1. 为什么每个 AI agent 都要你重新自我介绍一遍
先说一个我反复遇到的场景：早上在 Cursor 里改一个 Python 解析模块，中午切到 Claude Code 继续调同一份逻辑，晚上又用 Codex 写测试。三个工具都很聪明，但它们有一个共同点——失忆。每开一个新会话，我都得重新交代：项目在哪个目录、我习惯用什么命名风格、上次那段 parsing 逻辑放在哪个文件、~/Downloads里的东西别动那是临时的。关掉窗口，这些上下文全部蒸发。
这不是模型能力问题，是架构问题。当前主流 agent 工具的记忆是「会话级」的，会话结束即销毁。你当然可以把这些信息塞进 system prompt，但那只解决了「被问才回答」的一半。更往前一步的问题是：能不能有一个常驻后台，持续观察你在这台设备上的信息，主动积累对你的理解，让所有 agent 工具共享同一份「你是谁」的认知？
这就是 Kith / agent-sys 想解决的问题。一句话概括：它是一个常驻本地的守护进程（daemon），持续扫描你指定的目录，用 LLM 理解每个文件，把结果存进本地 SQLite，再通过 RPC 暴露给外部 agent 调用。它默认扫~/Documents、~/Desktop，LLM 负责给文件打标签、做摘要、抽取知识点、生成个人画像，对外提供 Unix Socket 和 HTTP 两种接口，数据 100% 留在本地（除了发给 LLM 的那一小部分内容）。
适合谁？如果你同时用两个以上 AI 编码工具、经常需要重复交代背景、或者在做本地 agent 基础设施，这套东西值得一看。本文会给出可复制的 daemon 配置、RPC 接口定义、TaoToken 接入参数，并演示一次完整的 agent 记忆读写验证流程。核心检索词就三个：Kith、agent-sys、AI agent 长期记忆后台。
2. 为什么选 daemon 而不是 MCP server，以及 TaoToken 前置准备
这是我做的第一个硬决策，也是很多人会问的：现在 MCP 这么火，为什么不用 MCP server？
答案在生命周期。MCP server 是由调用方拉起、调用方退出时终止的。而 agent-sys 要做的事——慢慢扫 21 万个文件、每天跑一次 daily report、watch 文件变化——天然需要独立寿命。你 Cursor 关了我还得跑，你 Claude Code 退出了索引不能停。所以形态上必须是 daemon，协议层用最无聊的 HTTP：任何语言、任何工具，只要能发 HTTP 就能用。MCP 那套 stdio 通信、capability negotiation 的复杂度，在本地单用户单机场景下一点都用不上。
选协议时先问「我在解决什么问题」，不是「什么协议最新最潮」。
接下来是模型能力接入。daemon 里的 LLM 业务逻辑（triage 分诊、summarizer 摘要、cron 决策）都需要调模型。如果每个 agent 各自配一套 Key，管理会非常乱。我的做法是用 TaoToken 统一 Key/API 通道，所有模型调用走同一个入口。
TaoToken 是什么？它是一个统一的模型 API 网关，把不同厂商的模型能力收敛到一套 Base URL + Key 的调用方式上。对 agent-sys 这种「一个 daemon 里跑十几个 agent、每个 agent 可能用不同模型」的场景特别合适——你不需要为每个 agent 单独申请和轮换 Key，改一处配置就能切换底层模型。
前置准备三步：
第一步，注册并拿到 Key。访问官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 完成注册，然后进控制台 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console 创建 API Key。Key 只在创建时显示一次，记得立刻存到安全的地方。
第二步，确认你要用的 Model ID。进模型对话页 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=model_chat 可以试跑，确认哪个模型适合你的 triage 和 summarizer 任务。triage 这种批量分类任务用便宜快速的模型就够，summarizer 需要理解长文本可以选能力更强的。
第三步，记下 API 地址。TaoToken 的 API 端点是 https://taotoken.net/api（注意这个地址不加 UTM 参数，直接用于代码里的 Base URL）。
三件套凑齐：Base URL =https://taotoken.net/api，Key = 你刚创建的那串，Model ID = 你在对话页确认的模型名。后面所有配置都围绕这三个值展开。
3. 可复制的 daemon 配置与 TaoToken 接入参数
这一节是全文最实操的部分。agent-sys 的配置分两块：daemon 自身的运行配置，和 LLM 通道的接入配置。我按文件路径给你完整片段，直接抄改就能跑。
先看 daemon 主配置config/default.yaml。这里定义扫描范围、triage 规则、调度策略：
# config/default.yaml daemon: host: 127.0.0.1 port: 7437 socket_path: ~/.agent_sys/agent_sys.sock auth_token_path: ~/.agent_sys/auth_token scan_roots: - ~/Documents - ~/Desktop watch: true triage: skip_path_patterns: - site-packages/ - node_modules/ - .cursor/extensions/ - __pycache__/ - .venv/ file_type_priority: .md: 9 .py: 8 .docx: 9 .txt: 2 hints: - "Downloads 文件夹里的 PDF 多是学习资料，值得总结" - "带 test_ 前缀的 python 文件通常是测试，可以降级" memory: lru_cache_size: 5000 sqlite_path: ~/.agent_sys/memory.db scheduler: max_concurrency: 4 daily_report_at: "03:00"然后是 LLM 通道配置，这是 TaoToken 接入的核心。agent-sys 把所有模型调用收敛到一个llm配置块，用 OpenAI 兼容格式：
# config/llm.yaml llm: provider: openai_compatible base_url: "https://taotoken.net/api" api_key: "${TAOTOKEN_API_KEY}" default_model: "claude-sonnet-4-5" timeout: 120 max_retries: 3 agents: triage: model: "gpt-4o-mini" temperature: 0.1 max_tokens: 512 summarizer: model: "claude-sonnet-4-5" temperature: 0.3 max_tokens: 2048 cron_decider: model: "gpt-4o-mini" temperature: 0.0 max_tokens: 1024注意api_key用的是环境变量引用，不要把 Key 硬编码进文件。启动前导出：
export TAOTOKEN_API_KEY="sk-你的key"如果你用 Claude Code 做开发，它的配置在~/.claude/settings.json，同样三件套：
{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "sk-你的key", "ANTHROPIC_MODEL": "claude-sonnet-4-5" } }如果你用 Codex，配置在~/.codex/auth.json：
{ "OPENAI_BASE_URL": "https://taotoken.net/api", "OPENAI_API_KEY": "sk-你的key", "model": "gpt-4o-mini" }三件套在任何工具里都是同一个逻辑：Base URL 指向 TaoToken 的 API 端点，Key 用你创建的那串，Model ID 用你在对话页确认的。Cline 的 MCP 配置也是同理，在cline_mcp_settings.json里把 provider 设成 openai compatible，base_url 填https://taotoken.net/api。
配置写完后启动 daemon：
python -m agent_sys.kernel.daemon --config config/default.yaml --llm-config config/llm.yaml启动日志里会看到子系统初始化顺序：kernel 加载生命周期、syscall 挂载 RPC 端点、scheduler 启动优先级队列、memory 打开 SQLite、agents 注册业务逻辑。如果 LLM 通道配置正确，你会看到llm channel ready: https://taotoken.net/api这一行。
4. 验证一次完整的 agent 记忆读写流程
配置跑起来只是第一步，真正要验证的是「agent 能不能读到关于你的记忆」。这一节走一遍完整流程：写入记忆、通过 RPC 读取、让外部 agent 消费。
先确认 daemon 活着：
curl http://127.0.0.1:7437/health # {"status": "ok", "uptime": 42, "agents": 12}/health和/status不鉴权，方便监控。/syscall和/reload必须带 token。token 在~/.agent_sys/auth_token，权限 0600：
TOKEN=$(cat ~/.agent_sys/auth_token)现在触发一次 triage，让 daemon 扫描并理解文件。这一步会调 TaoToken 通道：
curl -X POST http://127.0.0.1:7437/syscall \ -H "X-Agent-Token: $TOKEN" \ -H "Content-Type: application/json" \ -d '{"call_type": "triage.run", "params": {"limit": 200}, "caller": "manual"}'返回会告诉你分诊了多少文件、跳过了多少、消耗了多少 token。第一次跑建议 limit 设小一点，确认通道通了再放大。
接着写入一条显式记忆——比如告诉 daemon「X 是 Y 的代号」：
curl -X POST http://127.0.0.1:7437/syscall \ -H "X-Agent-Token: $TOKEN" \ -H "Content-Type: application/json" \ -d '{"call_type": "memory.write", "params": {"key": "codename", "value": "Kith 指代 agent-sys 项目", "tags": ["project"]}, "caller": "manual"}'然后读取用户上下文简报，这是外部 agent 最常调的端点：
curl -X POST http://127.0.0.1:7437/syscall \ -H "X-Agent-Token: $TOKEN" \ -H "Content-Type: application/json" \ -d '{"call_type": "report.brief", "params": {}, "caller": "cursor"}'返回是一段自然语言简报，包含你最近在做什么、有哪些高优先级文件、显式记忆里的代号。这就是「认识你」的后台对外输出的东西。
最后一步，让 Cursor 或 Claude Code 通过 skill 消费它。skill 就是一个带 YAML frontmatter 的 markdown，丢进~/.cursor/skills/或~/.claude/skills/：
--- name: agent-sys-user-context description: Use when the user asks "based on what you know about me", "what have I been working on", "do you know me yet". --- You have access to a local daemon. To fetch the user's current context: ```bash TOKEN=$(cat ~/.agent_sys/auth_token) curl -X POST http://127.0.0.1:7437/syscall \ -H "X-Agent-Token: $TOKEN" \ -d '{"call_type": "report.brief", "params": {}, "caller": "cursor"}'Return a one-paragraph synthesis grounded only in the brief.
skill 是接入面，daemon 是能力源。同一份 SKILL.md 丢进不同工具的 skills 目录都能工作，不用为每个新 agent 工具单独开发集成。 验证成功的标志：你在 Cursor 里问「你了解我吗」，它不再让你从头介绍，而是直接说出你最近在做的项目和偏好。那一刻这套后台就算跑通了。 ## 5. 本篇常见报错排查：401、local proxy failed、reading choices、OAuth 配置和验证过程中最容易踩的坑集中在四类报错。我按真实遇到的顺序列出来，对照排查。 **401 unauthorized**。这是最高频的。分两种：一种是 daemon 的 `X-Agent-Token` 不对，检查 `~/.agent_sys/auth_token` 内容和你 header 里带的是否一致，注意别把换行符带进去。另一种是 TaoToken 通道的 Key 不对，检查 `TAOTOKEN_API_KEY` 环境变量是否导出、是否在 daemon 启动的同一个 shell 里。如果 Key 正确还报 401，确认 Base URL 是不是写成了带路径的形式——正确值是 `https://taotoken.net/api`，不要多加 `/v1` 之类的后缀。 **local proxy failed**。这个报错通常出现在 daemon 尝试连 LLM 通道时。先确认 `config/llm.yaml` 里 `base_url` 拼写正确，再确认本机网络能访问 `taotoken.net`。如果 daemon 跑在容器里，检查容器网络是否能出网。还有一种情况是 timeout 设太短，长文本摘要任务 120 秒不够，调到 300。 **reading choices 相关报错**。这类报错一般出现在解析 LLM 返回时。TaoToken 返回的是 OpenAI 兼容格式，`choices[0].message.content` 是正文。如果你的代码直接读 `response["content"]` 就会报 KeyError。检查你的解析逻辑是否按 `choices` 数组取。另外 triage 任务如果 max_tokens 设太小（比如 128），返回会被截断导致 JSON 解析失败，调到 512 以上。 **OAuth 相关报错**。如果你在 Claude Code 里看到 OAuth 报错，说明它还在走默认的登录流程而不是你配的 Base URL。检查 `~/.claude/settings.json` 里 `ANTHROPIC_BASE_URL` 和 `ANTHROPIC_API_KEY` 是否都设了，两个缺一不可。设完后重启 Claude Code，让它重新读配置。Codex 同理，检查 `~/.codex/auth.json` 的 `OPENAI_BASE_URL`。 排查通用思路：先看 daemon 日志里 LLM 通道那行是否 ready，再用一条最小 curl 直接打 TaoToken 的 API 确认 Key 和网络没问题，最后才怀疑业务代码。分层定位能省很多时间。 ## 6. 把记忆后台接进你的日常编码流 跑通之后，真正让它产生价值的是接进日常流程。我的做法是三个 skill 常驻：`agent-sys-user-context` 查上下文、`agent-sys-file-search` 搜文件、`agent-sys-admin` 管 daemon，加起来不到 300 行。每次开新会话，agent 自己判断该不该调，不需要我手动触发。 下一步值得做的是双向对话。现在 agent 只能读，还应该能写——通过 syscall 告诉 daemon「这个文件很重要，升级成 high」「帮我记住 X 是 Y 的代号」。单向消费变双向，后台才会越用越懂你。 如果你也在为「每次对 agent 都要重新自我介绍」挠头，或者在做类似的本地 agent 基础设施，可以从最小配置跑起：先配好 TaoToken 三件套，启动 daemon，跑一次 triage，再写一个 skill 丢进 Cursor。跑通那一刻你会明白，agent 不该每次被召唤才出现，它该是持续存在的背景智能。
