KITE AI记忆系统副业，帮团队给智能体装长期记忆，一单500-3000元
前几天我在翻Scout的新项目时，看到一个叫memoket-kite的仓库，创建时间不算长，扫描时已经有一百多个Star，GitHub页面现在显示140个Star。它做的事很简单，也很刺眼，给AI智能体装一套能查证据的长期记忆。
我当时停了一下。
我们现在用Claude、ChatGPT、Cursor或者自建Agent，最烦的地方往往不是模型不会回答，而是它昨天明明知道的事情，今天又忘了。你告诉它客户已经换了负责人，它过两天还拿旧信息出来说。向量库能找到相似句子，却不一定知道哪一条是最新事实。
KITE的思路有点不一样。它把对话整理成带时间、人物和来源的事实，再把问题编译成一套可以检查的查询计划，最后把答案和原话一起拿回来。仓库README给出的公开测试结果是LoCoMo 93.51%，LongMemEval-S 85.60%，并强调平均每个问题只需要约1600个上下文token。[1]
这不是说它已经是成熟商业产品，远没有。但一个新项目把客户痛点戳得这么准，就值得顺着看一眼。
AI记忆系统为什么会变成一门服务
很多人看到AI记忆，第一反应是装个向量数据库，再接一个Embedding模型。这个路线当然能跑，但客户买的从来不是一个数据库。客户想要的是，三个月后问一句「上次那个客户最后定了哪个方案」，AI能给出现在有效的答案，还能告诉他这句话来自哪段会议记录。
这类需求已经出现了三个很具体的场景。
个人用户想把自己的长期对话、工作偏好和项目资料留住，不想每次开新会话都重新解释。小团队想让几个Agent共享项目背景，避免每个机器人各说各的。再往上，是咨询公司和软件团队，他们需要把客服记录、会议纪要和决策文档变成能追溯的知识层。
你可能觉得，这不是开发者才做得了吗？我理解这种感觉。KITE目前是Python库，文档、示例和集成还在发展，真正把它接进客户现有的Claude Code、Codex、Cursor或自研Agent，确实需要技术基础。
但服务不等于从零发明算法。客户需要的是有人把数据理顺，把部署跑起来，把旧记忆迁过去，再交付一份团队看得懂的使用说明。这里面有不少工作，模型不会替你承担。
三档服务，别一上来就卖大项目
| 服务 | 交付内容 | 建议报价 |
|---|---|---|
| 基础部署 | 环境安装、示例数据导入、一次问答验证 | 500至1000元 |
| 记忆迁移 | 整理聊天记录、会议纪要和知识文档，建立主题和来源索引 | 1500至3000元 |
| 团队接入 | 接入现有Agent、权限设计、更新规则、交付培训 | 3000元起 |
第一档适合冷启动。你先给客户装好KITE，拿一组脱敏数据跑通从消息到事实、从问题到计划、从证据到答案的完整链路。交付物不要只给一个Git仓库，最好有安装记录、测试问题和回滚方法。
第二档才是利润更好的部分。客户手里的旧资料通常乱得像抽屉，文件名五花八门，会议纪要里还有相互矛盾的决定。你要做的是分批导入，保留原始来源，给每条事实加时间和负责人，再设计几组真实问题验收。这个工作不性感，但客户愿意为它付钱。
第三档属于轻咨询。团队里谁能读哪些记忆，哪些内容可以进入公共知识层，客户删除资料后怎么同步，模型回答不确定时怎么返回空结果，这些都要提前定规则。没有规则的长期记忆，最后只会变成一座更难清理的垃圾场。
怎么把项目做成可交付的工具链
核心工具是KITE by Memoket。它使用主题索引和事实记录，不依赖向量数据库，仓库采用Apache-2.0许可证。[1] 你可以把它当成记忆层，而不是一个完整的聊天机器人。
数据处理可以用Python脚本完成，脱敏和格式整理可以交给Claude或ChatGPT辅助，但不要把客户原始记录直接丢进公共会话。交付报告用WPS或Excel就够了，里面列出已导入的数据范围、测试问题、已知缺口和后续维护方式。
我会把流程固定成六步。先确认客户的Agent形态和数据来源，再复制原始数据做只读备份。接着抽取事实并保留原文引用，然后建立主题和时间规则。第四步接入客户的调用流程，第五步用十到二十个真实问题做验收，最后交付操作手册和删除确认。
一开始可能会很笨拙，甚至比手动翻文档还慢。尤其是数据质量差的时候，你花半天时间只是为了判断两句话是不是同一个事实。这不是失败，而是服务的价值所在。客户自己不愿意做，才会找你。
客户从哪里来，别只盯着闲鱼
这个方向的客户不太像买Logo的人，他们通常藏在AI开发群、独立开发者社区、自动化工作流社群和企业数字化服务商身边。你可以先写一篇公开内容，演示一个很小的变化，比如同一条客户信息在三个月内发生更新，普通相似度检索会拿旧答案，带时间和来源的记忆层会返回新答案。
这种内容比「我能帮你搭AI记忆系统」有说服力多了。客户看到的是问题和结果，不是你的自我介绍。
第二个入口是给已经在做Agent集成的人当外包。很多人会接API、会做聊天界面，却不想处理历史数据迁移和权限规则。你不需要跟他们竞争整套项目，只接记忆层这一小段，先按项目收费，稳定后再做维护包。
第三个入口是内部知识整理。给咨询师、销售团队和小型软件公司做一次资料盘点，把会议记录和决策文档整理成可查询的事实库。这里不一定非要推KITE，客户要的是结果，技术路线应该服从数据安全和维护成本。
这个方向最大的坑，不是技术
第一是隐私。AI记忆里可能有客户报价、源代码、身份证明和内部决策。默认本地部署，客户授权什么你处理什么，全程保留备份和删除记录。不要为了展示效果，把真实聊天截图发到社交平台。
第二是夸大效果。README里的公开基准成绩是项目方提供的结果，不等于每个客户的数据都能达到同样表现。你应该把它当成技术信号，不能拿它替客户保证准确率。验收时要明确哪些问题能回答，哪些问题必须返回不知道。
第三是过早承诺全自动。KITE目前的集成生态还在发展，README也把Claude Code、Codex、Cursor和OpenCode等生态接入列为后续方向。[1] 这反而给服务商留下空间，但你要把工作范围写清楚，不能收了部署费，最后交付一张架构图。
还有一个现实问题，主流Agent以后可能自己把记忆功能做得很好。这个窗口不会永远打开。所以别把生意设计成只卖一次安装，应该把数据迁移、知识清理、记忆质量检查和团队权限维护做成后续服务。
最后想说几句
我喜欢KITE这个项目，不是因为它已经证明了什么，而是它把AI记忆从「找相似内容」往「回答有证据的问题」推了一步。这个差别，在个人聊天里可能只是偶尔觉得AI变聪明了，在团队业务里却直接关系到客户会不会因为旧信息做错决定。
如果你有Python基础，又愿意处理脏数据和部署细节，可以先拿自己的项目试一遍。不要先做漂亮官网，先准备十个真实问题，看看它能不能把答案和来源一起交出来。能跑通，再去找第一个客户。
一个小项目，一条新缝隙。磨平一些信息差，顺手赚点钱。