在人工智能开发领域，核心争议正从模型本身转向如何为模型构建合适的“车驾”。车驾指围绕大模型构建的代理循环、工具定义、上下文管理及记忆层，是将原始模型转化为实用产品的关键。然而，传统模式下记忆数据往往被锁定在特定厂商的封闭系统中，导致用户面临高昂的转换成本。 一种解决方案是构建统一的记忆层，使其独立于任何具体车驾，通过标准化接口实现跨平台互通。研究人员展示了如何利用 Hooks 机制，在 Cursor、Claude Code 和 OpenAI Codex 三个不同代码助手间实现共享记忆。与依赖模型主动调用的 MCP 工具不同，Hooks 基于预定义的生命周期事件自动触发，如会话开始、用户提问或工具调用前后，能够被动且确定地记录所有会话事件，不占用模型的注意力资源。 该架构分为三层：在线层利用 Hooks 将每个会话事件以链表形式持久化存储至 Neo4j 数据库；离线“梦境阶段”定期批量处理积累的事件，利用大模型将其提炼为可维护的 Markdown 格式知识笔记；注入层则在新的会话启动时，将这些记忆自动加载至系统提示词中。这种设计使得记忆完全由用户掌控，无论用户切换使用哪种代码助手，都能无缝继承之前的上下文和工作状态，彻底打破了厂商围墙花园的限制。目前相关代码已开源，为构建通用化、可移植的 AI 代理记忆系统提供了实践范例。