DaiDocs — AI 记忆的开放纯文本格式（7票，C线Skill）

技能简介

DaiDocs 是一种面向 AI 助手记忆的开放纯文本文件格式，文件扩展名为 .dai。它将 AI 在会话中积累的知识、决策和上下文以三个纯文本区块（YAML 头部、JSON 元数据、正文）组织存储，而非存放在供应商的闭源数据库中。任何模型（Claude、GPT、Gemini、Cursor、本地模型）、任何工具（grep、git、文本编辑器）都可以直接读取 .dai 文件内容，实现真正的跨平台、跨应用记忆持久化。

该项目于 2026 年 9 月正式发布，当前版本 V4.4n32。核心特色在于将"记忆"从一项需要付费订阅的云服务，转化为一个任何人都可以实现和复现的开放标准。

核心能力

• 开放格式跨模型读取：.dai 文件采用纯文本结构，YAML + 围栏 JSON + 正文三段组成，无需任何专有 SDK 即可读取；Python、Rust、Go 等语言均可在数小时内实现独立读取器
• MCP 服务器一键接入：通过 npx daidocs setup 即可自动检测并配置 Claude Desktop、Claude Code、Cursor、Windsurf、Codex、Cline、Continue、Zed 等主流 AI 编码工具，将 .dai 记忆无缝集成到日常工作流
• 排行榜验证的记忆质量：在 LongMemEval-S 基准测试（500 题，GPT-4o 评判）中，DaiDocs 以 83% 准确率位列第二，超越所有其他任何人都能自行复现的记忆系统；比无记忆系统的 GPT-4o 高出 22.40 分
• 10 倍 token 效率：与将完整对话历史粘贴进上下文的方案相比，DaiDocs 每个问题读取的 token 数量减少约 10 倍，显著降低每次调用的成本
• 本地存储无厂商锁定：记忆文件存储在用户本地磁盘，不依赖任何供应商的云服务；即使开发团队停止维护，文件依然可用任何文本编辑器打开
• 对话级溯源可验证：每个基准数字都附带完整的逐题评审判定和 sha256 哈希清单，用户可随时验证所声称的性能是否属实

安装配置

前置要求

• Node.js 18 或更高版本
• 已安装的 AI 编码工具（Claude Code、Cursor、Windsurf 等）

快速安装

npx daidocs setup

该命令将自动检测机器上已安装的工具，配置 MCP 服务器、会话钩子和 .dai 文件关联图标，并备份每一个被修改的文件，全程无需用户干预。

进阶安装（包含源码和基准测试数据）

git clone https://github.com/Kerneta/daidocs daidocs-app
cd daidocs-app
node setup.js

Python 独立读取器（可选）

pip install daidocs

使用步骤

第一步：初始化记忆存储

运行 npx daidocs setup 后，程序会在用户目录创建 DaiDocs 文件夹作为默认记忆存储位置，所有 .dai 文件将以会话为单位自动生成并存入此处。

第二步：在 AI 编码工具中启用

配置完成后，在 Claude Code、Cursor 或 Windsurf 中进行日常编码工作。会话钩子会自动将相关上下文写入 .dai 文件，涵盖架构决策、依赖版本、Schema 调整和 Bug 修复理由等信息。

第三步：跨会话记忆检索

当开启新的会话时，MCP 服务器自动检索与当前任务相关的历史记忆片段，以最小化 token 消耗的方式注入上下文，而非将整段历史完整粘贴。

第四步：手动查询与追溯

如需直接查看记忆内容，可打开 ~/DaiDocs 目录下的 .dai 文件，使用 grep 搜索关键词，或使用 Python API 读取指定文档。

from daidocs import Store
store = Store("~/DaiDocs")
for entry in store.manifest():
    print(entry["id"], entry["title"])
doc = store.read(store.ids()[0])
print(store.search("deploy"))

适用场景

• Claude Code / Cursor 长期项目开发：在多周或数月的项目迭代中，AI 编码工具能够记住之前做出的架构决策、依赖选择和命名规范，而非每次从零开始理解项目
• 跨工具记忆迁移：当用户在不同 AI 助手之间切换时（如从 Claude Code 切换到 Copilot），.dai 文件可被任意工具读取，保持记忆连贯性
• 代码审查与知识传承：团队成员可以通过读取同事留下的 .dai 记忆文件，快速理解特定模块的设计意图和历史决策背景
• 本地敏感项目：在不适宜使用云端记忆服务的场景（如金融、医疗或涉密项目）中，DaiDocs 提供完全本地化的记忆方案

适用人群

• 需要长期维护复杂代码库的开发者
• 在多个 AI 编码工具之间切换工作的技术从业者
• 对数据隐私有严格要求（不希望记忆数据存储在第三方服务器）的团队
• 追求 AI 辅助效率最大化的个人开发者

工作原理

DaiDocs 的核心设计理念是"记忆即文件格式，而非数据服务"。一个 .dai 文件由三个纯文本区域组成：

1. YAML 头部：声明文件元数据、创建时间、标签和关联上下文信息
2. 围栏 JSON 区块：结构化的记忆元数据，包括关键实体、关系图谱索引和摘要信息
3. 正文区域：可供人类阅读和 AI 模型解析的自由文本格式记忆内容

存储引擎由一个廉价的"观察者模型"（如 GPT-4o-mini）写入记忆内容，而任意"回答模型"（如 Claude Sonnet 5 或 GPT-4o）读取这些记忆来回答后续问题。这一分离设计允许用户用高质量模型写入，再用最便宜或最快的模型读取，大幅降低成本。

官方链接

https://github.com/Kerneta/daidocs