曾几何时，每次开启新的 AI 会话，我都需重复解释个人背景、工作内容及重要文档，甚至反复上传相同的 PDF 文件。如今，这一痛点已通过一套自动化的信息获取机制得以解决。

本文将分享我如何将笔记从 Google Drive 迁移至一个纯文本文件夹，构建所谓的“记忆扩展”（Memex），使任意 AI 均可读取和更新内容，并维持其有序性。该方案旨在打破单一应用的结构限制，实现跨平台、跨模型的无缝上下文同步。

为何弃用 Google Drive？

核心问题在于 AI 对云端文档的处理困境。当授权 Claude 访问并编辑 Google Docs 时，它往往创建副本而非修改原文件，且其他 AI 难以读取或有效搜索 Drive 内容，导致频繁的手动导出与上传操作。

理想的解决方案应是一个任何 AI 均可直接读取、搜索和更改的通用存储层，无需文件复制，亦不受特定笔记应用的功能束缚。

Memex 架构解析

“Memex”一词源自万尼瓦尔·布什 1945 年的构想，意指一种快速查阅个人记录的设备。我的 Memex 本质上是一个托管于本地及 GitHub 私有仓库的 Git 仓库，由 Markdown 纯文本文件组成。Git 的版本控制特性确保了所有变更的可追溯性与可撤销性。

文件结构如下：

  • knowledge/：核心笔记，涵盖职业历史、项目资料、家庭事务（如学校日程、食谱）及每日日志。
  • context/：AI 行为准则，如“优先提问而非猜测”、“禁止直接提交至主分支”。
  • bots/：各自动化机器人的配置文件。
  • scripts/ 与 skills/：用于维护系统完整性的小程序及其测试用例。

该仓库于 2026 年 3 月 1 日通过模板初始化，实质性工作始于 2026 年 10 月 13 日。截至 10 月 31 日，库内已包含 131 条笔记，总计约 15.7 万个单词。

数据迁移与清洗

10 月 13 日，我将 Google Drive 下载至本地，并指令 Claude 读取其中约 780 个文件（含 PDF、Word、幻灯片、表格及纯文本）。针对 Google Docs 同步时为指针文件的问题，我将其重新下载为 Word 和 Excel 格式供 AI 解析。

Claude 并未直接复制文档，而是将读取内容总结为笔记，重点聚焦于职业生涯与过往项目。迁移前，我们明确了排除清单：税务财务记录、潜在密码、医疗身份证明及子女相关文件。系统保留了一份导入清单，记录已读取、跳过内容及原因，避免重复劳动或误导入。

迁移过程揭示了历史文档间的矛盾。例如，不同时期的自我评估对热修复（hotfixes）频率的记录存在差异（每周 8 次降至 1.5 次 vs 7 次）。对此，Claude 列出所有冲突点，我分批确认并将每项裁决录入“决策日志”，确保事实的一致性。

准确性保障机制

为防止多 AI 写入导致的信息偏差，Memex 实施了一套严格的规则与自动化检查流程：

  1. 元数据头部：每条笔记包含创建/更新时间、标签、状态（活跃/草稿）、摘要及隐私级别。私密笔记严禁外泄。
  2. 索引构建：脚本依据头部信息生成单行索引。AI 先读取索引，再按需加载特定笔记，以规避上下文窗口限制。
  3. 决策日志：记录 42 项人工裁决及其日期。新决策明确标注所替换的旧决策，且旧决策不可编辑。
  4. 自动化检查器（Linter）：每次变更时运行，验证头部信息完整性、链接有效性、文件名规范及敏感信息（如密码）缺失情况，并执行 196 个自动化测试。若笔记内容与决策日志冲突，检查将失败。
  5. 拉取请求（PR）工作流：所有变更以 PR 形式提交，经人工审查或自动合并后生效。无内容直接提交至主分支，过时笔记移至归档文件夹而非删除。

“梦境”清理机制

借鉴 Anthropic Claude Managed Agents 的“做梦”功能及 OpenClaw 等社区的实践，Memex 引入了名为“梦境”（Dream）的定期清理过程，旨在解决语义重复与信息过时问题。

“梦境”包含机械检查与 AI 反思两部分。AI 依据书面清单执行操作：将日常日志中的持久信息提升为正式笔记，合并重复事实，标记过时内容，并提出需人工介入的问题。最终结果以附带报告的 PR 形式呈现。

AI 的自主权限分级如下：

  • 直接执行：不改变语义的机械修复（如链接修正、索引更新）。
  • 待审执行：笔记的移动、合并或新建，需在报告中注明供人工确认。
  • 人工干预：涉及事实含义、版本正确性或隐私规则的变更，必须经人工回答后方可执行。

截至 11 月 1 日，共执行四次“梦境”。后期两次由机器人按周计划独立运行，主要成果包括整理人物笔记、解决指令冲突及修复 lint 警告。

多 AI 协同与安全

10 月 13 日至 31 日期间，Memex 产生 190 次提交和 122 个合并 PR，来源包括本地 Claude Code、云端 Grok Bot 及各类专用机器人。这种架构带来了两大优势：

  1. 模型无关性：数据以纯文本文件存储，历史记录与规则随文件迁移，不受单一 AI 平台锁定。
  2. 上下文即时同步：赋予 AI 对 GitHub 仓库的读写权限（通过有效期 90 天的受限 Token），即可使其立即获取完整上下文，无需手动粘贴背景信息。

安全性方面，尽管检查器会标记潜在敏感信息，但最佳实践仍是事前排除信用卡号、密码等高敏数据。目前，唯一发送邮件的机器人仅向家庭列表发送信息，其他操作均通过 PR 或私人 Slack 频道进行，风险可控。

构建建议

若从头开始，建议优先实施以下三点以避免后续清理负担：

  1. 首日即建立决策日志。
  2. 在 AI 读取前明确排除敏感内容类别。
  3. 在笔记数量较少时尽早引入索引机制。

初学者无需复杂脚本，仅需 Git 仓库、Markdown 文件及具备文件读取能力的 AI 即可起步。随着规模扩大，可按顺序添加上下文文件、头部元数据、索引、决策日志、自动化检查器及 PR 工作流。如需快速上手，可使用我在 GitHub 发布的 memex-template 模板，其中包含基础结构、检查器及“梦境”协议配置。