pickfit

瀏覽開發者 CLI

OpenSelf

使用者自有的本機情境保管庫,會儲存記憶並為 AI agent 編譯有界情境。

已在 Linux 上測試

使用

Linux x86_64

需要先準備

  • 執行環境:Node.js 22.13 or newer
  1. 透過 npm 安裝 openself

    npm install -g openself
README 與實測不符之處
  • README 寫: openself init --data-dir ~/.openself and openself doctor
    實際可行: 不需初始化;`openself memory add --data-dir /tmp/osvault` 會自動建立保管庫;1.0.1 中沒有 `openself init` 與 `openself doctor`
  • README 寫: 1.1.0 stable, openself context --explain, openself demo --data-dir ./demo-data
    實際可行: npm 最新版為 1.0.1(僅發布 0.7.0、1.0.0-rc.2、1.0.0、1.0.1);`openself context --explain` 與 `openself demo` 不存在(unknown command)

確認能用

openself --version

輸出應包含「1.0.1」。

先試試這個

rm -rf /tmp/osvault && openself memory add --type decision --scope project/openself --content "Use SQLite as the local source of truth" --source docs/architecture.md --tags architecture,database --data-dir /tmp/osvault && openself memory search --query "Which database did we choose?" --scope project

執行 openself memory add 並指定類型、範圍與內容,儲存你的第一筆記憶。

它能做什麼

  • 儲存決策、偏好與事實
    怎麼使用
    1. 新增記憶:openself memory add --type decision --scope <scope> --content "<your text>" --source <file> --tags <tags> --data-dir <dir>
    2. 搜尋:openself memory search --query "<your question>" --scope <scope> --data-dir <dir>
    3. 查看儲存庫總計:openself memory stats --data-dir <dir>
    已測試
  • 匯入文件與聊天匯出檔
    怎麼使用
    1. 匯入檔案:openself memory import --file <file> --scope <scope> --data-dir <dir>
    2. 搜尋匯入的記憶:openself memory search --query "<your question>" --scope <scope> --data-dir <dir>
    已測試
  • 建立附說明且有大小限制的情境套件
    測試未通過

pickfit 測到哪一步

Linux x86_64

  1. 可以安裝
  2. 可以啟動
  3. 3 項功能中 2 項可用
  4. 可離線使用

macOS 和 Windows:專案說支援,但 pickfit 還沒試過。

適合用來

  • 將長期決策儲存為具型別的記憶
  • 依查詢與範圍搜尋已儲存的記憶
  • 預覽 agent 將收到的確切情境區塊及收據
  • 匯入文件及 WhatsApp 或 Telegram 聊天匯出檔
  • 審查並核准 agent 提議的記憶

pickfit 怎麼測的

每次測試都從乾淨的機器開始,照上面的步驟執行。 pickfit 怎麼驗證

Linux x86_64

主要功能可用

  • 從頭重跑
  • 可離線使用
  • 檢查於 2026年10月30日
  • 版本 1.0.1

怎麼看工具卡

縫線
pickfit 親自安裝過這款工具,縫線下方的內容都來自那次測試。沒測過的工具,一律沒有縫線。
已在你的作業系統上驗證
安裝步驟在你選的系統上跑過。「只在 Linux 上執行過」表示還沒在你的系統上跑過。
macOS、Linux 和 Windows在哪裡測過
綠色系統標記:pickfit 在該系統跑過安裝步驟。灰色:README 說支援,但 pickfit 還沒試過。
測試進行到哪一步
能安裝並啟動、主要功能可用、服務有回應、能產生模型輸出。視窗代表桌面應用程式已開啟;插頭代表 MCP 用戶端用過它。標記在測試結果旁邊:展開「為什麼適合、我們怎麼知道」,或在「pickfit 怎麼測的」裡。
視覺檢查
pickfit 看過應用程式的截圖。綠色:畫面正常。黃色加數字:有看起來不對的地方,點開就能看到。灰色虛線:還沒檢查。
已知漏洞
它安裝的套件有沒有已知的高風險或嚴重漏洞(OSV.dev)。綠色:沒有已知漏洞。紅色加數字:有幾個,點開看清單,安裝前先看過。灰色虛線:沒有檢查,不代表安全。
關於這次測試
測試日期,以及測到的版本。
理由的來源
每個推薦理由都依據簡介裡的一個欄位。展開理由就能看到欄位和值。
寶藏
品質高、少有人知。
品質與知名度
兩個分數,滿分都是 100。品質:pickfit 試裝、試用的結果,以及安裝文件和維護狀況。知名度:看星數、下載量和 Hacker News。
已檢查的功能
README 宣傳的主要功能裡,實測通過幾項(綠色)、失敗幾項(紅色)。灰色是沒檢查的,工具卡會說明原因。
未驗證
Fitz 依一般知識提到的知名工具。沒有測試紀錄、沒有步驟、沒有分數。