Posts for: #Tools

看了一下 GitNexus，一个把代码仓库索引成知识图谱、再通过 MCP 喂给 Claude Code / Cursor / Codex 的工具。

它解决的是一个具体的人的具体问题：写大型项目的工程师，让 AI 帮忙改代码时，经常遇到 AI 改了 A 函数、没注意到 B、C、D 也调用它。一次小改动，跑起来三处崩。

为什么会这样？AI 不是不会读代码，是不知道该读哪些。Context window 再大，AI 自己也不会主动把整个仓库塞进去，成本太高。grep 能找调用方，但要 AI 自己想到去 grep，还得来回跑好几轮。调用链一深，就漏。

GitNexus 的做法是预先把每个函数、每条依赖、每条调用链都建好图。AI 要改一个函数，先查图：谁调用我、我调用谁、改了会炸到哪里。一次查询出结果，不用反复读文件。

但我的判断是，大多数人不需要装这类工具。

过去半年 Claude Code、Cursor、Codex 这批 AI coding 工具进步得很快。grep、glob、Read 这些基础工具调度得很熟，subagent 可以预先装"探索代码"的 SOP，写好一份 CLAUDE.md 把架构地图、关键模块、依赖关系交代清楚，AI 漏改调用方的事故已经少了很多。原本 GitNexus 想解决的痛，AI 工具自己在解决。

什么时候才值得试？我的顺序是这样：

先调 AI 工具本身。CLAUDE.md 写清楚架构地图、关键模块、依赖关系，subagent 装好探索代码的 SOP，每次改代码前要求 AI 先列出受影响的调用方。这些都是免费的，先做。

做完还在频繁踩坑，再考虑 GitNexus 这类工具。频繁是多频繁？一周两三次都不够，得是改代码的过程里反复出事故、CLAUDE.md 怎么写都救不回来，才值得多装一个工具。

大多数人不会走到这一步。痛感真到那个程度，往往不是 AI 工具的问题，是项目本身的复杂度已经超出了人脑+AI 配合的舒适区。那时候装 GitNexus 也只是缓解，不是根治。

所以结论很简单：先把手上的 AI coding 工具用透，再去看新工具。

刷到一个小工具，叫 Tritree。

打开它不是给你一个空白框让你写提示词，而是 AI 一次给三个方向不同的稿子，你点一个，它接着长出下一轮三个。没选的折叠成树枝留在画布上，想回去看随时回得去。本地跑，SQLite 存数据，没登录没订阅。

作者用它写了一条微博，三轮，每轮点一下，就出来了。

herdr 是一个给 AI coding agent 用的终端工作区管理器。

它自己也有 workspace、tab、pane，能分屏、切换、恢复 session。只看这一层，它很像 tmux。

它和 tmux 的区别，在另一层。

tmux 管的是终端会话。herdr 除了管会话，还会识别 pane 里跑的是不是 agent，再把状态标出来。README 里列出的状态有四类：working、blocked、done、idle。

比如同时开几个 pane：

• 一个 pane 跑 Claude Code
• 一个 pane 跑 Codex
• 一个 pane 跑开发服务器
• 一个 pane 看日志

tmux 可以把这些 pane 摆好，也可以后台挂着。herdr 额外做的是：识别哪个 pane 里在跑 agent，哪个 agent 在忙，哪个在等输入，哪个已经停下来。

它判断状态主要靠两种方式。

第一种，看前台进程和终端输出。

第二种，接工具自己的 hook 或 plugin。文档里已经写明支持给 Claude Code、Codex、pi、OpenCode 装集成，这样状态报告会更直接。

除了给人看，herdr 还有本地 socket API。agent 自己也可以调用这些接口，比如：

• 新开 workspace
• 新开 tab
• 分一个 pane
• 读另一个 pane 的输出
• 往另一个 pane 发命令
• 等另一个 agent 完成

所以它不只是“把几个终端摆在一起”，还多了一层对 agent 的状态管理和控制。

我维护着一个叫 context 的个人上下文系统：一份中心 markdown，分发到 Claude Code、Codex CLI、Gemini CLI、OpenClaw 的配置路径里，保证同一个"我"在各个工具之间一致。

这个系统每天自动扫当天的对话，把我说过的偏好、决策、踩坑提炼到 OBSERVATIONS.md。问题是——它只懂 Claude Code 一家的 JSONL 格式。我同时还在用 Codex、Gemini、OpenCode，这些对话历史全都被扔在一边。

每家 AI 助手的对话都存在本地，但格式各家不同。Claude 用 JSONL，Codex 也用 JSONL 但 schema 不一样；Gemini 用整块 JSON；OpenCode 用 SQLite，message 和 part 分两张表；Cline 和 Cursor 藏在 VSCode 扩展的 globalStorage 里；Aider 干脆写在项目目录的 markdown 里。

自己从零逆向这些格式，不是我想干的活。

在 GitHub 上撞见 jhlee0409/claude-code-history-viewer，简称 CCHV。本意是个桌面历史查看器——七家 AI 助手的对话在一个界面里翻。我对桌面 app 本身不感兴趣，但它的 Rust 源码里有一个 providers/ 目录：七个文件，每家一个解析模块。每家的存储路径它替我找好了，每种格式的 schema 它替我逆向完了。

让 AI 把这部分代码翻成 Python，挪进 context 项目。

GitHub 上有个项目叫 agency-agents（https://github.com/msitarzewski/agency-agents），184 个 AI agent 人格档案，分二十多个部门：工程、设计、营销、销售、财务、产品、项目管理、测试、支持、空间计算。每个档案是一个 markdown，写清楚这个 agent 的身份、工作流、交付物和成功指标。一行命令可以装到 Claude Code、Copilot、Cursor、Gemini CLI、Aider、Windsurf、Kimi Code 等十来个工具里。

同类项目不少，大多是"程序员的 Claude Code subagent 合集"。agency-agents 的不一样在两点。

一是跨工具。一套档案通过 scripts/convert.sh 生成适配各家工具的格式，不绑死在 Claude Code。这是硬工程活，大多数对手不做。

二是真的把中文互联网生态当作一级公民来写。小红书、公众号、抖音、知乎、B站、百度、微博、快手、私域（企微）、直播电商、淘系拼多多、跨境电商，还有小程序开发、飞书开发——每个平台一个专属档案。英文圈的 agent 仓库基本不碰这块。

让 AI 抽读了一遍中文生态的 13 个档案，质量良莠不齐。对这个项目的态度也简单：别整包用，挑着用。

CLIProxyAPI 是一个 Go 写的本地代理服务器。它把 Gemini CLI、OpenAI Codex、Claude Code 这些需要 OAuth 登录的 CLI 工具，包装成 OpenAI / Gemini / Claude / Codex 兼容的 API 端点。

装上之后，Raycast、IDE 插件、自己写的脚本都能当成标准 API 来调用，不必再走官方 CLI。支持流式和非流式响应、函数调用、多模态输入、多账号轮询负载均衡，也能把 OpenRouter 这类上游 OpenAI 兼容服务接进来。配套有 Go SDK 和管理 API。

这类工具踩在各家 TOS 的灰线上。OpenAI 和 Anthropic 都明确禁止把订阅席位用作 API 式访问或转售，多账号池化、高频率轮询、不像真人的行为画像都是风控识别的信号。最近 Claude Code 订阅号被封得比较多，原因是拿订阅额度对外跑 API 流量。Gemini 相对宽松，AI Studio Build 大规模轮询也在收紧。自用一两个号本地接客户端风险不大，池化多号对外服务就是另一回事。

项目的赞助商里挂了六七家 API 中转服务商，都是做 Claude Code / Codex / Gemini 官方渠道代理的。

同事问我平时怎么和 AI 沟通的，想看我的会话。于是推荐我用这个小工具——Claude Code History Viewer，把 Claude Code 本地 ~/.claude/projects/ 里的 JSONL 会话记录翻出来看。

左边项目和会话列表，右边完整对话，Thoughts、工具调用、Token 消耗都展开。支持全文搜索，100% 本地运行。

macOS 一行装：

brew install --cask jhlee0409/tap/claude-code-history-viewer

Windows 和 Linux 去 Releases 下载。打开自动扫描，不用配置。

一台常开的台式 / 常驻机负责跑重活，一台笔记本带在身边随写随记。两台机器共用一个 GBrain，写在哪台都能在另一台搜到。

下面是我把这套装起来的实际过程，包括踩到的坑。环境是两台 Mac：M2（常开）和 M4（日常，有开有关），GitHub 账号 wulujia，笔记放 Dropbox。

架构

三层，分工明确。

Brain 仓库 = markdown 文件，源头。放 ~/Dropbox/brain/，Dropbox 负责实时同步文件，GitHub private repo 负责版本备份。

gbrain 工具 = 读 markdown、灌进索引的 CLI。每台机器独立从 GitHub clone 到非 Dropbox 路径，各自 bun link。不要让 Dropbox 同步工具源码，node_modules 跨机会掐架。

索引 = PGLite（嵌入式 Postgres），默认引擎，放 ~/.gbrain/。每台机器一份独立本地索引。markdown 是真相，索引坏了重建。

M4（日常机）从零装起

1. 装 gbrain 工具

git clone https://github.com/garrytan/gbrain.git
cd gbrain && bun install && bun link

2. OPENAI_API_KEY

到 platform.openai.com 建个 project key，丢 zshrc：

echo 'export OPENAI_API_KEY="sk-proj-..."' >> ~/.zshrc
source ~/.zshrc

注意变量名全大写 OPENAI_API_KEY。一个字母错了 OpenAI SDK 读不到，跑出来一堆 401。

跟 AI 聊天有个长期的问题。每次新对话它都从零开始。聊过的想法、见过的人、读过的文章，下次对话完全空白。

GBrain 解决的就是这件事。

它是什么

AI agent 是大脑，GBrain 是它的记忆。

更准确一点：GBrain 是一堆 markdown 文件加一个搜索引擎。跟 AI 聊天时，它自己决定把什么存进去、什么取出来。存的是文本文件，可以打开看、改、备份。

这一点很重要。市面上很多 AI 记忆功能是黑盒，坏了查不出原因，也导不出来。GBrain 的记忆就是你自己的文件，放在 Git 仓库里，agent 关掉记忆也还在。

它怎么工作

三个核心动作

捕获。你跟 agent 说"今天跟老王聊了一下 SaaS 定价"，一个叫 signal-detector 的技能在后台自动抽取：“老王"是人，“SaaS 定价"是话题。后台并行跑，对话照常进行。

回答前查大脑。下次问"老王最近在想什么”，agent 先搜 GBrain，翻出上次的记录，带着上下文回答。跳过这一步的 agent 等于失忆。

睡觉时整理。装上 autopilot，凌晨 agent 自动扫白天所有对话，给新出现的人建档、补社交资料、修引用。早上起来大脑比昨晚厚。

页面长什么样

每个人、每件事在 GBrain 里就是一个 markdown 文件。结构很简单：上半部写当前结论，下半部写时间线。

比如"老王"这一页。

上半：老王是某某公司 CEO，擅长 SaaS 定价，2026 年 3 月开始考虑出海日本。

下半：

• 2025-01-10 邮件里第一次提到
• 2025-08-22 聊过定价策略
• 2026-03-05 说要出海日本

上半随时重写。下半只加不删，是证据链。好处是：问一个问题，agent 直接读上半部就知道答案，不用每次把所有历史再推理一遍。

怎么装

前提是装了 bun。然后两行：

git clone https://github.com/garrytan/gbrain.git && cd gbrain && bun install && bun link
gbrain init

默认用嵌入式 Postgres，零配置。接到 Claude Desktop 或 Claude Code 之后，正常聊天它就正常往里存。Gemini CLI、Codex 也能接，都走 MCP 协议。

我的 OpenClaw 跑了几个月，token 账单越来越肥。今天花了一个小时做了一轮瘦身，效果不错，记录一下。

核心发现很简单：很多任务根本不需要 AI 参与，但它们都在 AI 会话里跑。每跑一次，哪怕只是执行一句 bash 命令，也要启动一个 session、加载 context、消耗 token。相当于你请了一个年薪百万的工程师，每天的工作是帮你按一下回车键。

具体做了四件事。

第一，降低心跳频率。Agent 有一个 heartbeat 机制，定时唤醒做巡检。我之前把 OpenClaw 设成 8 小时一次，配置没真正生效，实际还是一天 24 次。改成 12 小时一次，一天 2 次。心跳的作用是维护 context、检查状态，2 次够了。

第二，把纯 shell 任务迁出 AI。安全巡检、日志整理、会话记录提取、GitHub 同步、版本检查这些任务，本质都是跑一个 shell 或 Python 脚本。之前放在 OpenClaw 里，执行链路是：cron 触发 → 启动 AI session → AI 理解 prompt → AI 调用 bash → 收集输出 → AI 总结输出 → 发通知。现在改成：crontab 触发 → 跑脚本 → 有输出就用 Gmail API 发邮件。中间砍掉了 AI 理解和总结两步，对这类任务毫无价值。