Persome（personal-model）是一个面向 macOS 的本地优先个人 AI 记忆/个人模型系统，目标是生成类似 HUMAN.md 的“个人上下文模型”。它会在用户授权后采集 Mac 上的工作活动、Markdown/Obsidian/Notion 等本地资料，并把信息组织为 Point、Line、Face、Volume、Root 等层级结构，再通过 MCP 提供给 Claude Code、Codex、Cursor、Claude Desktop、opencode 等客户端使用。核心价值是让 AI 代理理解用户的目标、偏好、上下文、未完成任务和工作模式，从而提供更个性化、更有依据的辅助。
适用领域
个人 AI / Agent Memory / MCP / Model Context Protocol / 本地优先应用 / 隐私保护 / 知识管理 / 开发者工具 / macOS 自动化 / AI 编程助手 / 个人生产力
配置难度
中高。对于熟悉 macOS、Python/uv、CLI 和 MCP 的开发者，合成 demo 很容易，真实数据安装和 MCP 集成属于中等难度；如果还要配置 LLM provider、管理隐私边界、调试权限和长期运行，则难度较高。
商业价值
该项目的商业价值主要在个人 AI 记忆层和 AI Agent 个性化上下文。对开发者工具、AI IDE、个人知识管理、本地隐私 AI、企业内部助理都有参考价值。它可以作为 MCP 个人上下文服务器，帮助 AI 助手从一次性问答升级为长期理解用户目标和工作状态的代理。不过商业落地需要重点解决隐私合规、跨平台支持、稳定性、权限可解释性和企业级数据治理问题。
01
技术亮点
- 本地优先：默认在 Mac 本地运行，强调用户可检查、修正、导出和删除数据。
- 隐私意识较强：权限请求在 onboarding 中解释，且不要求 Full Disk Access。
- MCP 生态适配明确：支持 Claude Code、Codex、Claude Desktop、opencode、Cursor 等客户端接入。
- 数据结构设计清晰：用 Point、Line、Face、Volume、Root 分层表达从原始证据到个人模型的演化。
- 强调 evidence-linked context：重要结论保留来源和 receipt，降低 AI 胡编个人上下文的风险。
- 提供合成数据 demo：可在不访问个人数据、不配置 API key、不申请 macOS 权限的情况下快速试用。
- 适合开发者工作流：可恢复上次工作状态、识别未完成任务、帮助 coding agent 更主动地规划下一步。
- 支持本地资料导入：可从本地 Markdown 历史构建初始模型，并在检测到时支持 Obsidian 和 Notion。
- 开源协议 Apache-2.0，便于商业或二次开发场景评估使用。
02
目标用户
- 希望 AI 助手长期理解自己工作方式的开发者
- 使用 Claude Code、Codex、Cursor、Claude Desktop、opencode 等 MCP 客户端的用户
- 重视隐私、不希望个人数据直接上传到云端的 macOS 用户
- 有大量 Markdown、Obsidian、Notion 或本地笔记资料的知识工作者
- 希望 AI 自动恢复上下文、继续未完成任务的独立开发者或创业者
- 探索 Personal AI、Agent Memory、个人知识图谱方向的研究者和工程师
03
配置要求
- 操作系统要求 macOS 13 或更新版本。
- 需要安装 Xcode Command Line Tools。
- 推荐使用 uv 安装和运行 Python 工具。
- 采集真实数据时需要授予 macOS Accessibility 权限；启用事件驱动捕获时还需要授权 mac-ax-watcher。
- 当截图或本地 OCR 策略需要像素数据时，需要 Screen Recording 权限。
- 项目说明强调不需要 Full Disk Access。
- Apple Silicon 使用 bundled PP-OCRv6 做本地 OCR；Intel Mac 使用 macOS Apple Vision framework。
- LLM 对采集和 BM25 检索不是必需，但语义建模需要配置本地或托管 LLM provider。
- 若通过 MCP Sampling 让可信客户端调用 process_pending_model_work，可以不把客户端登录 token 暴露给 Persome，但这不支持无人值守后台处理。
- MCP 客户端应仅注册可信客户端，因为 MCP 访问等同于访问个人数据能力。
- stdio MCP 客户端首次使用前，如果是全新或外部升级的数据根目录，需要先运行 persome start 以完成 schema 创建和迁移。
04
适用场景
- 为 AI 编程助手提供个人上下文，例如当前项目目标、代码风格、优先级和未完成事项
- 通过 MCP 查询个人记忆，并要求 AI 引用来源路径、时间戳和 receipt ID
- 从本地活动、Markdown 历史、Obsidian 或 Notion 数据中构建个人模型
- 帮助开发者“继续上次的工作”，恢复项目目录、Git 状态、当前目标和下一步任务
- 识别 open loops，区分可安全本地执行的任务和需要用户决策的任务
- 作为本地个人知识图谱/记忆层，连接多个可信 AI 客户端
- 在不接触真实个人数据的情况下运行合成数据 demo，评估个人模型图谱效果
05
部署与配置
- 合成数据快速体验：安装 Git 和 uv，然后执行 git clone https://github.com/Intuition-Lab/personal-model.git，进入目录后运行 uv run python scripts/sample_demo.py。
- 合成 demo 会打开本地浏览器页面 http://127.0.0.1:8743/model，按 Ctrl-C 后会删除临时合成数据。
- 真实数据安装方式一：在 macOS 13+ 上安装 Xcode Command Line Tools 和 uv，然后运行 uv tool install personal-model。
- 运行 persome onboard 完成交互式引导和 macOS 权限授权。
- 运行 persome model open --after 30，在约 30 分钟后打开模型查看器。
- 源码安装方式：git clone 仓库后进入 personal-model，执行 bash install.sh。
- 如需语义建模，运行 persome llm setup 配置本地或托管 LLM provider，再执行 persome llm status --check 检查状态。
- 注册 MCP 客户端：根据使用场景执行 persome install claude-code、persome install codex、persome install claude-desktop、persome install opencode。
- Cursor 用户可执行 persome install mcp-json --filename persome-mcp.json，并把生成的 mcpServers.persome 配置合并到 Cursor 的 mcp.json。
- 验证运行状态：执行 persome status、persome model status、persome model open。
06
风险与注意事项
- 平台限制明显：核心能力依赖 macOS 权限、Accessibility、Screen Recording 和本地 OCR，不适合 Windows/Linux 用户。
- 隐私风险不可忽视：即使本地优先，工具仍会采集和建模高敏感个人活动，需严格审查数据存储、权限边界和 MCP 客户端可信度。
- MCP 客户端一旦接入，可能获得个人记忆检索或写入能力，误配或连接不可信客户端会带来数据泄露风险。
- 语义建模依赖 LLM provider；若使用云端 LLM，可能涉及个人上下文外发，需要额外评估供应商和配置。
- 项目星标约 307，仍属于早期/小众项目，生态稳定性、长期维护和兼容性需要观察。
- 安装和配置流程较复杂，涉及 uv、macOS 权限、daemon、stdio MCP、LLM provider、SQLite/WAL 维护等，对普通用户门槛较高。
- 自动识别任务和优先级可能存在误判，不能直接替代用户决策，尤其是涉及外部动作、敏感文件或账号操作时。
- README 描述偏愿景化，真实效果取决于采集质量、用户数据量、LLM 质量和 MCP 客户端能力。
2026-07-17
第19名
新收录 · github_search
2026-07-16
第18名
新收录 · github_search
