大家好，开源一个自己折腾的桌面端 AI Agent 项目：Magi。
GitHub Repo：Github。
开发这个项目的念头，起因于去年尝试做的一款日记应用。当时期望通过对日记进行行为与情感分析，让 AI 刻画出用户画像，从而提供更有温度的交互。推进过程中遇到了明显的瓶颈：大部分用户根本不会主动表达日常操作习惯。日记能留存生活中的“大事”，对“稀松平常的小事”无能为力。
今天又加班到了凌晨 1 点，其实完全没我啥事，就硬等前端把接口调完。不过靠我精湛的摸鱼技巧，在公司爽看了 3 集 MyGO ，还听了好久周杰伦的新专。
这段平凡的经历，几个月后你或许还记得当晚的加班。至于期间看了什么剧、听了什么歌、当时的情绪状态，往往会彻底遗忘。
Magi 的核心目标正是解决这一痛点。它作为一个桌面 Agent ，通过接入浏览器记录、媒体播放、照片库、日历、Git 提交等外部传感器数据，将这些被动产生的操作痕迹，汇聚成用户个人的长期记忆时间线。
很多系统所谓的长期记忆，最后都变成了“把记录切块丢进向量库”。在桌面端高频传感器场景下，这种做法会带来灾难性的后果。
以一个中度使用的开发者为例，每天的 API 对话、终端操作、网页浏览记录、媒体访问记录可达 3000 条。如果全量存入并做索引：
要支撑海量被动数据的摄入并保持检索的可用性，Magi 在本地构建了一个五层（ L0-L4 ）生命周期的记忆架构。
L0 工作记忆：维持当前对话和任务的临时状态。
L1 事件记忆：将对话、终端命令、日历、Git 提交等碎片信息，规范化为带有来源和时间戳的底层事实证据。
L2 知识记忆：从 L1 中提取出实体、状态和关系。系统严格区分用户明确表达的事实与 AI 推测的结果，避免相互污染。
L3 摘要反思记忆：按天/周对海量碎片进行降采样和总结压缩。
L4 技能记忆：记录工具调用的成功率与报错特征，具备错误路径熔断机制，让 Agent 积累做事经验。
目前这套记忆检索链路在 LongMemEval 评测集上跑到了 87.2% 的准确率。关于整个记忆的构建思路，我也写了一篇文字这博客里。
在这个记忆底座之上，为了让 Magi 真正像一个“伴侣”运作，交互层创新性实现了两个机制：
1. 告别机械对答的自然节奏回复 传统大模型的回复是严格的 1 对 1 同步模式。Magi 增加了一个后置的切片链路，会将长段的回复拆解，模拟真人的输入停顿，按多段、有延迟的异步方式发送给用户，大幅降低“机器感”。
2. 动态人格跃迁及深层人格 Agent 的人格设定支持深度自定义，并与记忆系统的 L2 状态层打通。当底层观察到用户处于高压或焦虑状态时，即使是偏向“搞笑”的人设，也会自动平滑跃迁至温和安抚状态。随着互动时间的拉长和特定里程碑的触发，还会解锁深层的人格维度。
在产品形态上，Magi 提供了一个开箱即用的桌面客户端。所有应用数据和记忆数据库默认保存在本地。除了正常的 LLM API 调用，系统没有任何外部数据上报逻辑。
项目目前处于 Beta 阶段，核心的记忆分层链路和基础传感器均已完整跑通，提供开箱即用的 macOS 安装包。由于系统的复杂性，实际运行中可能会遇到一些预料之外的 Bug 。如果你在体验中发现任何问题，欢迎随时在 GitHub 提交 Issue ，我会第一时间跟进修复。
对 Agent 底层逻辑或记忆架构感兴趣的 V 友，欢迎下载体验并查阅源码。期待各位的 Issue 和 PR 。
相关链接
Github Repo：Github。
Github Release: Github Releases。
记忆系统详细架构：记忆架构
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。