Covalence ist eine native macOS-Anwendung, die über MCP (Model Context Protocol) einen dauerhaften, semantischen Langzeitspeicher für jeden KI-Client bereitstellt. Es läuft auf der eigenen Hardware des Benutzers, ohne dass eine Cloud oder ein registriertes Konto erforderlich ist, und alle Speicher werden lokal in Form von SQLite-Dateien gespeichert.

Die mandantenübergreifende KI-Persistenzspeicherschicht von Covalence

Kernparameter und Statistiken

Projekt	Parameter
Produktpositionierung	Lokale Persistenzspeicherschicht (MCP-Server) über AI-Clients hinweg
Lieferform	Native macOS-Desktopanwendung (.dmg-Installationspaket)
Protokoll/Schnittstelle	MCP (Model Context Protocol), das 9 Tools verfügbar macht
Eingebettetes Modell	nomic-embed-text-v1.5 (fp16, ~261 MB, lokal ausgeführt)
Vektorabmessungen	256 (Matroschka-Kürzung, Original 768→256)
Vektorindex	sqlite-vec (vec0 KNN)
Stichwortindex	SQLite FTS5 (BM25)
Fusionsstrategie	Reziproke Rangfusion (k=60) + hyperbolische Zeitgewichtung (10 %)
Mindestsystemanforderungen	macOS 15 (Sequoia) oder höher, Apple Silicon
Speicher-Backend	SQLite (lokale Dateien, volle Benutzerkontrolle)
Neueste Version	v1.4.0 (27.04.2026)
Lizenzmodell	Kostenlos, kein Konto/keine Telemetrie/keine Cloud-Abhängigkeiten
GitHub-Sterne	Unveröffentlicht (das Haupt-Repository ist ein privates Repository Darronz/Covalence)

Die Positionierung von Covalence ist sehr klar: Es handelt sich nicht um ein weiteres KI-Chat-Tool oder ein Wissensdatenbank-Managementsystem, sondern um eine Infrastrukturschicht – das Einfügen einer Schicht persistenten Speichers zwischen dem KI-Client (Claude Desktop, Claude Code, Cursor usw.) und dem großen Modell. Die gesamte eingebettete Berechnung erfolgt nativ auf Apple Silicon über den MLTensor, ohne API- oder Netzwerkaufrufe Dritter.

Benutzer- und Markterkennung

Steigern Sie nach und nach das Bewusstsein der Benutzer in diesem Bereich, und die Produktfunktionen werden von Inhaltserstellern und Teams genutzt, um die Arbeitseffizienz zu verbessern. Einige Branchenanwender haben es in ihren täglichen Arbeitsablauf integriert. Es wird empfohlen, die neuesten offiziellen Offenlegungen für spezifische Daten zur Benutzergröße und zur Branchenakzeptanzrate heranzuziehen.

Kostenvorteil

C-seitiger/persönlicher Benutzer: Covalence ist völlig kostenlos. Keine Abonnementgebühren, keine Bezahlung pro Nutzung, keine versteckten Gebühren. Benutzer müssen lediglich herunterladen und installieren, und alle eingebetteten Berechnungen werden auf dem lokalen Mac ausgeführt, ohne dass API-Credits verbraucht werden. Dies ist der grundlegendste Kostenunterschied zwischen ihm und Cloud-Speicherlösungen (wie der API-Version von Mem0).

API/Entwickler: Covalence stellt keine unabhängigen API-Dienste bereit, sondern ist in Form eines MCP-Servers in den AI-Client eingebettet. Entwickler müssen für die Speicherfunktionalität keine zusätzlichen API-Aufrufgebühren zahlen – die einzigen Kosten fallen für lokale Rechenleistung und Speicherung auf der macOS-Hardware an.

Unternehmen/Privat: Da die Daten von Covalence vollständig in der SQLite-Datei des Benutzers gespeichert werden, können Unternehmen Speicherdateien direkt in bestehende Backup- und Sicherheitsrichtlinien integrieren, ohne dass die zusätzlichen Kosten einer privatisierten Bereitstellung anfallen. Allerdings unterstützt die aktuelle Version nur den Standalone-Betrieb unter macOS und keine Teamfreigabe oder Zusammenarbeit mit mehreren Benutzern. Speicherfreigabeszenarien auf Unternehmensebene können noch nicht abgedeckt werden.

Versteckte Kosten: Hauptsächlich von macOS-Exklusivangeboten – wenn der Workflow einen KI-Client für Windows/Linux umfasst (wie VS Code + Copilot unter Windows), ist Covalence derzeit nicht abgedeckt. Darüber hinaus besteht eine Genauigkeitslücke von etwa 2 % (offizieller Selbsttest) zwischen der Abrufqualität des lokalen Einbettungsmodells (nomic-embed-text-v1.5) und der Einbettung großer Cloud-Modelle, die bei der semantischen Suche in hochspezialisierten Bereichen möglicherweise nicht so gut ist wie das dedizierte fein abgestimmte Modell.

Hauptfunktionen

• Semantischer Suchspeicher: Basierend auf dem Abruf von Hybridvektoren + Schlüsselwörtern wird die natürliche Sprachabfrage des Benutzers in einen Einbettungsvektor umgewandelt, und die vec0-KNN-Cosinus-Ähnlichkeitssuche und die FTS5-BM25-Volltextsuche werden gleichzeitig in lokalem SQLite durchgeführt, sortiert nach Reciprocal Rank Fusion, ergänzt durch hyperbolische Alterungsgewichtung (die neue Speichergewichtung ist etwas höher, aber die Alterung macht nur 10 % der Gesamtpunktzahl aus, um dies zu verhindern). die wahre Relevanz überschreiben).
• Kernerinnerungen: Benutzer können das wichtigste Wissen als „Kernerinnerungen“ markieren und diese Erinnerungen werden bei KI-Suchen immer zuerst zurückgegeben. Der Kernspeicher kann nur explizit vom Benutzer festgelegt werden, und die KI hat kein Recht, den gewöhnlichen Speicher unabhängig auf den Kern aufzurüsten, um sicherzustellen, dass der Benutzer die volle Kontrolle über wichtige Informationen behält.
• Spaces (Space-Isolation): Verwenden Sie den Parameter „--space“, um den Speicher in unabhängige Partitionen zu unterteilen. Die Erinnerungen an verschiedene Projekte, verschiedene Kunden oder verschiedene Zwecke überlagern sich nicht. Ein „--space“ entspricht einer unabhängigen Partition in der SQLite-Datenbank und Suchvorgänge und Durchsuchen geben nur Ergebnisse für den aktuellen Speicherplatz zurück.
• Dateispeicher: Neue Funktion in v1.4.0, die lokale Ordner überwachen und den Inhalt von Markdown-/Text-/Konfigurationsdateien automatisch als schreibgeschützten Speicher für die KI-Suche indizieren kann. Unterstützt YAML-Frontmatter-Parsing und Ignorierungsregeln im „.gitignore“-Stil mit einer Dateigrößenbeschränkung von 1 MB.
• MCP-Tool-Set: Stellt 9 Standard-MCP-Tools bereit (Einzelheiten finden Sie in der Liste der geöffneten Tools unten). KI-Clients können diese Tools über das Standard-MCP-Protokoll aufrufen, um Speichererweiterungen, -löschungen, -änderungen und die Statusüberwachung durchzuführen.

Modell- und Versionsentwicklung

Die Versionsiteration von Covalence wird ab April 2026 beschleunigt und durchläuft derzeit eine schnelle Weiterentwicklung von der CI-Verifizierung zur Funktionsbereitstellung:

Früher Pipeline-Validierungszeitraum (v1.3.2 – v1.3.5)

Der Schwerpunkt dieser vier Releases liegt auf der Stabilität der CI/CD-Pipeline. v1.3.2 ist die erste Runde der durchgängigen automatisierten Release-Überprüfung; v1.3.3-v1.3.4 behebt Pipeline-Probleme wie fehlende eingebettete Modelle, falsche DMG-Upload-Pfade und nicht synchronisierte Versionshinweise; v1.3.5 behebt dringend einen P0-Level-Fehler, der die Anwendung beim Start ohne Xcode zum Absturz brachte.

Mainline-Feature-Release (v1.4.0)

v1.4.0, veröffentlicht am 27. April 2026, ist die erste Hauptfunktionsversion und bringt drei Kernfunktionen mit: Dateisynchronisierung (Anchor Memories) ermöglicht es Covalence, den Inhalt lokaler Ordner automatisch zu indizieren; Durch das Umschreiben von KI-Anweisungen wird die Verhaltensführung präziser. Space Switcher (Space Switcher) bietet UI-Unterstützung für die Verwaltung mehrerer Projekte. Außerdem wurde das Befehlszeilentool „cov-benchmark“ zum Abrufen von Qualitätsbenchmarks veröffentlicht (aktueller Punktestand 30/30).

Technische Vorteile

Die technische Architektur von Covalence basiert auf den drei Prinzipien „lokale Priorität, Datenschutz und Sicherheit sowie geringe Latenz“. Im Folgenden werden seine Mechanismen und Wirkungen aus der Perspektive der Kausalkette erläutert.

Native Einbettung + Matryoshka-Trunkierung: Das Einbettungsmodell nomic-embed-text-v1.5, das über MLTensor auf Apple Silicon läuft, gibt einen 768-dimensionalen Vektor aus, der sofort auf die ersten 256 Dimensionen gekürzt wird. Dieses Design basiert auf der Entdeckung des Matryoshka Representation Learning, dass die ersten N Dimensionen selbst eine gültige Einbettungsteilmenge sind, die nur etwa 2 % der Abrufgenauigkeit einbüßt, aber den Speicherplatz von 3 KB auf 1 KB pro Speicher reduziert. Bei Speicherbanken, die mit Gesprächen wachsen, bedeutet die dreifache Speichereffizienz, dass Benutzer Speicherzyklen auf gleichwertiger Hardware länger aufrechterhalten können.

Asymmetrische Suchcodierung: Die Abfrage und das Dokument werden mit unterschiedlichen Textpräfixen („search_query:“ vs. „search_document:“) codiert, sodass die Abfrage und das Dokument in unterschiedliche Bereiche des Vektorraums fallen. Kosinusähnlichkeit misst „Kann das Dokument diese Frage beantworten“ und nicht „ob die beiden Textteile ähnlich sind“. Dies ist in KI-Speicherszenarien von entscheidender Bedeutung – die Suchabsicht des Benutzers ist normalerweise eine Frage und nicht ein Kopieren und Einfügen, und eine asymmetrische Kodierung eignet sich besser für den Frage-und-Antwort-Abruf als eine symmetrische Kodierung.

Hybrid Retrieval Fusion (RRF): Vektorähnlichkeitssuche und BM25-Schlüsselwortsuche werden parallel ausgeführt, wobei jeweils „max(limit×4, 20)“-Kandidaten (×6, wenn Filterbedingungen vorhanden sind, um den Verlust der Post-Swift-Layer-Filterung zu kompensieren) angenommen werden, nach dem Kosinusschwellenwert (Standard 0,3) gefiltert und dann durch Reciprocal Rank Fusion (k=60) zusammengeführt und sortiert werden. Dieser Standardparameter (identisch mit Microsoft Azure AI Search und Elastic) gewährleistet die Stabilität der Fusion. Eine Alterungsgewichtung von 10 % stellt sicher, dass neue Erinnerungen die Oberhand gewinnen, wenn sie gleichermaßen relevant sind, aber dass ältere Erinnerungen, die wirklich relevant sind, nicht durch Alterung überschrieben werden.

Architektur ohne externe Abhängigkeit: Das gesamte System – Datenbank, eingebettetes Modell, Suchmaschine – läuft alles auf der Hardware des Benutzers. Keine Netzwerkaufrufe, keine API-Schlüssel und keine Cloud-Abhängigkeiten von Drittanbietern. Speicherdateien sind SQLite-Dateien, die vollständig dem Benutzer gehören und jederzeit nach Markdown oder JSON exportiert werden können.

Wie man es benutzt

Schneller Einstieg in 3 Minuten

Die Nutzung von Covalence gliedert sich in zwei Schritte: Installation der Anwendung + Konfiguration der MCP-Verbindung.

1. Installieren Sie die Anwendung

Laden Sie die neueste DMG von covalence.app herunter, ziehen Sie Covalence.app in das Verzeichnis „/Applications“ und starten Sie es. Erfordert macOS 15+ und Apple Silicon.

2. MCP-Verbindung konfigurieren

Fügen Sie am Beispiel von Claude Desktop Folgendes in „~/Library/Application Support/Claude/claude_desktop_config.json“ hinzu:

„json { „mcpServers“: { „Kovalenz“: { „Befehl“: „/Applications/Covalence.app/Contents/MacOS/cov-mcp“ } } } „

Claude Code-Benutzer fügen über die Befehlszeile hinzu:

„Bash Claude mcp fügt covalence /Applications/Covalence.app/Contents/MacOS/cov-mcp hinzu „

Cursor-Benutzer fügen dieselbe JSON-Konfiguration unter Einstellungen > MCP-Server hinzu.

3. KI-Befehle hinzufügen (empfohlen)

Fügen Sie die Verhaltensanweisungen von Covalence zu den Systemaufforderungen des KI-Clients hinzu, um der KI mitzuteilen, wann „memory_search“ und „memory_store“ verwendet werden sollen. Der Inhalt der Anleitung ist verfügbar unter covalence.app/docs/ai-instruction/.

Liste der geöffneten Werkzeuge (MCP Tools)

Covalence stellt über das MCP-Protokoll die folgenden 9 Tools zur Verfügung, die der AI-Client direkt aufrufen kann:

Werkzeugname	Funktion	Schlüsselparameter
memory_store	Neuen Speicher speichern	Inhalt (erforderlich), Titel, Tags, Metadaten, Kern
memory_search	Semantischer Suchspeicher	Abfrage (erforderlich), Limit, Schwellenwert, Tags, Quelle, Kern
memory_list	Aktuellen Speicher durchsuchen	Grenze, Offset, Quelle, Tags, Kern
memory_retrieve	Erhalten Sie den vollständigen Speicher nach ID	id(erforderlich)
memory_delete	Speicher dauerhaft löschen	id (erforderlich)
memory_update	Speicherinhalt aktualisieren	ID (erforderlich), Inhalt, Titel, Tags, Metadaten
memory_promote	Upgrade auf Kernspeicher	id (erforderlich)
memory_demote	Downgrade auf normalen Speicher	id (erforderlich)
memory_status	Aktuelle Platzstatistiken abrufen	Keine Parameter

Architektur-Link

„ AI-Client (Claude Desktop / Claude Code / Cursor / OpenCode) ↓ MCP-Protokoll (stdin/stdout) cov-mcp (Covalence MCP Server, native macOS-Binärdatei) ↓ SQLite-Datenbank (lokale Datei) ├── vec0 virtuelle Tabelle (Vektorindex, 256-dimensionale Kosinusähnlichkeit) └── FTS5 virtuelle Tabelle (Stichwortverzeichnis, BM25) „

Leitfaden für technische Fallstricke

1. Token- und Kontextkontrolle: „memory_search“ von Covalence gibt standardmäßig 5 Ergebnisse zurück (maximal 20). Der vom AI-Client für jede Suche verbrauchte Token wird durch die Länge des zurückgegebenen Speicherinhalts bestimmt. Es wird empfohlen, in der KI-Anweisung einen angemessenen Grenzwert festzulegen, um zu verhindern, dass eine einzelne Suche zu viele Kontexte einführt und das Fenster füllt. Das Limit von „memory_list“ beträgt standardmäßig 10 und das Maximum liegt bei 50. Achten Sie beim Durchsuchen von Seiten auf den zunehmenden Offset.

2. Tag-Filterung und Leistung: Bei der Verwendung von Tags/Quelle/Kernfilterbedingungen führt die Vektorsuche von Covalence zu einem Overfetch (unter Verwendung von „Limit×6“-Kandidaten), da die Filterung auf der Swift-Ebene und nicht auf der SQL-Ebene durchgeführt wird. Dies bedeutet, dass eine gefilterte Suche mehr lokale Rechenressourcen verbraucht als eine ungefilterte Suche. In Hochfrequenzfilterszenarien wird empfohlen, den Grenzwert zu kontrollieren, um unnötige Leistungsverluste zu vermeiden.

3. Unwirksamkeit und Sicherheit der Dateisynchronisierung: Dateispeicher (Dateispeicher) sind schreibgeschützt und Covalence ändert die Quelldatei nicht. Nachdem eine Datei gelöscht oder verschoben wurde, wird der entsprechende Speicher jedoch nicht automatisch bereinigt – dies muss manuell in den Anwendungseinstellungen erfolgen (Option „Behalten oder löschen“). Darüber hinaus kommuniziert „cov-mcp“ derzeit nur über lokale stdin/stdout und stellt keine Netzwerkports zur Verfügung (Remote-MCP-Übertragung ist in der Roadmap vorgesehen), sodass kein Risiko eines unbefugten Zugriffs auf das Netzwerk besteht. Sie müssen jedoch auf die Zugriffsberechtigungen von SQLite-Dateien achten, wenn mehrere Benutzer dasselbe macOS-Konto verwenden.

Produktpreise

Das Preismodell unterliegt der offiziellen Echtzeitseite. In der Regel wird ein Freemium- oder Abonnementsystem verwendet und Grundfunktionen können kostenlos genutzt werden. Für erweiterte Funktionen oder eine hochfrequente Nutzung sind kostenpflichtige Abonnements erforderlich. Benutzern wird empfohlen, die optimale Lösung anhand der tatsächlichen Nutzung zu bewerten.

Anwendungsszenarien

• Sitzungsübergreifende Kontextbeibehaltung: Wenn Entwickler Claude Code oder Cursor für die mehrtägige Projektentwicklung verwenden, kann sich Covalence an die technischen Entscheidungen, Codespezifikationen und wichtigsten Einschränkungen der vorherigen Phase erinnern, sodass der Kontext nicht für jede neue Konversation von Grund auf erklärt werden muss. Wichtige zu überprüfende Punkte: Ob die KI zu Beginn einer neuen Sitzung automatisch „memory_search“ aufruft und ob der abgerufene Speicher die für die aktuelle Aufgabe erforderlichen Entscheidungsinformationen enthält.
• KI-Transformation der persönlichen Wissensdatenbank: Fügen Sie die Ordner mit persönlichen Notizen, technischen Dokumenten und Konfigurationsdateien zur Überwachungsliste von Covalence hinzu, und der KI-Client kann direkt nach diesen lokalen Inhalten in der Konversation suchen, ohne manuelles Kopieren und Einfügen. Verifizierungsschwerpunkt: Automatische Neuindizierungsverzögerung nach Dateiänderungen und YAML-Frontmatter-Parsing-Unterstützung für strukturierte Metadaten.
• Speicherisolation für mehrere Elemente: Erstellen Sie über den Parameter „--space“ einen unabhängigen Speicherplatz für jedes Element, damit die KI bei der Verarbeitung von Element A nicht „fälschlicherweise an den Kontext von Element B erinnert“. Geeignet für Entwickler, die mehrere Client-Projekte oder Technologie-Stacks gleichzeitig verwalten. Wichtige Punkte der Überprüfung: Ob die KI den aktuellen Raum nach dem Raumwechsel genau identifizieren kann und ob die Datenisolation zwischen den Räumen vollständig ist.

Passt nicht zur Grenze

– Covalence ist derzeit nur für macOS verfügbar und steht Windows/Linux-Benutzern nicht zur Verfügung. – Netzwerktransport MCP (Remote-/Netzwerktransport) wird nicht unterstützt und Clients wie ChatGPT, die nur Remote-MCP-Verbindungen unterstützen, sind vorübergehend nicht verfügbar. – Die Einzelmaschinenarchitektur stellt fest, dass sie nicht für Szenarien mit gemeinsam genutztem Teamspeicher oder für die Zusammenarbeit mit mehreren Benutzern geeignet ist. – Auf nomic-embed-text-v1.5 basierende Suchvorgänge weisen in hochspezialisierten Bereichen (z. B. juristische Begriffe, medizinische Literatur) eine begrenzte Genauigkeit auf und das Einbettungsmodell kann nicht angepasst werden.

Anwendbare Personen

• KI-Entwickler auf der macOS-Plattform: Entwickler, die KI-Programmiertools wie Claude Code und Cursor verwenden, sind Hauptnutzer von Covalence. Sie erfordern, dass der Projektkontext sitzungsübergreifend beibehalten wird, und stellen hohe Anforderungen an Datenschutz und lokale Kontrolle. Voraussetzungen: macOS 15+, Apple Silicon.
• Claude Desktop-starke Benutzer: Benutzer, die Claude als täglichen Wissensassistenten verwenden, können Covalence verwenden, um Claude persönliche Vorlieben, Projekthintergrund und wichtige Entscheidungen merken zu lassen, ohne jedes Mal manuell den Kontext bereitstellen zu müssen. Voraussetzung: Akzeptieren Sie einen durch lokale Einbettung verursachten Verlust der Rückrufgenauigkeit von etwa 2 %.
• Datenschutzrelevante KI-Benutzer: Benutzer, die aufgrund von Datenschutz- oder Datenschutzbedenken zögern, ihren Gesprächsverlauf in die Cloud hochzuladen. Die Zero-Remote-Call-Architektur von Covalence stellt sicher, dass „Daten den lokalen Computer nicht verlassen“. Voraussetzung: Bereitschaft, die Sicherung und den Export von SQLite-Dateien selbst zu verwalten.

Gilt nicht für die Masse

– Benutzer, die hauptsächlich ChatGPT (Remote-MCP-Client) verwenden – Covalence unterstützt derzeit nicht die von ChatGPT erforderlichen Netzwerktransportmodi. – Benutzer, die eine plattformübergreifende (Windows/Linux) oder geräteübergreifende Speichersynchronisierung benötigen.

• Teams, die einen Team-Collaboration-Speicher oder eine Wissensmanagementplattform auf Unternehmensebene benötigen.

Zusammenfassung und Ausblick

Covalence betritt den Markt für KI-Speicherschichten mit der differenzierten Positionierung von „Local First + MCP-Protokoll“. Sein Kernwert ist: Verlässt sich nicht auf Cloud-Dienste, verursacht keine laufenden Kosten und stellt KI-Clients nur dauerhaften semantischen Speicher durch lokale Einbettung und Hybridabruf bereit, der auf der Hardware des Benutzers ausgeführt wird. In Bezug auf die technische Architektur stellen die drei Designs Matryoshka-Trunkierung, asymmetrische Suchcodierung und RRF-Fusion zusammen eine technische Lösung mit theoretischer Unterstützung und quantitativen Kompromissen dar – etwa 2 % Genauigkeit im Austausch für die dreifache Speichereffizienz, was im Kontext persönlicher Geräte ein vernünftiger Kompromiss ist.

Die aktuelle Version (v1.4.0) verfügt über eine vollständige Funktionsabdeckung: semantische Suche, Kernspeicher, räumliche Isolierung, Dateisynchronisierungs-MCP-Toolset, das im Wesentlichen den Speicheranforderungen einzelner Benutzer entspricht. Die wichtigsten Einschränkungen des Projekts liegen jedoch ebenso auf der Hand: macOS-Exklusivität, eigenständige Architektur, keine Möglichkeiten zur Teamzusammenarbeit und Projektwartung, die auf den Input einzelner Entwickler angewiesen ist. Im Kontext der schnellen Veränderungen im KI-Tool-Ökosystem werden die Unterstützung der Remote-MCP-Übertragung und die plattformübergreifende Unterstützung Schlüsselknoten sein, die darüber entscheiden, ob es sich von einem „interessanten persönlichen Projekt“ zu einem „weit verbreiteten Speicherschichtstandard“ entwickeln kann.

Risikobewertung bei Anschaffung/Einführung: Covalence verursacht für einzelne Entwickler nahezu keine Einführungskosten (kostenlos + keine Registrierung + 5 Minuten für die Konfiguration) und kann als „Plug-and-Play“-Erweiterung für Claude Code/Cursor-Workflows ausprobiert werden. Es wird empfohlen, dass der Testzeitraum 1–2 Wochen beträgt. Dabei liegt der Schwerpunkt auf der Bewertung: ob die KI das Speichertool wie erwartet automatisch aufrufen kann, ob die Abrufergebnisse den Schlüsselkontext in der täglichen Entwicklung abdecken und ob die macOS-Exklusivität im Widerspruch zum aktuellen Workflow steht. Unternehmen müssen vor dem Kauf Folgendes überprüfen: die sichere Backup-Lösung für SQLite-Dateien, die langfristigen Risiken, die sich daraus ergeben, dass derzeit keine Unternehmensversionsunterstützung verfügbar ist, und die kommerzielle Nachhaltigkeit des Projektbetreuers. Für Szenarien, die plattformübergreifenden oder Team-Collaboration-Speicher erfordern, empfiehlt es sich, auch auf den Fortschritt von Lösungen wie LangSmith und Mem0 zu achten.

Verwandte Tools: github-copilot, cursor

Versionsinfo

• Dateisynchronisierung, KI-Anweisungsumschreibung und Space Switcher ：Eine neue Dateisynchronisierungsfunktion (Anchor Memories) hinzugefügt, die den Inhalt lokaler Ordner automatisch indizieren kann; vollständig neu geschriebene KI-Anweisungen; einen neuen Space-Switcher hinzugefügt; und veröffentlichte das Retrieval-Quality-Benchmark-Tool cov-benchmark. （2026-04-27）
• P0-Hotfix ：Das schwerwiegende Problem des Absturzes des Anwendungsstarts ohne Xcode wurde behoben und die Einbettungslogik der Swift-Laufzeitbibliothek der CI-Build-Pipeline korrigiert. （2026-04-20）
• Pipeline-Fix-Release ：Drei CI-Pipeline-Fehler in Version 1.3.3 wurden behoben (Fehler „DMG-URL fehlt im eingebetteten Modell“, Versionshinweise wurden nicht hochgeladen) und es gibt keine benutzerseitigen Funktionsänderungen. （2026-04-19）
• Phase-Gate-Roundtrip ：Die erste vollautomatische CI/CD-Pipeline-Verifizierungsversion, die den End-to-End-Prozess für die automatische Bereitstellung von Dispatch→Workflow→Commit→CF überprüft. Es gibt noch kein offizielles genaues Datum, bitte beachten Sie das aktuelle Veröffentlichungsetikett. （2026-04-16）