sibyl

这是什么？适合谁？

Sibyl 是一个跨 Agent 共享记忆运行时：一条 CLI、一张知识图谱，让你在用的每一个 AI 编程工具（Claude Code、Codex、Cursor 以及你自建的 Agent）共享同一份持久记忆。它由 hyperb1iss 开源（Apache-2.0），自托管在你的硬件上—决策、踩坑、项目约定沉淀为图数据，换工具、换模型、换机器，图谱跟着你走。底层技术栈为 FastAPI + SurrealDB + Next.js 16，Python 3.13。

适合人群：同时使用多个编码 Agent 的开发者、想让团队沉淀”项目约定与踩坑经验”的技术负责人、在意记忆数据主权（不交给厂商画像）的人。 使用前提：能运行 Python 3.13 或 Docker 的本地/自有服务器环境；你的 Agent 能执行 shell 命令（能跑命令就会用 Sibyl，无需 SDK）。

快速上手（3 步）

第一步：安装

# 官方安装脚本：把 sibyl 放进 PATH，启动本地栈并打开设置界面
curl -fsSL https://raw.githubusercontent.com/hyperb1iss/sibyl/main/install.sh | sh

# 或 Homebrew
brew install hyperb1iss/tap/sibyl && sibyl up

容器用户用 sibyl docker init && sibyl docker up 一次拉起 API、Web 与 SurrealDB。--remote 为纯 CLI 远端安装，--daemon 只装守护进程不要 Web UI。

第二步：记下第一条记忆

sibyl remember "Stale auth token bug" \
  "Redis TTL mismatch dropped the cached token early" --kind error_pattern

remember 是记忆入口：把踩坑当场存进图谱，标注类型（error_pattern 等）。

第三步：让下一个 Agent 会话带着上下文开工

sibyl context "auth token bug" --intent debug

context 按语义检索（“认证模式”的提问能召回没写 OAuth 字样的 OAuth 笔记），把相关记忆作为工作上下文喂给任何 Agent。

初级用法

• 记忆闭环：context -> act -> remember -> reflect 四步贯穿 CLI、skills、MCP 与 hooks—Agent 醒来有上下文，离开留下新记忆。
• 任务工作流：用 epic/task 规划并跨会话、跨队友追踪执行，任务和记忆同处一图。
• 来源摄取：爬取文档站点、导入邮箱/归档、把 Agent 会话记录摄取进 scoped 原始内容与图谱记忆。

高级玩法

1. 多 Agent 团队记忆库：利用 scoped multi-tenancy（命名空间隔离的图谱 + 组织级内容/授权记录 + 策略门），把个人、项目、团队三层记忆分开治理，同一 CLI 服务全员。
2. 给自建 Agent 接记忆：Agent 只要能执行命令就已”会说 Sibyl”；偏好在 MCP 客户端里用的话，Sibyl 也提供 MCP 集成，不必锁死在任何一种协议上。
3. 带引用的文档合成：Source-Grounded Synthesis 从你自己的记忆起草经过验证的文档，自带引用、新鲜度与缺口检查—适合把团队散落的决策记录整理成架构文档。

常见踩坑（5 条）

踩坑 1：把记忆当成聊天记录导入

• 现象：导入大量原始对话后检索噪音很大
• 原因：Sibyl 的价值在结构化知识（决策/踩坑/约定），不是全文转储
• 解决：用 --kind 分类 + scoped 摄取，把原始会话放 raw content 层，图谱只留提炼后的知识

踩坑 2：本地栈启动后 Web 打不开

• 现象：sibyl up 完成但界面无响应
• 原因：端口被占用或选择了 --daemon 模式（无 Web UI）
• 解决：检查安装模式；容器用户确认 sibyl docker up 三个服务都已就绪

踩坑 3：不同项目记忆互相污染

• 现象：A 项目的约定出现在 B 项目的上下文里
• 原因：未使用 scoped 命名空间隔离
• 解决：为每个项目建立独立 scope，配合策略门控制跨 scope 可见性

踩坑 4： expecting MCP 才能集成

• 现象：在非 MCP 客户端里以为用不了
• 原因：误以为必须走 MCP 协议
• 解决：交互面就是 shell—Agent 能跑命令即可用 CLI 全部能力，MCP 只是给偏好 MCP 的客户端的备选通道

踩坑 5：升级后图谱 schema 报错

• 现象：升级版本后检索异常
• 原因：项目较新（48 星、快速迭代期），schema 变更尚频繁
• 解决：升级前备份 SurrealDB 数据；关注仓库 release 说明

FAQ（5 个常见问题）

Q1：Sibyl 免费吗？ A：开源免费，Apache-2.0 协议，自托管无订阅。成本只是你自己硬件的资源占用。

Q2：和 mem0 / Letta（MemGPT）这类记忆方案有什么区别？ A：mem0/Letta 偏向给单个应用嵌记忆服务；Sibyl 的定位是”跨工具的个人/团队记忆主权”—一个 CLI、一张图，多 Agent 共享，自托管，数据不进厂商画像。

Q3：支持哪些编码 Agent？ A：README 明确点名 Claude Code、Codex、Cursor 及自建 Agent；任何能执行 shell 命令的 Agent 原则上都能接入。

Q4：数据存在哪里？隐私如何？ A：SurrealDB，跑在你自己的硬件上；无云端强制同步，导出自由。记忆资产归你所有。

Q5：生产环境能用吗？ A：项目处于早期快速迭代阶段（2026-08 仍在活跃推送），个人与团队试用合适；关键数据请自行备份，跟进官方文档的稳定性演进。

小技巧（5 条）

1. 当场记忆：调试出结论的瞬间就 sibyl remember，别等会话结束—记忆的新鲜度和准确度都会衰减。
2. --intent 缩窄检索：context 带 debug/plan 等意图参数，召回结果更贴合当前任务。
3. epic/task 先行：开工前把任务录进 Sibyl 的任务工作流，执行轨迹与记忆自动关联，跨会话续接不丢线。
4. 文档摄取选 scope：爬文档站时指定项目 scope，避免参考资料淹没个人踩坑记忆。
5. CI 里挂 reflect：把 reflect 阶段挂进例行任务，定期让图谱自我整理，保持检索质量。

进阶学习建议

• 精读官方文档的 Memory Loop 设计（context -> act -> remember -> reflect），对比自建 RAG 记忆的差距，学习”记忆闭环”而非”记忆堆”的架构思路
• 研究 scoped multi-tenancy 的命名空间与策略门实现，借鉴到多租户 AI 产品的数据隔离设计
• 用 SurrealDB 的图查询能力直接分析自己的记忆图谱，观察 error_pattern 类记忆的积累曲线，量化团队踩坑收敛速度
• 跟进 hyperb1iss/sibyl 的 skills 与 hooks 生态演进，评估把 Sibyl 接入你的 Agent 编排工具链

参考链接

• Sibyl GitHub 仓库
• Sibyl 官方文档

本文基于公开资料于 2026-08-18 整理，社区指标反映 GitHub 公开数据。独立实测未进行，功能和配置项可能随版本更新而变化，请以官方文档为准。