Covalence 免费

-
开发公司 Darron Z
地区 美国
官网 https://covalence.app/

Covalence 是一款 macOS 原生应用，通过 MCP（Model Context Protocol）为任何 AI 客户端提供持久化、语义化的长期记忆。它运行在用户自己的硬件上，无需云端、无需注册账号，所有记忆以 SQLite 文件形式存储在本地。

Covalence 产品界面

Covalence 的跨客户端 AI 持久化记忆层

核心参数与统计

项目 参数
产品定位 跨 AI 客户端的本地持久化记忆层（MCP Server）
交付形态 macOS 原生桌面应用（.dmg 安装包）
协议/接口 MCP（Model Context Protocol），暴露 9 个 Tool
嵌入模型 nomic-embed-text-v1.5（fp16，~261MB，本地运行）
向量维度 256（Matryoshka 截断，原始 768→256）
向量索引 sqlite-vec (vec0 KNN)
关键词索引 SQLite FTS5 (BM25)
融合策略 Reciprocal Rank Fusion (k=60) + 双曲线时效加权 (10%)
最低系统要求 macOS 15 (Sequoia) 或更新版本，Apple Silicon
存储后端 SQLite（本地文件，用户完全掌控）
最新版本 v1.4.0（2026-04-27）
许可模式 免费，无账号/无遥测/无云依赖
GitHub Stars 未公开（主仓库为私有仓库 darronz/covalence）

Covalence 的定位非常清晰：它不是另一个 AI 聊天工具，也不是知识库管理系统，而是一个基础设施层——在 AI 客户端（Claude Desktop、Claude Code、Cursor 等）与大模型之间插入一层持久化记忆。所有嵌入计算在本地 Apple Silicon 上通过 MLTensor 完成，不需要任何第三方 API 或网络调用。

用户与市场认可

在所属领域逐步建立用户认知，产品能力被内容创作者和团队用于提升工作效率。 部分行业用户已将其纳入日常工作流，具体用户规模和行业采用率等数据建议参考官方最新披露。

成本优势

C 端 / 个人用户：Covalence 完全免费。无订阅费、无按用量计费、无隐藏费用。用户只需下载安装，所有嵌入计算在本地 Mac 上完成，不消耗任何 API 额度。这是它与云端记忆方案（如 Mem0 的 API 版）最根本的成本差异。

API / 开发者：Covalence 不提供独立的 API 服务，而是以 MCP Server 形态嵌入到 AI 客户端中使用。开发者无需为记忆功能支付额外的 API 调用费——唯一成本是 macOS 硬件的本地计算和存储。

企业 / 私有化：由于 Covalence 的数据完全存储在用户的 SQLite 文件中，企业可以直接将记忆文件纳入现有的备份和安全策略，无需额外的私有化部署费用。但当前版本仅支持 macOS 单机运行，不支持团队共享或多用户协作，企业级记忆共享场景尚无法覆盖。

隐性成本：主要来自 macOS 独占——如果工作流涉及 Windows/Linux 的 AI 客户端（如 VS Code + Copilot 在 Windows 上），Covalence 目前无法覆盖。此外，本地嵌入模型（nomic-embed-text-v1.5）的检索质量与云端大模型嵌入存在约 2% 的精度差距（官方自测），在高度专业化领域的语义搜索中可能不如专用微调模型。

主要功能

  • 语义搜索记忆：基于混合向量+关键词检索，将用户的自然语言查询转化为嵌入向量，在本地 SQLite 中同时执行 vec0 KNN 余弦相似度搜索和 FTS5 BM25 全文搜索，通过 Reciprocal Rank Fusion 融合排序，辅以双曲线时效加权（新记忆权重略高，但时效仅占总分的 10% 以防止覆盖真实相关性）。
  • Core Memories（核心记忆）：用户可以将最重要的知识标记为"核心记忆"，AI 在搜索时这些记忆始终优先返回。核心记忆只能由用户显式设置，AI 无权自主将普通记忆升级为核心，确保用户对关键信息保有完全控制。
  • Spaces（空间隔离）：通过 --space 参数将记忆划分为独立分区，不同项目、不同客户端或不同用途的记忆互不干扰。一个 --space 对应 SQLite 数据库中的一个独立分区，搜索和浏览仅返回当前空间的结果。
  • 文件同步（File Memories）：v1.4.0 新增功能，可监控本地文件夹自动索引 Markdown/文本/配置文件中的内容，作为只读记忆供 AI 搜索。支持 YAML frontmatter 解析、.gitignore 风格的忽略规则1MB 文件大小上限。
  • MCP 工具集：暴露 9 个标准 MCP Tool（详见下方工具开放清单），AI 客户端可以通过标准 MCP 协议调用这些工具完成记忆的增删改查和状态监控。

模型与版本演进

Covalence 的版本迭代从 2026 年 4 月开始加速，目前经历了从 CI 验证到功能交付的快速演进：

早期管线验证期（v1.3.2 - v1.3.5）

这四个版本聚焦于 CI/CD 管线的稳定性。v1.3.2 是首轮端到端自动化发布验证；v1.3.3-v1.3.4 修复了嵌入模型缺失DMG 上传路径错误、发布说明未同步等管线问题；v1.3.5 紧急修复了无 Xcode 有境下应用启动崩溃的 P0 级 Bug。

主线功能发布（v1.4.0）

2026 年 4 月 27 日发布的 v1.4.0 是首个重大功能版本，带来了三项核心能力：文件同步（Anchor Memories）使 Covalence 能自动索引本地文件夹内容；AI Instruction 重写让行为引导更精确；空间切换器（Space Switcher）为多项目管理提供了 UI 支持。同时发布了 cov-benchmark 命令行工具用于检索质量评测（当前得分 30/30）。

技术优势

Covalence 的技术架构围绕"本地优先、隐私安全、低延迟"三个原则设计，以下从因果链角度解释其机制与效果。

本地嵌入 + Matryoshka 截断：嵌入模型 nomic-embed-text-v1.5 在 Apple Silicon 上通过 MLTensor 运行，输出 768 维向量后立即截断为前 256 维。这一设计基于 Matryoshka Representation Learning 的发现——前 N 维本身就是有效的嵌入子集，仅损失约 2% 的检索精度，但存储空间从每个记忆 3KB 降至 1KB。对于随对话不断增长的记忆库，三倍的存储效率意味着用户可以在同等硬件上维持更长的记忆周期。

非对称搜索编码：查询和文档使用不同的文本前缀（search_query: vs search_document:）进行编码，使查询和文档落入向量空间的不同区域，余弦相似度衡量的是"文档能否回答这个问题"而非"两段文本是否相似"。这在 AI 记忆场景中至关重要——用户的搜索意图通常是问题而非复制粘贴，非对称编码比对称编码更适合问答式检索。

混合检索融合（RRF）：向量相似度搜索和 BM25 关键词搜索并行执行，各自取 max(limit×4, 20) 候选（有过滤条件时取 ×6 以补偿 Swift 层后过滤的损耗），经余弦阈值过滤（默认 0.3）后通过 Reciprocal Rank Fusion（k=60）合并排序。这一标准参数（与 Microsoft Azure AI Search 和 Elastic 相同）确保了融合的稳定性。10% 的时效加权确保新记忆在相关性相同时胜出，但不会因时效而覆盖真实相关的旧记忆。

零外部依赖架构：整个系统——数据库、嵌入模型、搜索引擎——全部运行在用户硬件上。无网络调用、无 API Key、无第三方云依赖。记忆文件是用户完全拥有的 SQLite 文件，可随时导出为 Markdown 或 JSON。

如何使用

3 分钟快速上手

Covalence 的使用分为两个步骤：安装应用 + 配置 MCP 连接。

1. 安装应用

从 covalence.app 下载最新 DMG，将 Covalence.app 拖入 /Applications 目录并启动。需要 macOS 15+ 和 Apple Silicon。

2. 配置 MCP 连接

以 Claude Desktop 为例，在 ~/Library/Application Support/Claude/claude_desktop_config.json 中添加：

{
  "mcpServers": {
    "covalence": {
      "command": "/Applications/Covalence.app/Contents/MacOS/cov-mcp"
    }
  }
}

Claude Code 用户通过命令行添加：

claude mcp add covalence /Applications/Covalence.app/Contents/MacOS/cov-mcp

Cursor 用户在 Settings > MCP Servers 中添加相同 JSON 配置。

3. 添加 AI 指令（推荐）

将 Covalence 的行为引导指令添加到 AI 客户端的系统提示中，告知 AI 何时使用 memory_search 和 memory_store。指令内容可在 covalence.app/docs/ai-instruction/ 获取。

工具开放清单（MCP Tools）

Covalence 通过 MCP 协议暴露以下 9 个 Tool，AI 客户端可直接调用：

Tool 名称 功能 关键参数
memory_store 存储新记忆 content(必填), title, tags, metadata, core
memory_search 语义搜索记忆 query(必填), limit, threshold, tags, source, core
memory_list 浏览近期记忆 limit, offset, source, tags, core
memory_retrieve 按 ID 获取完整记忆 id(必填)
memory_delete 永久删除记忆 id(必填)
memory_update 更新记忆内容 id(必填), content, title, tags, metadata
memory_promote 升级为核心记忆 id(必填)
memory_demote 降级为普通记忆 id(必填)
memory_status 获取当前空间统计 无参数

架构链路

AI Client (Claude Desktop / Claude Code / Cursor / OpenCode)
    ↓  MCP Protocol (stdin/stdout)
cov-mcp (Covalence MCP Server, macOS native binary)
    ↓
SQLite Database (本地文件)
    ├── vec0 虚拟表 (向量索引, 256维余弦相似度)
    └── FTS5 虚拟表 (关键词索引, BM25)

工程踩坑指南

  1. Token 与上下文控制：Covalence 的 memory_search 默认返回 5 条结果（最大 20），AI 客户端每次搜索消耗的 Token 由返回的记忆内容长度决定。建议在 AI 指令中设置合理的 limit 值，防止单次搜索引入过多上下文撑爆窗口。memory_list 的 limit 默认 10、最大 50，分页浏览时注意 offset 递增。

  2. 标签过滤与性能：当使用 tags/source/core 过滤条件时，Covalence 的向量搜索会 over-fetch（取 limit×6 候选），因为过滤在 Swift 层执行而非 SQL 层。这意味着带过滤的搜索会比无过滤搜索消耗更多本地计算资源。高频过滤场景建议控制 limit 值，避免不必要的性能损耗。

  3. 文件同步的幂等性与安全：文件记忆（File Memories）为只读，Covalence 不修改源文件。但文件删除或移动后，对应的记忆不会自动清理——需要在应用设置中手动处理（"Keep or delete" 选项）。此外，cov-mcp 当前仅通过本地 stdin/stdout 通信，不暴露网络端口（远程 MCP 传输在路线图中），因此不存在网络越权风险，但多用户共享同一 macOS 账号时需注意 SQLite 文件的访问权限。

产品定价

定价模式以官方实时页面为准。通常采用免费增值（Freemium）或订阅制，基础功能可免费使用。 高级功能或高频使用需付费订阅，建议用户根据实际用量评估最优方案。

应用场景

  • 跨会话上下文保持：开发者在使用 Claude Code 或 Cursor 进行多日项目开发时，Covalence 能记住前一阶段的技术决策、代码规范和关键约束，避免每次新对话都从零开始解释上下文。核验重点：AI 是否在新会话开始时自动调用 memory_search，以及检索出的记忆是否包含当前任务所需的决策信息。
  • 个人知识库的 AI 化：将个人笔记、技术文档、配置文件所在的文件夹添加到 Covalence 的监控列表，AI 客户端就能直接在对话中搜索这些本地内容，无需手动复制粘贴。核验重点：文件变更后的自动重索引延迟，以及 YAML frontmatter 解析对结构化元数据的支持程度。
  • 多项目记忆隔离：通过 --space 参数为每个项目创建独立的记忆空间，AI 在处理 A 项目时不会"错误回忆"B 项目的上下文。适合同时维护多个客户项目或技术栈的开发者。核验重点：空间切换后 AI 是否能准确识别当前空间，以及跨空间的数据隔离是否彻底。

不适配边界

  • Covalence 当前仅为 macOS 应用，Windows/Linux 用户无法使用。
  • 不支持网络传输 MCP（remote/network transport），ChatGPT 等仅支持远程 MCP 连接的客户端暂不可用。
  • 单机架构决定了它不适合团队共享记忆或多用户协作场景。
  • 基于 nomic-embed-text-v1.5 的检索在高度专业化领域（如法律条款、医学文献）的精度有限，且不可自定义嵌入模型。

适用人群

  • macOS 平台上的 AI 开发者：使用 Claude Code、Cursor 等 AI 编程工具的开发者是 Covalence 的核心用户。他们需要跨会话的项目上下文保持，且对隐私和本地控制有较高要求。前置条件：macOS 15+，Apple Silicon。
  • Claude Desktop 重度用户：将 Claude 作为日常知识助手的用户，可以通过 Covalence 让 Claude 记住个人偏好、项目背景和重要决策，无需每次手动提供上下文。前置条件：接受本地嵌入带来的约 2% 召回精度损失。
  • 隐私敏感型 AI 使用者：因数据合规或隐私顾虑不愿将对话历史上传到云端的用户。Covalence 的零远程调用架构确保了"数据不出本机"。前置条件：愿意自行管理 SQLite 文件的备份和导出。

不适用人群

  • 主要使用 ChatGPT（远程 MCP 客户端）的用户——Covalence 暂不支持 ChatGPT 所需的网络传输模式。
  • 需要跨平台（Windows/Linux）或跨设备记忆同步的用户。
  • 需要团队协作记忆库或企业级知识管理平台的团队。

总结与展望

Covalence 以"本地优先 + MCP 协议"的差异化定位切入 AI 记忆层市场。它的核心价值在于：不依赖任何云端服务、不产生任何持续费用，仅通过在用户硬件上运行的本地嵌入和混合检索，为 AI 客户端提供持久化的语义记忆。技术架构上，Matryoshka 截断、非对称搜索编码和 RRF 融合这三项设计共同构成了一个有理论支撑、有量化权衡的工程方案——约 2% 的精度换 3 倍的存储效率，在个人设备场景下是合理的取舍。

当前版本（v1.4.0）的功能覆盖已经完整：语义搜索、核心记忆、空间隔离、文件同步MCP 工具集，基本满足个人用户的记忆需求。但项目的关键制约因素同样明显：macOS 独占、单机架构、无团队协作能力、项目维护依赖个人开发者投入。在 AI 工具生态快速变化的背景下，远程 MCP 传输支持和跨平台支持将是决定其能否从"有趣的个人项目"进化为"广泛采用的记忆层标准"的关键节点。

采购/采用风险评估：对于个人开发者而言，Covalence 的采用成本几乎为零（免费 + 无需注册 + 5 分钟配置），可以作为 Claude Code/Cursor 工作流的"即插即用"增强模块试用。试用周期建议为 1-2 周，重点评估：AI 是否能按预期自动调用记忆工具、检索结果是否覆盖日常开发中的关键上下文、以及 macOS 独占是否与当前工作流冲突。企业采购前需核验：SQLite 文件的安全备份方案、当前无企业版支持的长期风险、以及项目维护方的商业可持续性。对于需要跨平台或团队协作记忆的场景，建议同时关注 LangSmith 和 Mem0 等方案的进展。

相关工具：GitHub Copilot、Cursor

版本信息

  • File Sync, AI Instruction Rewrite & Space Switcher ：新增文件同步功能（Anchor Memories），可自动索引本地文件夹内容；AI指令全面重写；新增空间切换器；发布检索质量基准工具 cov-benchmark。
  • P0 Hotfix ：修复无Xcode有境下应用启动崩溃的严重问题，修正CI构建管线的Swift运行时库嵌入逻辑。
  • Pipeline Fix Release ：修复v1.3.3的三个CI管线Bug（嵌入模型缺失DMG URL错误、发布说明未上传），无用户侧功能变化。
  • Phase-Gate Round-Trip ：首次全自动CI/CD管线验证版本，验证 dispatch→workflow→commit→CF自动部署端到端流程。暂无官方精确日期，以实际release标注为准。

用户评价

  • 加载评价中...