开发者 Justin 在 Hacker News 发布 Mac 端工具 Breadcrumb，可将用户在电脑上的全部活动——屏幕操作、会议内容、AI 对话记录及决策过程——转化为可供 AI 检索的本地记忆。所有数据经 SQLCipher 加密存储，转录与说话人分离均由本地模型完成。
该工具通过 MCP 协议向 AI 提供 30 多个工具接口，兼容 Claude Code、Codex、Cursor 和 opencode。用户还能用自然语言教授规则，系统会在合适的上下文中自动调用相应规则。
作者分享了一个实际案例：开完 Zoom 会议后，只需一句指令，AI 便能读取会议转录、定位讨论中提及的所有 Bug、调取对应时间点的屏幕截图、启动本地服务器逐个诊断，最终在 JIRA 中创建 14 张附带截图证据的工单，并生成 Slack 汇报消息，全程无需预设任何工作流。
技术细节方面，Breadcrumb 平均仅占用单核约 12% 的算力，采用 Ollama 运行 Gemma 3 4B 模型完成本地分类与命名；纯 OCR 模式下每日数据量约 12MB。产品目前处于公开测试阶段，完全免费且无需注册账号，需 16GB 以上内存的 M 系列芯片 Mac。开发者计划未来通过端到端加密云同步与团队同步功能实现商业化。
事件分析
该工具的技术路径与微软 Windows Recall 有相似之处，但选择了全程本地化与开发者生态整合的差异化路线。核心看点在于以 MCP 协议作为记忆输出的标准接口，使录屏、会议、AI 对话等异构数据能被 Claude Code、Cursor 等编码智能体直接调用，本质上是构建个人可检索的工作上下文数据库。这一方向反映出 AI 编程工具的竞争已从模型能力延伸至上下文供给：记忆管理越完善，智能体在长程任务中的表现越好。潜在挑战包括隐私信任门槛、长期存储成本，以及与 Claude 等平台原生记忆功能的功能重叠。后续走向上，若端到端加密云同步与团队协作落地，该产品可能与企业知识管理工具形成交集，但单人开发者的持续迭代能力是主要不确定性。
核心观点：AI 竞争正从模型能力转向上下文供给，本地化的个人工作记忆或成开发者工具的下一个战场。
原文链接：Hacker News
