AI Memory as Plain Text

What is it（这是什么）

AI Memory as Plain Text 指的是：把 AI 助手/智能体跨会话需要记住的信息，直接存成人类可读的纯文本文件（Markdown、JSONL、TXT），而不是塞进某个厂商的黑盒记忆服务或向量数据库里。核心主张是「记忆即文件」，用户可以用编辑器打开、diff、版本控制、随时迁移。商业意义在于：记忆层一旦变成开放格式，围绕它的产品就从「锁定型 SaaS」变成「工具型 SaaS + 本地优先」，独立开发者可以用极低成本切进这个入口，而不必和平台方争夺数据所有权。

Why now（为什么现在出现）

三个条件在 2026 年同时成熟。第一，Agent 从 demo 进入日常生产使用，跨会话重复犯同一个错误成为最痛的体验问题——开发者社区反复出现「如何让 agent 不重复踩坑」的讨论。第二，闭源记忆服务暴露了锁定风险：用户发现自己的偏好、项目上下文被锁在某家平台里，无法导出、无法审计、无法迁移。第三，Apple 在 apple-ml 方向研究选择性持久记忆，说明连平台巨头都在重新定义「什么值得记」——这反向教育了市场，让「记忆该怎么存」从一个实现细节升级为产品决策。一年前 agent 还没跑到需要长期记忆的规模，一年后格式标准可能已被大厂事实垄断，所以现在是窗口期。

Market Evidence（市场证据）

信号很稀疏但方向一致：3 个独立信源（devcommunity、apple-ml、showhn）各贡献 1 次提及，总提及 3 次，增长率 100%，趋势分 72/100。这个组合说明：讨论刚起步，但每个信源都来自不同生态（开发者社区、平台研究、产品发布），不是同一批人在自说自话。目前阶段为 nascent，机会分、市场分、竞争分、需求分全部为 0/100——这不是「没需求」，而是「还没人系统性地量化这个市场」。判断：这是真实的技术需求信号，但还不是成熟的市场信号。它更像 2023 年初的「本地优先软件」——概念先于产品，谁先做出可用的东西谁定义品类。

Who's Behind It（谁在推动）

推动方分三类。DaiDocs 是明确的格式派玩家，主张纯文本文件格式而非服务，是当前最清晰的「庄家候选」。Apple 的 ML 团队从研究侧切入选择性持久记忆，代表平台方对「记忆该记什么」的定义权争夺。第三类是分散在 devcommunity 和 Show HN 的独立开发者，他们在解决具体问题：agent 跨会话重复犯错。竞争态势尚未形成——没有一家占据主导，DaiDocs 有先发概念优势但没有生态，Apple 有资源但不会做开放格式。真正的空位在于：谁来定义这个纯文本格式的事实标准，并提供围绕它的工具链。

TAM & Market Size（市场规模）

潜在用户是三类人：构建 agent 应用的独立开发者与小型 AI 团队（全球估计 50-100 万人）、使用 AI 编程助手并希望记忆可迁移的重度用户（数百万级）、以及需要审计 AI 决策过程的企业合规团队。付费意愿分层明显：个人开发者愿为工具付 5-15 美元/月，小团队愿为协作记忆层付 20-50 美元/月/席位，企业为审计与合规可付更高但销售周期长。当前机会分与需求分均为 0/100，说明市场尚未被验证，但这也意味着没有既定预算被占领。市场处于增长初期而非稳定期——记忆层会随 agent 普及而成为标配组件，规模向上。

Competitive Landscape（竞争格局）

已有玩家分三层。底层是向量数据库（Pinecone、Chroma、Weaviate），它们解决检索但不解决「可读、可迁移」；中层是平台内置记忆（OpenAI 的 memory、各类 agent 框架的 memory 模块），优势是开箱即用，劣势是锁定且不可审计；上层是 DaiDocs 这类纯文本派，优势是开放，劣势是缺乏生态和工具。竞争分 0/100 说明这个细分还没有正面竞争。差异化机会明确：做「纯文本记忆的读写与同步工具层」，而不是又一个存储后端。大公司会做记忆功能，但不会做开放格式——因为开放格式与它们的锁定利益冲突。时间窗口估计 12-18 个月，之后要么被平台吸收，要么形成小生态。

Business Model（商业模式）

推荐免费增值 + 订阅制，而非一次性买断。原因：记忆是持续写入和同步的行为，天然适合订阅；一次性买断无法覆盖同步、冲突解决、跨设备这些持续成本。定价建议：免费版限制 3 个项目/单设备；Pro 版 9 美元/月（个人开发者，无限项目 + 云同步 + 版本历史）；Team 版 29 美元/月/席位（共享记忆库 + 权限 + 审计日志）。依据是同类开发者工具（如 Obsidian Sync 5-10 美元、Linear 8 美元/席位的心理锚点）。12 个月收入预测：保守 200 付费用户 × 9 美元 ≈ 2.2 万美元 ARR；基准 1500 用户 ≈ 16 万美元 ARR；乐观 5000 用户含 10% 团队版 ≈ 80 万美元 ARR。获客成本估算 15-40 美元（开发者社区 + 内容 SEO），回本周期 2-4 个月。

MVP Blueprint（MVP 蓝图）

核心功能只保留四项：1）一个 CLI/库，把 agent 的记忆读写为标准 Markdown + 前置元数据；2）冲突检测与合并（同一文件多设备写入时）；3）一个极简 Web 查看器，能浏览、搜索、手动编辑记忆文件；4）导出/导入到主流 agent 框架。砍掉：云同步 UI、团队权限、向量检索、任何仪表盘。技术栈：Node.js 或 Python 写核心库（取决于目标 agent 生态），Next.js + SQLite 做查看器，文件存储直接用本地或 S3 兼容对象存储，部署在 Vercel + Cloudflare R2。最快路径：先发一个 GitHub 仓库 + 一篇「如何让 agent 不再重复犯错」的技术博客，用 Show HN 和 devcommunity 引流，把库做成开源、把同步和协作做成付费。预估开发天数按 0 计是因为数据缺失，实际 5-7 天可出可用版本。

Commercial Opportunities（商业化机会）

方向一：纯文本记忆同步服务。目标用户是同时用多个 agent 工具的开发者，痛点是在 A 工具教会的偏好无法带到 B 工具。预期月收入 3000-15000 美元。优于其他方向的原因：同步是刚需且高频，天然订阅制。

方向二：Agent 记忆审计工具。目标用户是需要合规和可解释性的企业 AI 团队，痛点是无法回答「AI 为什么这么做」。预期月收入 5000-30000 美元。优势在于企业付费意愿高、竞争几乎为零。

方向三：记忆格式转换器/适配层。目标用户是 agent 框架开发者，痛点是各家记忆格式不兼容。预期月收入 1000-8000 美元。优势是轻量、可开源引流，但天花板较低，适合作为方向一的获客入口。

Product Ideas（产品创意）

🥇 MemFile — 「让你的 AI 记忆像代码一样可版本控制」。目标用户是重度使用 AI 编程助手的开发者，场景是跨项目、跨工具保留偏好和上下文。时机对的原因是 agent 使用量正在爆发，而记忆锁定问题刚开始被感知。

🥈 Recall.md — 「一个纯文本文件，记住你所有 AI 会话的关键决策」。目标用户是独立开发者和产品经理，场景是把每次与 AI 的重要结论沉淀成可搜索的 Markdown。时机对是因为「AI 重复犯错」已成为社区高频抱怨。

🥉 MemoryLint — 「检查你的 AI 记忆里有没有过时或矛盾的条目」。目标用户是维护长期 agent 的团队，场景是定期清理记忆库、避免陈旧信息污染决策。时机对是因为记忆一旦积累就会腐化，而目前没有工具解决这个问题。

SEO Opportunity（SEO 机会）

搜索量趋势上升但基数极小。有价值的长尾关键词：「AI agent memory plain text」「how to prevent AI repeating mistakes」「AI memory file format」「agent persistent memory markdown」「AI memory export」。SEO 难度 0/100，意味着几乎没有竞争内容。内容策略：做对比页（纯文本 vs 向量数据库 vs 平台记忆）和技术教程页最容易拿排名，因为搜索者处于问题认知阶段，需要的是解释而非产品页。

Risk Assessment（风险评估）

判断可能错的情况：如果平台方（OpenAI、Anthropic、Apple）在 12 个月内把开放记忆格式做成标配，独立工具层的价值会被压缩。三个主要风险：技术风险——纯文本格式在规模上可能性能不足，大记忆库检索慢；市场风险——开发者可能宁愿用平台内置记忆，懒得迁移；执行风险——格式标准需要生态采纳，单个开发者难以推动。最低成本验证方式：写一篇技术博客 + 发一个开源库，看 GitHub star 和 issue 数量，两周内如果没有自然增长就说明需求不足。放弃信号：如果 3 个月内没有超过 100 个真实使用者，或大厂发布官方开放格式，就应转向。

Action Plan（行动建议）

第一步：今天就写一个最小库，把 agent 记忆存成 Markdown，附一篇「我的 agent 为什么总犯同一个错」的实战博客，发到 devcommunity 和 Show HN。低成本验证靠观察评论和 star 数，而非做完整产品。如果信号确认，第二步是加上同步和冲突解决，转为付费。时间线：第一周发布开源库 + 博客，收集前 50 个反馈；第一个月做出可用的同步 MVP，争取 100 个活跃用户；第三个月上线付费版，目标 20 个付费用户验证定价。全程用公开构建（build in public）降低获客成本。

Related Terms（相关趋势）

• Local-first Software — 互补关系，纯文本记忆是本地优先理念在 AI 记忆层的具体落地
• Vector Database — 竞争关系，两者在记忆存储层争夺同一预算，但可组合使用
• Agent Framework — 依赖关系，纯文本记忆的价值取决于 agent 框架是否愿意接入开放格式