[开源] Magi：一个本地桌面 Agent，把你的碎片活动沉淀为白盒记忆

大家好，开源一个自己折腾的桌面端 AI Agent 项目：Magi。

GitHub Repo：Github。

为什么要做 Magi ？

开发这个项目的念头，起因于去年尝试做的一款日记应用。当时期望通过对日记进行行为与情感分析，让 AI 刻画出用户画像，从而提供更有温度的交互。推进过程中遇到了明显的瓶颈：大部分用户根本不会主动表达日常操作习惯。日记能留存生活中的“大事”，对“稀松平常的小事”无能为力。

今天又加班到了凌晨 1 点，其实完全没我啥事，就硬等前端把接口调完。不过靠我精湛的摸鱼技巧，在公司爽看了 3 集 MyGO ，还听了好久周杰伦的新专。

这段平凡的经历，几个月后你或许还记得当晚的加班。至于期间看了什么剧、听了什么歌、当时的情绪状态，往往会彻底遗忘。

Magi 的核心目标正是解决这一痛点。它作为一个桌面 Agent ，通过接入浏览器记录、媒体播放、照片库、日历、Git 提交等外部传感器数据，将这些被动产生的操作痕迹，汇聚成用户个人的长期记忆时间线。

很多系统所谓的长期记忆，最后都变成了“把记录切块丢进向量库”。在桌面端高频传感器场景下，这种做法会带来灾难性的后果。

以一个中度使用的开发者为例，每天的 API 对话、终端操作、网页浏览记录、媒体访问记录可达 3000 条。如果全量存入并做索引：

要支撑海量被动数据的摄入并保持检索的可用性，Magi 在本地构建了一个五层（ L0-L4 ）生命周期的记忆架构。

目前这套记忆检索链路在 LongMemEval 评测集上跑到了 87.2% 的准确率。关于整个记忆的构建思路，我也写了一篇文字这博客里。

在这个记忆底座之上，为了让 Magi 真正像一个“伴侣”运作，交互层创新性实现了两个机制：

1. 告别机械对答的自然节奏回复 传统大模型的回复是严格的 1 对 1 同步模式。Magi 增加了一个后置的切片链路，会将长段的回复拆解，模拟真人的输入停顿，按多段、有延迟的异步方式发送给用户，大幅降低“机器感”。

2. 动态人格跃迁及深层人格 Agent 的人格设定支持深度自定义，并与记忆系统的 L2 状态层打通。当底层观察到用户处于高压或焦虑状态时，即使是偏向“搞笑”的人设，也会自动平滑跃迁至温和安抚状态。随着互动时间的拉长和特定里程碑的触发，还会解锁深层的人格维度。

在产品形态上，Magi 提供了一个开箱即用的桌面客户端。所有应用数据和记忆数据库默认保存在本地。除了正常的 LLM API 调用，系统没有任何外部数据上报逻辑。

项目目前处于 Beta 阶段，核心的记忆分层链路和基础传感器均已完整跑通，提供开箱即用的 macOS 安装包。由于系统的复杂性，实际运行中可能会遇到一些预料之外的 Bug 。如果你在体验中发现任何问题，欢迎随时在 GitHub 提交 Issue ，我会第一时间跟进修复。

对 Agent 底层逻辑或记忆架构感兴趣的 V 友，欢迎下载体验并查阅源码。期待各位的 Issue 和 PR 。