ED-CLAWBOX深度测评：树莓派CM5迷你AI主机，开箱即用本地部署，安全高效再进化
ED-CLAWBOX 提供玫瑰金与月光银两种配色，是一款基于树莓派 Compute Module 5 (CM5) 打造的 OpenClaw 迷你 AI 主机。它配备 4GB 内存与 64GB 内置存储，预装 JishuShell 操作系统，专为追求本地高效、数据安全与优雅体验的 AI 用户设计。省去繁琐的部署流程，开箱即可进入功能强大的 AI 世界，充分释放硬件潜能，轻松胜任各类本地推理与计算任务。
下文将详细介绍这台高颜值迷你主机的硬件特性，以及如何快速上手使用。
目录
- OpenClaw 迷你主机介绍
- 启动设备并登录 OpenClaw
- 添加与切换模型
1. OpenClaw 迷你主机介绍
前面板内置两个 8Ω 0.8W 喇叭，用于音频外放。中央设有 ON/OFF 按键，搭配蓝色指示灯，实现设备的开关机操作。
后面板从左至右依次提供：
- 1 个 DC 电源输入 —— USB Type-C 接口，支持 5V 5A 供电。
- 1 个 HDMI 输出 —— 标准 Type-A 接口，兼容 HDMI 2.0，最高支持 4K 60Hz。
- 1 个 Micro HDMI 输出 —— 兼容 HDMI 2.0，最高支持 4K 60Hz。
- 1 个 Micro SD 卡槽，可用于引导系统。
Fable 5越狱风暴：亚马逊举报触发美国出口管制，Anthropic模型全球停用
事件速览
亚马逊研究团队向美国商务部提交了一项越狱技术，能够诱导Anthropic最新发布的Fable 5模型扫描代码库中的安全漏洞。商务部长Howard Lutnick随即签发出口管制令，要求Anthropic切断所有外籍人员对Fable 5及Mythos 5的访问——包括该公司内部的外籍员工。Anthropic在6月12日傍晚接到指令后，在全球范围内直接禁用了这两个模型。公司公开表态不认同政府的判断，但依法执行。
事发时间线
6月9日，Anthropic正式推出了两款新模型：面向公众开放的Fable 5，具备软件工程、知识工作、文档分析等能力；以及Mythos 5，它是同一基础模型的无限制版本，仅限通过审查的Project Glasswing合作伙伴使用。然而，发布不到三天，局势急剧逆转。
6月12日下午5点21分，Anthropic首席执行官Dario Amodei收到了商务部长Howard Lutnick的正式信函。该指令援引国家安全权力，要求立即暂停所有外籍国民对Fable 5和Mythos 5的访问，无论这些人员身处美国境内还是境外，包括Anthropic自己的外籍员工。由于无法在规模上实时核实每个用户的国籍，唯一合规的做法就是全面禁用。随后，两个模型在全球范围下线，API调用全部返回错误，现有会话被终止，Claude Code和Claude.ai默认回退至Opus 4.8。
Anthropic在官方声明中明确表示不认同这一决定，认为仅仅一个狭隘的越狱演示，不应成为撤回商业模型的充分理由。但如果这一标准在整个行业推行，前沿模型的发布将基本陷入停滞。
两次越狱的技术本质差异
围绕Fable 5的越狱事件，实际上包含了两次完全不同的技术演示，经常被外界混淆。
直接触发政府行动的是亚马逊研究人员的演示。 根据Anthropic的描述，其技术本质在于：让Fable 5读取一个特定的代码库，并修复其中的软件缺陷。这一过程导致模型输出了少量此前已知的低危漏洞细节。Anthropic强调，这些漏洞相当简单，其他公开模型（包括OpenAI的GPT-5.5）即使不经越狱也能发现，而且这项能力实际上更有利于防御方而非攻击方。政府仅提供了口头证据，并未披露完整的书面技术细节。Anthropic认为这不构成通用越狱——它无法大规模绕过所有安全防护。
Pliny the Liberator的越狱则发生在发布后几小时内，是一个独立事件。 这位知名AI红队研究者声称使用了一种名为“pack hunt”的多代理策略，突破了Fable 5的安全层。具体手法包括：将任务拆解为大量无害的小片段并逐步重组、利用Unicode同形异义字绕过文本过滤、用叙事和虚构框架包装恶意请求，并配合已遭越狱的Claude Opus 4.8辅助后端。他宣称获取了Fable 5约12万字符的系统提示，其中包含安全分类器、回退逻辑等内部指令。但Anthropic回应称，其演示并未真正绕过Constitutional Classifiers安全分类器，是一项在预期范围内的非通用尝试。
Fable 5的安全架构
Fable 5的安全架构与此前的模型不同。它在模型之上部署了独立的AI分类器，专门用于检测越狱尝试、网络安全、生物化学、模型蒸馏等高风险查询。一旦触发，请求会被静默转交给能力较弱的Claude Opus 4.8处理，而非直接拒绝。Anthropic称，超过95%的Fable 5会话并不会触发这一回退机制。
在发布之前，Anthropic进行了超过1000小时的外部漏洞赏金测试，并未发现通用越狱。公司在声明中承认，完美防护不可能实现，但坚持认为Fable 5的安全水平足以支撑面向数亿用户的商业部署。
更深层的政策信号
这起事件有几个值得注意的层面。第一，出口管制的对象从实体货物扩展到了API服务——过去管制的是芯片、设备和模型权重，现在一个在线接口就可以被认定为国家安全资产。第二，管制的覆盖范围延伸到了企业内部——外籍员工能否访问自己公司的模型，不再由企业自行决定。第三，政府以口头证据作为判断依据，并未提供书面技术细节，这在科技监管领域并非常见做法。
截至发稿时，Anthropic正在与有关部门沟通以恢复访问。两个模型处于全球离线状态，具体恢复时间不明。
Kimi 2.6实测超级玛丽：配额猛烧63%，生成游戏不会跳，惨成挨打现场
让 AI 用一句话写出《超级玛丽》，这个测试继续进行！
在测完国内最强的 GLM‑5.1 之后，我们把目光转向号称国内第二的 Kimi 2.6。
Kimi 这次的表现，可以说是“非常精彩”，精彩到我一时都不知道该从哪里开始吐槽。
直接上图，大家先感受一下：
各位什么感想？这真的是超级玛丽？玛丽在哪儿？管道呢？蘑菇呢？
感觉已经不必多评，这种结果……根本没法打分了。
我偏不信邪，也许只是我运气太好，直接抽到了废卡。
于是又专门用 Kimi Code 重新跑了一遍。
这次倒是好了一点，但依然“抽象”得让人哭笑不得。
视频里展示的生成立绘是这样的：
看上去是能玩了，但完全玩不久。游戏里压根没有跳跃功能，唯一能让玛丽跳起来的方式，就是——死掉。
视频就摆在这儿，我也不想再多说，总之这肯定不是我们记忆中的超级玛丽。
第二个例子更刺激，是直接用它们官方智能体工具跑的。
这样应该最能反映出真实水准了吧。
跑的时候拖了很久很久，久到我以为这次稳了。
来看看它吐出来的这些东西，确实显得相当专业。
过程中还修复了好几个潜在 Bug，最后给出的报告也异常详实，生成的文件数量是所有尝试里最多的。
项目结构长这样：
index.html # 游戏入口
css/game.css # 样式
js/
input.js # 键盘输入
audio.js # Web Audio 音效
level.js # 第一关完整地图
mario.js # 马里奥物理/状态机/碰撞
enemy.js # 敌人 AI（Goomba / Koopa）
item.js # 道具与火球
renderer.js # Canvas渲染与相机
game.js # 主循环与游戏逻辑
已经实现的核心玩法列得也很诱人：
• World 1‑1 完整关卡：地面、砖块、问号块、管道、楼梯、6个坑洞、终点旗杆与城堡
• 马里奥状态机：小/大/火焰花三种形态，支持可变高度跳跃、奔跑加速、发射火球
• 敌人AI：Goomba 直线巡逻+智能转身不掉坑；Koopa 可踩成龟壳，踢飞后能撞死其他敌人/碎砖
• 道具系统：蘑菇变大、火焰花、顶问号块出金币/道具、100币奖命
• 碰撞检测：精确的AABB瓦片碰撞，支持从下方顶砖块（大马里奥可破砖）
• 通关流程：碰到旗杆→滑下→走进城堡→胜利画面
• UI 与音效：分数/金币/时间显示、跳跃/金币/顶砖/踩敌/死亡/通关音效
操作方式：
Kimi K2.7 Code深测：专注编程场景，长上下文指令遵循与成本控制双突破
Fable 5发布后，其音乐流体模拟器效果令人印象深刻，不少人第一时间用它跑出了惊艳案例。
当Kimi推出最新的K2.7 Code编程模型时，我决定用同样的流体模拟case来检验它的表现，结果超出了预期。
同时顺手跑了英伟达财务模型，完成度同样很高。
这里无意将K2.7与Fable 5直接对比，毕竟二者定位完全不同。但K2.7在Coding能力上展示出的硬实力，确实值得单独聊一聊。
官方描述：
Kimi K2.7 Code相对K2.6，在长上下文编程场景中的指令遵循能力大幅提升，长程任务表现更稳定，同时改善了长任务中“过度思考”的问题，平均token消耗减少了30%。
这是其基准表现：
简单来说，在Coding能力上它略逊于Opus 4.8和GPT 5.5（xhigh），但Agentic场景下可以打成平手。与自家的K2.6对比，提升显著，特别是编程方面。
模型依旧开源，关键参数如下：
| 项目 | 参数详情 |
|---|---|
| 上下文窗口 | 256K |
| 价格 | ¥6.5 / ¥27 百万Token（输入/输出） |
| 多模态 | 支持，图片+视频 |
| Thinking | 强制开启，不开则变为K2.6 |
| 模型ID | kimi-k2.7-code |
| 高速版 | 6倍速度，2倍价格 |
一手实测
模型发布后，我立即接入进行了一系列测试，下面展示关键结果。
1. 制作音乐流体模拟器
这次不采用vibe coding方式。先让K2.7观看Fable-5的demo视频。
得益于K2.7的多模态能力，它能直接理解png、jpeg、webp、gif等图片格式，以及mp4、mov、webm、avi等视频格式，因此这段演示它看得一清二楚。随后它输出了一份技术方案。
根据该方案，设计了一个基于物理的流体/烟雾运动的“音乐流体模拟器”HTML，重点实现丝绸般尾迹随音乐节奏舞动的效果。
最终产物如下：
Kimi K2.7 Code深度测评：思考token锐减30%，编程性能再攀高峰，模型何以少想多做？
6月12日，月之暗面正式发布了Kimi K2.7 Code。距离上一次K2.6的亮相不过三个月，这款新模型便交出了一份颇具冲击力的成绩单：思考过程中消耗的token数量削减了将近三成，而代码生成基准测试的分数却逆势上扬超过20%。在物理模拟这类需要真正吃透运动规律的任务里，它的表现相比上一代有了肉眼可辨的提升。
AI编程模型的竞争重心正在经历一场悄然转移。过去，行业热衷于较量谁能生成更长的代码片段；如今，新的标杆在于谁能在真实工程环境中，把一整套开发流程从需求到交付可靠地跑通。月之暗面在这个转折节点推出的K2.7 Code，恰好精准踩在了节奏之上。
模型架构不变，训练策略革新
K2.7 Code完整承继了K2.5与K2.6的混合专家（MoE）架构：1万亿参数总量、320亿激活参数、384个专家模块、256K上下文窗口。模型底层骨架分毫不差，这意味着此前已经在生产环境中部署K2.6的团队可以实现无痛切换，无需对基础设施做任何适配调整。
真正的改进源自训练策略的打磨。月之暗面表示，K2.7 Code着力解决了“过度思考”这一痛点。上一代K2.6曾在简单任务上也不加节制地消耗大量token，进行自我质疑与循环推理。新模型通过优化训练，在保持推理深度不变的前提下，将思考环节的token花销压缩了约30%。对于运行智能体工作流的团队而言，这直接转化为每次任务调用的推理成本下降。
基准测试数据全面提升
月之暗面公布了官方基准测试的六项指标。在自建的Kimi Code Bench v2上，K2.7 Code的得分从50.9拉升至62.0，涨幅达21.8%。Program Bench则由48.3涨至53.6，MLS Bench Lite更是从26.7跃升到35.1。在与MCP协议相关的Agent能力测验中，MCP Mark Verified的分数从72.8提高到81.1，甚至超越了Claude Opus 4.8的76.4。
Kimi K2.7 Code官方基准数据（月之暗面自测）：
- Kimi Code Bench v2：62.0（K2.6为50.9，+21.8%）
- Program Bench：53.6（K2.6为48.3，+11.0%）
- MLS Bench Lite：35.1（K2.6为26.7，+31.5%）
- Kimi Claw 24/7：46.9（K2.6为42.9，+9.3%）
- MCP Atlas：76.0（K2.6为69.4，+9.5%）
- MCP Mark Verified：81.1（K2.6为72.8，+11.4%，超过Opus 4.8的76.4）
若将视角拉到国际竞争格局中审视，K2.7 Code在编程专项基准上仍落后于GPT-5.5与Claude Opus 4.8。GPT-5.5在Kimi Code Bench v2上握有69.0分，在Program Bench上则为69.1。差距固然存在，但若把价格维度纳入考量——K2.7 Code的输入定价为$0.95/百万token，输出$4.00/百万token，分别仅为GPT-5.5的1/5和1/7——这份性价比优势已足够引发团队的认真权衡。
物理模拟挑战：编程模型的深层能力试金石
在通行的编程基准测试之外，GMI Cloud开展了一组颇具启发性的对比实验。他们让K2.7 Code与K2.6、GPT-5.5、Claude Opus 4.8分别生成物理模拟代码，测试场景囊括三个经典课题：洛伦兹吸引子（混沌系统）、太阳系轨道（天体力学）、水波与飞溅（流体力学）。
这类测试触碰到了代码模型的深层肌理：你必须透彻理解物理定律的内核，再用代码将其精确复现。仅仅调用现成接口或拼凑框架远远不够。K2.7 Code在这场测试中表现出显著领先，生成的水波渲染最为真实，波纹舒展自然，飞溅效果栩栩如生。而K2.6的轨道模拟与波形表现仍残留着明显的失真痕迹。
Kimi K2.7深度体验：能力小幅进步，配额崩塌让我毅然退订
先上结论：确实有进步，但谈不上革命性突破。
这轮测试 K2.7，最大的感受不是它的代码能力飙升了多少，而是配额根本撑不起哪怕几轮简单的验证。
**只是随手做了几个页面级测试，就一口气耗光了一整周的额度。**注意是一整周，不是 5 小时，更不是一天。
这几天映入眼帘的不是令人惊艳的生成结果，而是满屏刺眼的 429！紧接着 402 也来凑热闹，最后连 403 都闪了出来。 就差一个 404 就把 HTTP 错误码凑齐~~！
这还怎么玩？!
抱怨先打住，我们来冷静地看一些实际的情况。
虽然过程中绝大部分时间都在苦等配额恢复，但在有限的窗口里还是拼出了几套完整的测试。
各家模型扎堆更新，脑子都快被跑测试跑麻了。
关掉一批，又新开一批，快分不清谁是谁了。
还是先从大家都很熟悉的“超级玛丽”切入。这个场景足够经典，任何人都能一眼判断品质，并且我在 Fable 下线前也做过同样的对比测试，刚好拿来对账。
直接上对比。
（此处视频播放器相关内容已略去）
这些都是模型手搓 JS 完成的，没有从网上直接复制，也没有调用现成库。
好坏一眼就能辨别。无论是地图设计、角色表现，还是背景音乐，都不在一个层级。
唯一让人欣慰的是，这次 K2.7 至少能让角色一路跑到关底，而不会像之前那样在第一屏就卡死。
接下来详细拆解过程，并展示更多测试用例。
一、模型入口与使用方式
Kimi 本次更新的模型代号是 K2.7 Code，目前还未全量开放，仅向 Code 套餐用户推送。
官网地址：
打开后就会弹出新模型提示。
值得留意的是，Kimi 自己有一套 Code 工具，前不久刚刚完成重构并开源。最早是 Python 写的，后来切换到了更主流的 TypeScript 路线。配合自家 CLI，体验会更完整。
安装方式如下：
Kimi Code 支持多平台安装。在 Windows 下注意要用 irm 命令，打开 PowerShell 执行。
MiMo Code 深度评测：免费国产 AI 编程助手挑战“超级玛丽”全记录
刚刚还在测试“卧龙”版超级玛丽，心情颇为烦闷。
突然收到了 MiMo 的短信，说是它们正式发布了 MiMo Code！真是太巧了，必须第一时间上手体验一番。
官方体验地址：
主页的视觉设计和交互细节处理得相当出色。移动鼠标时，背后会浮现出一幅飞天壁画，动态效果很细腻。
整体配色跳出了常见的极客冷色调，采用了偏暖的色系，也正是我个人很偏爱的风格。下面则是核心卖点展示区域。
大致罗列了这样几个亮点：
第一个是“开箱即用的顶尖模型”，文案写得相对克制，强调可以免费体验到性能对标 Sonnet 4.6 的多模态模型；第二个是模型与 Agent 协同，宣称能一次性完成复杂编码任务；第三个是无限上下文支持；第四个是自进化系统；第五个是 Compose 模式，号称一个人就能拥有专业开发团队，从想法直达产品级交付。
这些描述……逐渐变得魔幻起来！哈哈，还是先按住吐槽的冲动，直接安装体验吧，有新玩具总是让人开心的。
安装步骤很简单，只需要在终端执行：
curl -fsSL https://mimo.xiaomi.com/install | bash
复制命令，打开终端，粘贴后回车即可。
需要注意的是，这个安装命令主要面向 Linux 和 macOS，Windows 用户建议使用 WSL2。我刚好懒得切到 macOS，趁这个机会也给大家展示一下在 WSL2 中的操作流程。
打开 WSL2，粘贴上面的命令完成安装，然后重启终端，就能直接用 mimo 命令了。接着进入项目目录：
cd /mnt/e/Jarvis_github/topai_test/SuperMario/mimo-2.5-pro
输入 mimo 启动：
不得不说，这个 UI 设计确实很有质感，背景还有星空和流星在流动！不过这个界面……怎么看着有点眼熟，没猜错的话应该是在 OpenCode 的基础上做了魔改。
然后重点来了——目前处于限免阶段，连账号都不需要注册，直接就能上手开干，对新手非常友好。
我先抛给它一个简单的需求：“设计一个落地页介绍一下你自己？”
随即触发了第一次授权申请：
这个需求本身很简单，主要是验证基本能力是否正常运作。
很快任务就完成了，打开生成的页面，大致是下面这个样子：
和 MiMo 官网一比确实差距明显，而且内容明显是编造的。目测他们自己的官网并不是用 MiMo Code 开发的，哈哈！
接着我进一步提出了更高的要求：
从对话记录可以看到，它先调用了搜索功能，接着尝试读写记忆文件（这一步失败了），然后抓取了 Anthropic 的页面。最后它直接删除了原来的 index.html，重新生成了一个新版本。
NAS搭建SillyTavern灵魂酒馆全攻略：AI角色扮演前端部署与配置详解
很多人使用AI时，只是打开网页、输入问题、获取答案，然后结束对话。但如果你想让AI变成一个具有固定身份的角色——比如写作搭档、翻译助手、小说人物、游戏NPC，甚至是能长期陪伴聊天的虚拟角色——普通的聊天窗口就有些力不从心了。
SillyTavern（酒馆）正是为这类需求而生的。它本质上是一个AI角色聊天的前端界面，把它部署到NAS上，配置好API，再导入“角色卡”，你就可以在浏览器里与各种角色畅快对话。角色卡通常是一张图片，也可以是JSON文件；导入后，SillyTavern会解析里面的角色设定，让AI严格遵循角色的性格、背景和说话风格来回复你。
关于角色卡，大家可以尽情放飞想象力。如果一时没有头绪，可以参考后文介绍，或者向有经验的群友请教——他们玩得久，积累了一肚子玩法。
项目概览
GitHub上的完整项目名称是 SillyTavern/SillyTavern。由于该项目自由度极高、可配置项异常丰富，强烈建议部署完成后仔细阅读官方Wiki。
SillyTavern（以下简称酒馆）是一个本地安装的用户界面，可以用来与文本生成型大语言模型（LLM）、图像生成引擎以及TTS语音模型进行交互。它整合了众多LLM API（如KoboldAI/CPP、Horde、NovelAI、Ooba、Tabby、OAI、OpenRouter、Claude、Mistral等），提供了统一的操作体验，并具备移动端友好布局、视觉小说模式、Automatic1111 & ComfyUI API图像生成集成、TTS、世界书（lorebooks）、可自定义UI、自动翻译、种类惊人的Prompt选项，以及通过第三方扩展带来的无限扩展潜力。
酒馆的硬件门槛非常低：任何能够运行NodeJS 20或更高版本的设备均可承载。
部署步骤
我们以威联通NAS为例，通过Docker Compose进行部署。
部署配置如下：
services:
sillytavern:
image: ghcr.io/sillytavern/sillytavern:latest
container_name: sillytavern
hostname: sillytavern
environment:
- NODE_ENV=production
- FORCE_COLOR=1
- SILLYTAVERN_HEARTBEATINTERVAL=30
# 如遇到权限问题，再按 NAS 用户 UID/GID 启用下面两行
# - PUID=1000
# - PGID=1000
ports:
- "8118:8000"
volumes:
- /share/Container/sillytavern/config:/home/node/app/config
- /share/Container/sillytavern/data:/home/node/app/data
- /share/Container/sillytavern/plugins:/home/node/app/plugins
- /share/Container/sillytavern/extensions:/home/node/app/public/scripts/extensions/third-party
healthcheck:
test: ["CMD", "node", "src/healthcheck.js"]
interval: 30s
timeout: 10s
start_period: 20s
retries: 3
restart: unless-stopped
打开威联通的Container Station，创建一个新的应用程序。
OpenHuman：能记上下文的开源桌面AI代理，连接118+服务自动生成记忆树
当你把 Gmail、GitHub、Slack、Notion 等超过 118 个常用服务通过 OAuth 授权给 OpenHuman 之后，它会每 20 分钟自动同步一次数据，将全部信息压缩成层级分明的“记忆树”，并同时存放在本机 SQLite 数据库和一个 Obsidian 知识库目录下。你不需要绞尽脑汁去写提示词，这个代理已经在默默阅读你的上下文了。
31.9k
GitHub Stars
118+
集成服务
20min
自动同步周期
这个项目究竟在做什么
OpenHuman 是一个开源的桌面 AI 代理，由开发者 Steven Enamakel（@senamakel）发布后，仅用两天就冲上了 GitHub Trending 榜首。它既不是普通的网页对话窗口，也不是又一个编程助手，而是一个常驻桌面的 AI 伙伴，拥有可视化的表情、语音交互和持久的记忆能力。
它的核心运作方式非常直接：将你在工作中使用的各类 SaaS 账号（邮箱、日历、代码仓库、文档系统、即时通讯等）通过 OAuth 连接到 OpenHuman，之后它便会在后台每 20 分钟自动拉取新产生的数据，并将这些信息加工为 Memory Tree（记忆树） 存入本地的 SQLite 数据库。与此同时，它还会生成一套 Obsidian 可以直接打开和编辑的 .md 格式知识库。当你向它提问时，它会基于已经掌握的上下文即时作答，你再也不必反复上传文件或粘贴历史聊天记录。
该项目基于 Rust + Tauri 构建，前端使用了 TypeScript 和 React 19，代码中 Rust 占了约 65%。安装后得到的是一款原生桌面应用，支持 macOS、Windows 和 Linux 三大平台，并采用 GPL-3.0 开源许可。
PMBrain：构建多AI记忆共享体系，打造你的外置大脑
越来越多的人早已习惯同时使用多款AI工具，而不再局限于一两个应用。
即使你专门用某款编程工具（比如 Codex），日常仍然会依赖问答型助手，像 ChatGPT 或豆包，去处理信息检索、思路探寻等任务。
用得久了，很多人都会生出同一个烦恼：不同 AI 之间的记忆是完全割裂的，只能靠你一个人在中间手动传递上下文。
真实痛点：跨AI工具的记忆壁垒
设想一个典型场景：你围绕一个产品跟豆包聊了很久，对方的回应终于贴近你的需求。可当你把生成的结果复制到 Codex 里准备开发时，发现仍有大量细节被丢失。
这种情况在做大型项目时尤其突出。如果你只是 Plus 会员，大概率不会把 Codex 同时当成问答工具用，那样实在浪费资源。结果就变成你靠复制粘贴，用自己大脑一点一点搬运着从豆包那里打磨好的提示词。一天下来，整个人昏昏沉沉。
还有一种同样令人抓狂的情形：你一直在一个 Claude Code 对话窗口里推进项目，每次想开新窗口，都得重新交代背景、同步当前进度，这种心理负担让你索性赖在旧窗口里。直到对话被压缩到极限，再也跑不动了，你看着那个无法再使用的对话记录，心里满是失落。
这些场景我都亲身经历过。每当陷入这种困境，我就在想，有没有办法把我和 AI 互动过程中产生的知识沉淀下来，变成可以随时调用的资产，下次开工时直接复用？
于是，我开始使用 PMBrain 来做这件事。
Github 地址：https://github.com/zhengyunhui123-dev/PMBrain
PMBrain 拥有一项关键能力：它可以读取你的对话内容，并将其中有价值的部分提炼、存储到知识库中。
部署完成后，你就能直接将那些散落在不同 AI 工具里的对话信息抓取过来，导入自己的知识库。
安装步骤这里不再重复，Github 上已经提供详细指南，此前分享过的文章也有介绍：分享一款我搭建的知识库系统，更符合国人的使用习惯
如何轻松将记忆导入知识库
操作方法非常直接。
如果你是在 Claude Code、Codex、Cursor、CodeBuddy 等工具中完成了交互，感觉上下文已经膨胀到不能再压了，就在这个对话末尾输入：
把这个上下文全部内容都capture到PMBrain里面，不要遗漏
针对豆包、元宝、千问这类问答型 AI，则只需复制对应的对话链接，贴到你的编程 AI 工具（Claude Code、Codex、Cursor、CodeBuddy）里，然后说：
把这个链接的内容导入到PMBrain里面
就这样，记忆沉淀就完成了。
怎样将沉淀后的知识用起来
用法同样不复杂，在 AI 工具里给出这样的 prompt：
在PMBrain里面搜索一下“xx项目”的内容，计划一下下一步工作
这里的指令“计划一下下一步工作”完全可以按实际情况替换成你需要的具体行动，比如“梳理当前遗留问题”或“生成结构化的需求文档”。AI 会先搜索知识库，理解前期的背景和工作进展后，再为你规划后续步骤。
如果每次都手动输入觉得麻烦，还可以把这则指令写进项目的总体规则（如 AGENT.md 或 CLAUDE.md），一句话就够：
每次开展工作，先根据提示词搜索PMBrain，结合搜索结果开展工作。
PMBrain 在协作中的角色：你的外置大脑
它扮演的正是人脑中“记忆”那一部分角色。
在和 AI 互动的过程里，我们不断向它发出指令，吸收它输出的知识，完善自己的想法，推动工作前进。这中间，人脑既要思考，还要记住大量信息。
浅层的思考其实不难，毕竟深度推理已经被 AI 分担了。但 AI 输出的信息量极大，靠人脑全部记住真的很累，掉头发那种。现在，让 PMBrain 代替你记住这一切。