问题：对话结束后，经验去了哪里？
AI 编程对话里有代码，也有排查过程、失败尝试和最终取舍。把这些记录留在不同工具的历史列表中，下一次遇到相似问题时，仍然需要重新寻找上下文。
ChatCrystal 保留原始对话，并提供笔记整理、语义检索和 Agent 访问接口。导入对话后，可以提炼结构化笔记，再通过检索和 Agent 接口使用已有记录。
四个环节，连接一次问题解决过程
这是一张概念流程图，不代表所有步骤都会在导入后自动执行。尤其在远端实例工作流中，导入和摘要生成是分开的操作，用户可以决定何时调用模型处理内容。
1. 导入：保留不同工具中的上下文
项目支持从 Claude Code、Cursor、Codex CLI、Trae 和 GitHub Copilot 等工具的本地数据目录导入对话。统一入口让跨工具的记录能够放在一起查找，不必记住某个问题最初在哪个客户端里解决。
2. 提炼：从长对话中保留可用结论
结构化笔记包含标题、摘要、结论、代码片段和标签。原始记录提供背景，笔记则提供更短的阅读入口：先判断这条经验是否相关，再回到需要的细节。
3. 检索：按语义找内容，按标签看关联
语义搜索用于寻找表达不同但含义相关的经验；标签图谱则展示知识点之间的联系。图谱中的关系来自标签共现等组织方式，适合帮助探索相关主题，不应把一条连接直接理解成因果关系。
4. 复用：让经验进入下一次工作流
CLI 和 MCP 接口让检索不局限在图形界面。Agent 可以查询已有经验，也可以把新的记录写回知识库，让一次解决问题的结果继续服务于后续任务。
架构：共享知识核心，按需选择入口
仓库采用 TypeScript，包含 React 客户端、Fastify 服务端和 Electron 桌面入口。桌面应用、CLI / Web 和 Docker 自托管是不同的使用方式；图中强调共同的知识处理职责，而不是具体部署拓扑。
| 设计选择 | 带来的价值 | 需要理解的边界 |
|---|---|---|
| 本地优先 | 围绕自己的对话记录和工作流管理知识 | 不等于模型推理一定离线 |
| LLM 与 embedding 分别配置 | 摘要生成和语义检索可选择不同服务 | 两类模型不能直接混用 |
| 同时保留对话与笔记入口 | 兼顾过程追溯与快速阅读 | 模型提炼的结论仍需判断 |
| CLI / MCP 访问 | 把经验带回自动化和 Agent 工作流 | 应结合具体任务筛选检索结果 |
使用外部 LLM 或 embedding 服务时，对应处理内容会发送到配置的服务商。选择模型与部署方式时，需要理解自己的数据会经过哪些环节。
从一批对话开始
可以先导入一个熟悉的项目，检查对话记录，再生成一批笔记，最后用自己曾经问过的问题测试检索是否有帮助。这样更容易判断整理方式是否适合自己的工作流。
桌面下载、CLI 命令及模型配置以 项目 README 为准；实现结构可参考 开发文档。
实现与工作流
- 5 种 AI 对话数据格式全解析：导入端的格式差异与能力边界。
- 本地向量数据库选型：部署、检索和索引恢复之间的取舍。
- 从 ChatCrystal 导出到 Obsidian：保留笔记内容与关联的 Markdown 快照工作流。
- 本地优先与云端 AI：区分存储、模型推理与 Agent 客户端的数据边界。
- 从 RAG 到知识图谱：理解候选检索、笔记关系与单跳扩展。
- AI Agent 时代的知识库：围绕证据组织回忆、验证与写回。