核心功能
MindGardener 是一款面向自主智能体的本地优先长期记忆系统，彻底解决了AI助手"金鱼记忆"的痛点。它通过解析日常对话日志，自动提取实体并构建可浏览的维基式知识图谱，同时引入认知科学中的预测误差（surprise scoring）机制——只有打破预期的事件才会被晋升至长期记忆，有效压缩噪声、保留信号。
显著优点
- 零基础设施依赖：纯Python实现，无需数据库、Docker或服务器，仅需Markdown文件
- 双重隐私保障：支持完全离线运行（Ollama），或经Gemini免费额度低成本云端处理；所有数据本地存储，无可疑网络请求
- 智能上下文组装：
garden context命令能根据token预算精准裁剪，避免上下文窗口溢出 - 身份认知层创新：独特的
beliefs模块持续追踪智能体对用户的理解，主动检测认知漂移并更新 - Obsidian原生友好：
[[wikilinks]]格式与主流知识库工具无缝衔接
潜在局限
- LLM成本敏感：每日提取/整合/惊喜度计算需3-5次API调用，虽Gemini免费额度可覆盖，但高频场景仍需预算规划
- 冷启动门槛：需积累数日日志才能体现知识图谱价值，初期"记忆空洞"体验明显
- 实体歧义处理：依赖用户手动
garden merge解决重复实体，自动化去重能力有限 - 无多智能体协同：当前架构为单用户设计，多principal场景需隔离workspace
适合人群
- 构建个人AI助手的开发者/高级用户
- 重视数据主权、拒绝SaaS记忆方案的隐私敏感者
- 使用Claude Code、Cursor等工具链的"AI原生"工作者
- Obsidian/Logseq重度用户，希望打通人-机双知识库
常规风险
- API密钥泄露：
GEMINI_API_KEY等环境变量需妥善保管 - 手动编辑破坏图谱：直接修改Markdown可能破坏
graph.jsonl一致性，需运行garden reindex修复 - 模型幻觉污染：实体提取环节的LLM幻觉可能以"事实"形态写入长期记忆，建议定期
garden evaluate校验 - token预算误配：
--budget设置过低可能导致关键上下文遗漏，建议保留20%缓冲