Preference。
但后者属于从行为中提炼的判断,不能直接当作用户明确确认的事实。
Memory Manager 需要从活动、笔记和用户明确表达中提取候选记忆,处理重复、冲突、更新和失效,并在重要个人信息发生变化时请求确认。
3. Context Bootstrap:按任务加载真正需要的上下文
即使拥有完整的个人记忆,也不意味着每次会话都应该全部加载。
更合理的方式,是让 Agent 根据当前任务,从 Unified Memory、Project State 和 Recent Activity 中检索、筛选并组装相关上下文。本质上是一个 Context Retrieval 问题。
例如:
讨论开发项目时,优先加载项目目标、近期进展、历史技术决策和开发偏好。
讨论旅行时,则加载旅行偏好、当前计划和预算约束,而不是无关的代码项目。
这里还需要考虑上下文长度、信息时效、冲突处理和访问权限。
最终,我希望形成一个持续运转的循环:
Agent 工作 → 产生 Activity → 提炼长期 Memory → 新任务按需加载 Context → Agent 继续工作。
这样,不同 Agent 共享的就不再只是项目进度,而是一套由个人掌控、能够持续演化的长期上下文。
七、我最终想构建什么?
回过头看,这个项目最初只是为了解决 ChatGPT 和 Codex 之间反复交代背景的问题。
但我越来越觉得,它背后有一个更长期的方向:
把个人上下文从 Agent 厂商的产品内部,逐步变成个人拥有、能够跨 Agent 使用的长期资产。
未来模型会更新,Agent 会变化,工具也会不断更替。
但一个人的经历、决策、目标和积累,不应该因为换了一个 AI,就需要重新开始。
Personal Context 是这套长期状态与记忆的基础设施。
Personal Agent 则是在它之上,能够理解目标、采取行动、获取反馈,并在人的授权下持续协助生活和工作的系统。
源码与最小实践
如果你也遇到跨 Agent 上下文割裂的问题,我建议先用一个真实项目做最小实验:
准备一份交接记录,包含项目目标、已确认决定、实际完成事项及证据、阻碍和下一步。
让 AI A 完成一项任务并更新记录,再交给 AI B 继续推进,最后返回 AI A 验证。
只有当这个过程真的出现反复交接的成本时,再考虑将记录结构化并自动化。
我已经开源了 Obsidian Context Bridge:
Obsidian Context Bridge — GitHub
目前公开仓库包含 Obsidian Markdown 的 MCP 访问、结构化 Activity API、持久化与同步机制,以及 ChatGPT / Codex 的跨 Agent Skills。
Auto Board Manager 目前仍是本地实现,尚未整理成可复用的公开版本。完整的第三方独立部署与双 Agent 验收流程,也还需要进一步验证。
后续我也会继续记录 Personal Memory、Context Bootstrap 和 Personal Agent 的实现过程。
评论
Enter 发送,Shift + Enter 换行
还没有评论,来说点什么吧。