我用 Claude Code 和 Codex 写了大半年代码，慢慢摸出一些痛点：
每开一个新会话，上下文从零开始。 周三我调一个 Tokio task 泄漏，定位了两小时发现是某个 tokio::spawn 出来的 task 没正确 await 。周五重新打开 Claude Code 写新功能，写到一半我说"对了，避免上次那种泄漏"——Claude 当然不知道我说的"上次"是什么。
换工具就丢上下文。 跟 Claude 商量了一晚上某个模块的边界设计，第二天切到 Codex 写实现，又得把 200 字的设计要点贴一遍。
反复纠正同一种风格。 "用 tracing 不要 println"、"测试放 tests/ 不要放 src/"，每个新会话都要再说一遍。
派 subagent 调研，回来啥也没留下。 Claude Code 用 Task tool 派几个 subagent 并发查代码，subagent 调研结果都在它们各自的上下文里。subagent 一退出，主 agent 拿到一段总结，但那些一手细节没了——下次相似问题还得从头查一遍。
CLAUDE.md / .cursorrules 这种静态指令文件能写死一些固定规则，但记不住具体的事。那些是动态的、不断累积的。
Rein 就是来做这件事的：一个本地长期记忆 MCP 服务器，让你的 AI agent 跨会话、跨工具、跨 subagent 都能共享同一份记忆。
Model Context Protocol 是 Anthropic 提的一个开放标准协议，让 LLM 和外部工具通信。Claude Code 、Codex CLI 、Cursor 、opencode 、Gemini CLI 、Claude Desktop 、Continue.dev 等等都支持。
关键事实：所有这些 MCP 客户端都能连同一个 MCP server——它们读同一个数据库，写同一个数据库。
Rein 就是个 MCP server 。对外暴露 40 个 tool （最常用的是 rein_store 存、rein_recall 搜，还有时间线查询、知识图谱、反馈记录等）。所有数据落进本机 ~/.rein/memories.db 一个 SQLite 文件。
下面这些场景是我自己跑了一个月 Rein 之后总结的实际用法。只有当所有 agent 共享同一份记忆库的时候才成立。
你在终端用 opencode 、Hermes 这类能控制电脑的 CLI agent 做环境层的事——升级依赖、跑 migration 、改配置、跑一组测试看哪个挂了。这些动作通过 hook 异步抽取进 Rein 。
切回 Claude Code 在编辑器里写代码——不用告诉 Claude 终端那边发生了什么。Claude 直接 rein_recall 就能拿到："上一小时 opencode 把 tokio 从 1.40 升到 1.42 ，跑了一遍测试，3 个 task 模型相关的 case 挂了"。Claude 写新代码时会避开这些已知问题。
handover 通过共享记忆库自动完成。不需要 copy-paste 状态，不需要写交接文档。
Claude Code 用 Task tool 派 subagent 出去：A 查 auth 模块、B 查 storage 、C 跑性能测试。
不连 Rein：subagent 跑完返回一段 summary 给主 agent ，一手细节就丢了——下次主 agent 想精确知道"那个可疑 unwrap 具体在哪一行"，得再派一次 subagent 。
连了 Rein：每个 subagent 都是 MCP 客户端。它们调研到关键点直接 rein_store 写进库——不只是当前会话用，将来任何 agent 都能召回。主 agent 看 summary 拿浓缩信息，后续需要精确细节时 rein_recall 直接出。
这个用法我跑得很重，重到把 Rein 自己的某个默认值都改了：v0.27.6 起
[server].stdio_background_warmup默认false，原因是多 subagent 同时启动时如果都触发后台 warmup ，会因为 side-index 写锁竞争互相阻塞。
我自己的分工：Claude Opus（深思考、长上下文）做架构和复杂调试；Codex / Sonnet（快、便宜）做实现和样板代码。
不连 Rein：每次切换都要重新讲"我们刚才在讨论什么"。
连了 Rein：Opus 这边做完决策，hook 自动落库；切到 Codex CLI 写代码，Codex 的 MCP 配置也指向同一个 Rein——直接召回设计共识。Opus 负责想，Codex 负责做，记忆是它们共享的工作台。
跑长任务时 context window 满了被 truncate ，或者 CLI 进程不小心被 kill 。
不连 Rein：重启就是新的会话，前面 30 分钟的进展、临时决定、试过的几个方案全没。
连了 Rein：重启的会话 rein_recall "刚才在做什么" 拿到事件时间线 + 已做决定 + 已否方案。接着干，不用复盘。
我自己的 setup：本机跑 Rein + Claude Code ，另一台 Mac mini 上跑一个 Hermes 长期 agent （处理后台任务、定期巡检）。两边的 MCP 都指向同一份 Rein 数据。
最近修过一个 MCP Python SDK 的 stdio subprocess 泄漏问题——客户端在异常路径上没关 stdin pipe ，子进程变成孤儿。这个 bug 跨了大概两周才稳定下来； Hermes 那边发现现象、本机 Claude 这边 reproduce + fix 、再 deploy 回 Mac mini ，整条链路的调试记录全在 Rein 里——任何一边的 agent 都能 recall 整个故事。
最关键的一点：你不需要刻意 rein_store。rein init 装好 hook 之后：
rein serve --proxy：你用 Claude Pro / ChatGPT Pro 订阅模式跑的所有对话都被静悄悄记下来，但不修改 prompt 、不注入上下文，agent 行为完全不变你正常写代码，记忆自己长起来。我自己本机的 Rein 库现在累积了大约 4000 条记忆——其中 user-preference 类目最多（ 300+），其次是 architecture （ 180+）、debug 、workflow 、config 这些。topic 跨度从 rein 自身开发，到 HPC GPU 调试，到给学生写自动化脚本——同一个工具横跨完全不同的项目。
我用过几个云端记忆方案，最不放心的不是被黑的风险，而是：我代码里的设计思路、对系统的吐槽、纠结过的边界判断，没必要交给第三方。
Rein 默认就是单 Rust 二进制 + 本地 SQLite 。装好就跑，所有数据在 ~/.rein/memories.db 一个文件里，断网照样工作。LLM 调用（抽取、查询扩展、重排）是 opt-in 的——不配 API key 也能跑：rule-based 抽取兜底，本地 BM25 + 本地向量缓存做检索。Mac 用户可以挂 OMLX，本地嵌入模型，完全离线。
中文用户用大多数国外"AI 知识库 / 记忆"工具会卡在同一个地方：全文搜索（ BM25 ）质量差。原因是分词。
英文按空格切就行。中文不行：按 unicode 字符切，"机器学习"会被拆成"机/器/学/习"四个独立 token ，搜"机器学习"召回不到讲"机器学习算法"的笔记。整段不切，BM25 又完全失效。
Rein 集成了 jieba-rs（结巴分词的 Rust 实现）。文本入库和查询时按字符段路由：中文段走 jieba ，英文段按空格切，中英混排（"用 LLM 做 RAG 的痛点"）按段切。
// 简化伪代码（实际在 store/jieba_tokenizer.rs ）
fn tokenize(text: &str) -> Vec<Token> {
if contains_cjk(text) {
jieba.cut(text, /* hmm */ true)
} else {
text.split_whitespace()
}
}
结果是中文搜索召回质量和英文一个水平。
每次召回并行跑三条管线：
三路结果通过 Bruch 2023 Convex Combination 公式融合。融合系数不是常量，会根据你的历史召回数据反推（你点了哪些、跳过哪些）持续学习更新，按 query 类型和语义簇分别学。
带 --features gui 的二进制内嵌 React + Tailwind 前端。启动后浏览器打开 http://localhost:8680：
写 Rein 的时候有个原则：尽量不在代码里写死常量，让数据驱动。
冷启动有 bootstrap 常数兜底，数据积累到阈值后切到学习值。所有学习状态在 GUI 的 Adaptive Engine 页能实时看到。
cargo install --git https://github.com/lyr1cs/rein --tag v0.28.8 --features gui
rein init # 自动配置 ~/.claude/settings.json hooks
rein init 装 7 个 hook （ SessionStart / PreToolUse / PostToolUse / UserPromptSubmit / PreCompact / Stop / PermissionRequest ）。
rein init # 自动配置 ~/.codex/hooks.json 6 个事件
任意 MCP 客户端都通过 stdio 接入：
{
"mcpServers": {
"rein": { "command": "rein", "args": ["serve", "--mcp"] }
}
}
如果你用 Claude Pro / ChatGPT Pro 订阅而不是 API key ，可以启 rein serve --proxy。它做 record-only 转发：转发请求和响应、异步抽取记忆，不注入 prompt 上下文，所以 agent 行为完全不变。
需要 Rust 工具链 + Node.js （ GUI 构建用）：
cargo install --git https://github.com/lyr1cs/rein --tag v0.28.8 --features gui
# 可选：配 LLM key
export GEMINI_API_KEY=AIza...
# 初始化
rein init
# 启 GUI
rein serve --gui
# 或者只启 stdio MCP server
rein serve --mcp
# 健康检查
rein doctor
GUI 启动后浏览器打开 http://localhost:8680。
预编译二进制（ macOS arm64 ）：
curl -L -o rein https://github.com/lyr1cs/rein/releases/download/v0.28.8/rein
chmod +x rein
./rein --version
欢迎 Issue / Discussion / PR 。如果你愿意贡献中文场景的召回 corpus （ query + 相关 memory 的成对数据），可以直接进 eval fixture——目前我手头中文测试数据很少。
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。