Hugging Face开源funes：给编码Agent一份你自有的持久记忆

编码Agent每次开工都像第一次见到你的项目：上周二的推理过程，随着会话结束就消失了；换一台机器、换一个Agent，一切又从零开始。Hugging Face工程师David Corvoysier在9月3日发布的开源工具funes，正是冲着这个问题来的。它被定位为面向Claude Code、Codex、pi和Hermes等编码Agent的持久记忆层，素材就来自你机器上已经存在的会话记录。

funes是一个单一二进制文件，默认推理后端没有ML运行时依赖，嵌入与重排序都在本机完成。安装后执行“funes add claude”这样一条命令，就会建立首个索引、给Agent配上recall和get工具，并安装自动化机制为每一轮完成的会话建索引；索引是增量的，新会话只追加新轮次，较旧、较深的内容则以有界步数回填。

funes最特别的地方在于记忆的取用方式：加入后，回忆发生在对话内部，Agent会在需要时自行取用记忆，并注明答案背后的会话来源。recall返回的是原始文本而不是摘要，并精确显示它来自哪个Agent、什么时间戳、哪段会话、哪一轮。每条结果还附带get命令，可打开完整轮次及其上下文。底层是一条确定性的处理管线：把各类轨迹解析成统一的轮次与块结构，切块后用固定的本地模型嵌入，写入本地的Lance数据集；查询时结合向量检索与BM25、融合排序、用交叉编码器重排、按时间衰减加权，并拼接相邻块。

这套设计带来三个关键特性：一是跨Agent的同一份记忆，Claude Code、Codex、pi和Hermes写入相同结构，recall可跨越它们的历史，每次命中都会标明出自哪个Agent；二是原始证据保持完整，写入时不做任何事实蒸馏，结果总能回溯到产生它的那一轮；三是默认本地化，不需要账号或Hub仓库，也没有托管模型来处理你的会话，嵌入和重排都在本机完成，推理仍由你的编码Agent负责。

funes的核心理念是“记忆是数据集，而不是服务”。执行“funes add codex acme/funes-memory”即可绑定共享记忆：当前记忆会被发布并持续更新，在另一台机器上执行同样命令，记忆就跟到那里。底层来看，本地记忆是Lance数据集，共享记忆则是归你所有的Hugging Face数据集（默认私有）。索引阶段就会做凭据脱敏，发布前还会再次扫描、扣留任何仍像密钥的内容，相关机制记录在SECURITY.md中；远程记忆的缓存也让热查询保持本地速度，用户不需要在独立的记忆服务里另开账号、按API付费租用。

配套的funes ask是只读的一次性问题工具：它检索相关段落、交给编码Agent后返回一个注明来源的答案，不安装集成、不改变Agent的持久配置；检索落空时也不会粉饰，Agent会直接说明。由于共享记忆不绑定创建它的Agent或模型，你可以在Claude Code里开始任务，下周用Codex继续，后者的Agent依然能回忆起前者的推理。官方还勾勒了三类适用场景：跨机器、跨团队（新成员的Agent第一天就能检索到数月来的决策与走过的弯路），以及开源项目维护者把发布背后的会话公开成可检索的“CLAUDE.md”。

在博客附带的handoff-vs-recall基准上，funes与默认的压缩续跑、手写交接两种长会话出路做了对比：压缩在两项任务中只抵达了一项，其摘要磨平了关键发现；而recall返回的是段落原文，发现不必经受摘要的损失，且在两项任务中都是成本最低的方案，分别比书面交接便宜8倍和4倍。

工具名取自博尔赫斯笔下“拥有惊人记忆力的Funes”，寓意“思考即遗忘”的反面——把Agent已经写下的记录变成下一任Agent可读的记忆。funes开源在github.com/huggingface/funes，底层依赖Lance的追加式数据集、可本地运行的开放嵌入模型和Hub的数据集缓存与去重，也意味着Hugging Face正在把平台从开放权重与数据集延伸到“开放的工作记忆”。值得关注的是它能否被更多Agent生态采纳、支持列表如何扩展，以及“记忆即数据集”的范式会否重塑编码Agent的长期工作流。