一句话看懂：KHMS 是一种让 LLM Agent 自己安装的长期记忆系统，用 Git 仓库里的 Markdown 文件和不可变卡片存储知识，解决模型“边聊边忘”和“重复踩坑”的问题。它把一个已在生产中运行多时的部署经验抽成了开源规范。
事件核心：发生了什么
KHMS（Know-How Management System）是一个面向 LLM Agent 的长期记忆层，由开发者 kostey 在 GitHub 上开源，并已在 Hacker News 上引发讨论。它的核心存储不是向量数据库，而是“一个 Git 仓库里的纯 Markdown 文件”。每条知识是一张不可变的卡片，带 YAML frontmatter，记录知识类型、证据强度（measured/observed/reported）、来源、与其他卡片的派生或矛盾关系。
关键设计包括：卡片从不编辑或删除，修正通过新卡片“取代”旧卡片，被反驳的卡片保留可视作“死路标识”；系统通过 hook 驱动的召回在用户提问前主动推送相关卡片；写入采用“提议→评审→批准”流水线，后台任务只能提议，不能自行写入知识库。
项目说明透露，这是从 2026 年年中起每日运行的单人生产部署中剥离出来的通用版本，路径已参数化，部分数字标注为“calibrate”（需按自身场景校准）。代码仓库同时提供了 AGENTS.md 引导、完整的 spec 文档、Claude Code 接入示例和虚构气象站的示例卡片。
为什么重要
当前主流 AI 记忆方案以向量检索为主，能找回“文本”却难以表达“这条知识是否被实测过、谁批准进入记录、曾被什么证据反驳”。KHMS 的切入点是知识的认识论（epistemic）层面：它为“相信什么”提供可审计的计算依据，而不是简单相似度匹配。
值得关注的是它与 Google Cloud 的 Open Knowledge Format（OKF）在存储层趋同——两者都是带 YAML frontmatter 的 Markdown 目录，且都要求 type 字段。但 OKF（v0.1 于 2026 年 6 月发布，v0.2 于 7 月）不定义证据等级、强制溯源、反驳不删除和审批流程，这些恰是 KHMS 的增量。项目自认是“从 LLM Wiki（Andrej Karpathy 提出）这一想法生长出来的工程化实践”，并明确对比了 Mem0（后者删除被矛盾的记忆，KHMS 刻意反其道而行）和 Graphiti（用时间知识图谱做失效而非删除，但需图数据库）。
对用户/开发者/创作者的影响
对开发者来说，这是一个把 Agent 长期记忆从“聊天记录”升级为“可审计知识库”的新范式参考。它适合需要 Agent 在数周或数月内持续工作的场景——比如自动化运维、调研助手、个人知识管理。相比向量数据库，Git 作为存储层意味着天然的版本控制、分支评审和离线可读性，接入成本不高。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对个人用户和创作者，该项目展示了一条“让 AI 帮你积累、整理并交叉验证长期知识”的路径，而非每次对话都从零开始。不过目前公开信息显示，KHMS 还是单运营者部署提炼出的框架，距离开箱即用的成熟产品有差距，使用者需要根据自身数据形态校准参数。
值得关注的后续
一是该项目能否在 Claude Code、Cursor 等主流 Agent 工具中获得社区适配，尤其是 hook 机制能否被更广泛地支持；二是 OKF 是否会吸收或对齐 KHMS 的 epistemic 层设计，形成标准竞争或合并；三是“不可变卡片 + 渐变信任”的模型，要到多大规模的知识库才会暴露性能或成本瓶颈——目前公开信息中尚无该系统的极限压力测试数据。
