iHow Memory v0.1 先发布问题定义、可靠性场景、协议语义与安全边界。这是一份草案，不是产品发布，也不附带实现代码。我们邀请 AI agent builder、记忆系统作者与开源社区共同审阅这套记忆可靠性语言。
同一个客户、同一个项目、同一个问题——昨天 AI 答得很清楚，今天却像第一次见。
反馈与迭代规律没被记下来，每次都从零开始。客户的耐心，消耗在重复指出相同问题上。
项目状态、客户禁忌、团队决策跟着 session 一起死。换工具等于换团队从头讲。
项目知识困在某个人的对话历史里。换人等于从头摸索，团队规模化无从谈起。
不替换你的现有工具，不接生产路径。在你工作的同时，把值得记住的东西沉到本地。
聊天、改稿、新建项目、客户反馈——所有真实工作流都是事件源。
后台从对话和反馈中抽出风格规则、禁忌、人设、迭代规律。
三层处理：低风险自动写 / 不确定先候选 / 高影响才让人确认。
生成前自动注入 context pack。AI 自动避开禁忌、用对风格、记住客户。
每个项目的记忆都自动归档、可搜索、可回滚。客户资料、反馈规律、关键决策、交接日志一目了然。
点击下面任一示例，看后台抽取了什么、下一次生成会避开什么。这是真实交互，不是 mock 图。
市面上有很多"AI 记住事实"的方案。我们解决的是另一个问题。
客户资料不出你的环境就能用。文件协议存储，不依赖云数据库。
关键状态是 Markdown，人能直接读、改、回滚。不是向量黑盒。
换 AI 不丢上下文，多 agent 协作不打架。已验证：三个独立 agent 共用同一项目记忆。
v0.1 公开的是行为级验收问题，而不是可执行 benchmark 或产品成绩。我们希望社区先共同确认：什么样的记忆系统才算真正可靠。
当工作从 Claude、Codex、OpenClaw 或另一个 agent 继续时，接收方是否能拿到足够小、足够准、可解释的项目上下文。
cross-tool handoff系统需要解释每条记忆从哪里来、为什么被纳入 context、谁审核过，以及为什么某些记忆被排除。
audit trailtenant、customer、project、user 的边界必须先于检索、写回与审计暴露被执行，防止无关项目或客户资料串线。
tenant / project isolationv0.1 先公开可审阅的场景、协议边界与审计问题；可执行 conformance 工具将在规范边界稳定后再讨论。
不只是某一个垂直场景。下面这些场景都已经在跑或正在接入。
客户人设、改稿规律、禁忌词库被自动记下，下次脚本生成自动应用。返工率下降，团队提稿稳定性提升。
MCN · 内容工作室 · 品牌团队数周至数月的开发项目中，不同编程 agent 与 IDE 助手始终掌握代码库结构、决策演进、技术债边界。
multi-agent dev员工与 AI 的每次交互都沉淀为企业知识，新人上手更快。组织级偏好、流程、规则形成可复用资产。
enterprise knowledge项目中期换人，AI 记忆完整传递。客户偏好、关键决策、阶段产出无丢失，交接成本趋近于零。
handoff workflow数月的研究资料、访谈记录、参考文献自动关联与索引，任意阶段都能回溯关键发现与决策依据。
research archive敏感数据不出本地，同时享受 AI 持续学习的便利。文件级可审计，符合企业合规要求。
private deployment如果你正在构建 AI agent、记忆系统、长期工作流或本地优先工具，欢迎围绕场景、协议边界与 conformance 提出批评与补充。
告诉我们：哪一种 AI 失忆、跨工具接力或项目交接问题，在你的工作流里最真实？这些反馈会优先进入 scenarios、protocol boundary 和 conformance 讨论。
v0.1 通过 GitHub Discussions 与 Issues 接收公开审阅反馈。