核心用法
Memphis 是一款面向开发者和知识工作者的本地优先（local-first）AI 记忆系统，通过 CLI 工具链实现个人知识的管理与回溯。核心功能围绕六大命令展开：
- `journal` — 记录日记、决策与摩擦点，支持自动标签检测
- `ask` — 基于完整记忆上下文的智能问答，替代传统搜索
- `recall` — 带过滤条件的关键词检索，支持标签与决策链筛选
- `status` — 系统健康检查，适合每日启动时的快速诊断
- `summarize` — 自动压缩记忆内容，支持模拟运行（dry-run）
- `tui` — 交互式终端界面，便于头脑风暴与回顾
多模型智能调度
系统采用动态模型切换策略：
- MiniMax M2.5：默认对话模型，擅长创意写作与复杂语境理解
- Codex Mini：轻量级代码修补，单文件修改场景最优
- Codex 5.1：深度重构与跨文件分析，处理架构级任务
自动切换机制（auto-switch）确保任务复杂度与模型能力匹配，全程向用户透明汇报。
显著优点
1. 本地优先架构：数据主权完全归属用户，规避云服务隐私风险
2. 工作流原生集成：CLI 设计无缝嵌入开发者日常工具链
3. 智能上下文召回：告别关键词记忆，实现语义级信息关联
4. 决策追踪体系：专用 decision/friction 标签构建可审计的决策日志
5. 成本优化调度：按任务复杂度分派模型，平衡性能与开销
潜在局限
- 学习曲线陡峭：需掌握 Polish/English 混合指令集及标签规范
- 终端依赖：无图形界面可能排斥非技术用户
- 生态封闭性：当前文档显示为单一用户定制化系统，社区扩展性未知
- 模型切换黑箱：自动切换逻辑虽透明但不可完全自定义
适合人群
- 追求数据主权的隐私敏感型开发者
- 需要长期项目上下文追踪的技术负责人
- 习惯终端工作流的效率极客
- 构建个人知识管理（PKM）系统的研究者
常规风险
- 数据持久化风险：本地存储需用户自主备份策略
- 模型依赖性：核心功能绑定特定商业模型 API（MiniMax、OpenAI）
- 指令歧义：混合语言指令集可能导致误操作
- 无版本控制：未提及 git 集成，存在记忆数据丢失风险