Wenlan文瀾

面向 AI-native 時代的活個人知識庫。Agents 捕捉學到的內容，你加入信任的來源，Wenlan 讓有來源引用的頁面保持最新。

開始使用在 GitHub 查看

Claude Code 外掛Claude Code 記憶MCP 伺服器本地 daemon

問題

每一次新的 AI session 都從冷啟動開始。

工作已經發生，但 context 沒有留下來。決策、修 bug 的教訓和專案直覺都困在舊聊天裡，沒有幫到下一個 agent。

少一次 handoff，就足以讓下一段對話重跑上一段工作。

Wenlan 帶來什麼

給 AI 工作用的 handoff 循環。

Wenlan 會在工作發生時捕捉決策、教訓和下一步，並在下一個 agent 開始時載入 handoff。

下一段對話從 handoff 開始，而不是重新拼回過去。

刻意蒸餾

Wenlan 把重複出現的 context 變成有來源支持的頁面。

當重複捕捉的內容值得變成可讀頁面時，執行 /distill。可選的本地模型或 API key 路徑可以加入背景擷取與頁面更新。

下一次執行從有引用的 context 開始，而不是從 transcript 殘留開始。

知識頁面

工作會變成可重用的頁面。

整理過的決策與教訓會成為耐用頁面，而不是被埋在聊天記錄裡。它們足夠有組織，agent 能使用；也足夠具體，人可以閱讀。

你的工作不再只是 transcript 歷史，而是開始變成專案知識。

混合儲存

daemon 負責 recall，可讀 artifacts 仍然可檢查。

Wenlan 把原始 captures 保存在本地 daemon store 供 retrieval 使用，再投射出你可以開啟、diff、移動的 pages、handoffs 和 status files。

Agents 從 daemon recall。你檢查可讀檔案。

Hybrid retrieval，實測

少 96% tokens。誠實的 retrieval metrics。

Hybrid retrieval 不需要重播聊天歷史，也能找到正確的本地 context。

表面	範圍	結果
完整重播	不使用 retrieval	每次查詢 4,505 tokens / query
LME_Oracle	CE-reranked，500 Q	每次查詢 168 tokens / query · 93.6% R@5 · 0.883 NDCG@10
LME_S	CE-reranked，N=90 deep-S	每次查詢 168 tokens / query · 87.7% R@5 · 0.822 NDCG@10

Retrieval-only snapshots。LME_Oracle 也記錄 0.857 MRR；LME_S 在 90-question deep-S fixture 的 84 個可評分 rows 上記錄 0.815 MRR。Token 比較是完整重播對 retrieved context。自己執行 harness。

常見問題

常見問題。

Wenlan 是什麼？+

Wenlan 是為 AI 工作而生的活個人知識庫。Agents 捕捉學到的內容，你加入信任的來源，本地 daemon 讓有來源引用的頁面跨 chats、tools、projects 和時間保持最新。

Wenlan 和內建 AI memory 有什麼不同？+

內建 memory 會保存 AI 認為重要的內容。你通常無法追蹤、修正，或從另一個工具使用它。Wenlan 讓 memory 留在本地、可見、可修正、可追溯。可讀 pages、session logs 和 project status 都 versioned in ~/.wenlan/.git/，每個 distilled page 都會引用產生它的 source memory IDs。

Wenlan 的 retrieval quality 到哪裡？+

Hybrid retrieval 結合 vector search (BGE-Base-EN-v1.5-Q, 768-dim)、FTS5、reciprocal-rank fusion、knowledge-graph context 和本地 BGE reranker。LME_Oracle 在 500-question snapshot 上是 93.6% Recall@5、0.857 MRR、0.883 NDCG@10。LME_S 在 stratified N=90 deep-S snapshot 上是 87.7% Recall@5、0.815 MRR、0.822 NDCG@10。Eval harness 放在 repo 的 crates/wenlan-core/src/eval/。

我的資料是私密的嗎？+

是。Wenlan 在你的機器上執行，資料庫也存放在本地。預設沒有 cloud sync 或 telemetry。本地 memory setup 不需要模型或 API key。On-device models 或 Anthropic key 只有在你選擇啟用 automatic page distillation、recaps 和更豐富 graph work 時才會使用。

Wenlan 只是另一個 memory MCP 嗎？+

不是。MCP server 只是 connector。Wenlan 還包含本地 daemon、manual /distill、可選的 model-backed background extraction 和 page work、具備 DiskANN vectors 的 libSQL store、FTS5 + knowledge graph、mandatory provenance、memory/page/session artifacts 的真實 git versioning，以及可讀的 Markdown export paths。

哪些 AI tools 可以搭配 Wenlan？+

Claude Code 有 marketplace plugin。Cursor、Codex、Claude Desktop、VS Code、Gemini CLI 等 MCP-compatible clients 可透過 Wenlan 的 MCP server 連接。

Wenlan 能取代 Notion 或 Obsidian 嗎？+

不能。Wenlan 不是 notes app，也不是 writing tool。它捕捉並整理你從 AI conversations 學到的內容。如果你想在 Obsidian 閱讀，可以把 ~/.wenlan/ 底下的 Markdown projection symlink 進去。

我要怎麼設定？+

在 Claude Code 中執行 /plugin marketplace add 7xuanlu/claude-plugins，接著執行 /plugin install wenlan@7xuanlu，然後執行 /init。其他 MCP clients 先執行 npx -y wenlan setup，再執行 ~/.wenlan/bin/wenlan mcp add codex、cursor、claude-desktop、vscode 或 gemini。

Wenlan 支援 Windows 或 Linux 嗎？+

支援。daemon 可以在 macOS (arm64, x64)、Linux (x86_64, aarch64; glibc) 和 Windows (x86_64) build 並執行。Service registration 在 macOS 使用 launchd、Linux 使用 systemd-user、Windows 使用 Task Scheduler (schtasks)。

我可以把工作和個人 memory 分開嗎？+

可以。Memories、pages 和 recalls 都屬於一個 space，例如 work、personal 或 client-X。你可以用 WENLAN_SPACE 在每個 shell 設定 active space，或在 ~/.wenlan/spaces.toml 宣告。Auto-detector 也會從目前 repo 或 workspace 選擇 space。

Wenlan 免費嗎？+

是。Wenlan 是 open-source。Wenlan repo 裡的本地 runtime、CLI、MCP server 和 Claude Code plugin files 都是 Apache-2.0。

開源

在重要的地方保持開放。

本地 runtime、CLI、MCP server 和 Claude Code plugin 都是 Apache-2.0。

開始使用在 GitHub 查看

取得 release 更新。