新闻详情

新闻详情

首页 / 资讯中心 / 详情

Codeg会话聚合:一键导入15个AI编程工具的历史对话,从上次停下的地方继续

发布时间:2026/11/12 10:16:26来源:尧图网络
Codeg会话聚合:一键导入15个AI编程工具的历史对话,从上次停下的地方继续
Codeg会话聚合一键导入15个AI编程工具的历史对话从上次停下的地方继续【免费下载链接】codegCollaborative multi-agent AI coding workspace: aggregate sessions from Claude Code, Codex, OpenCode, Pi, Grok Build, etc. Desktop app, self-hosted server, or Docker.项目地址: https://gitcode.com/gh_mirrors/co/codegCodeg是一款协作式多智能体 AI 编码工作区核心能力之一叫会话聚合把本机 15 个 AI 编程工具Claude Code、Codex、Gemini、OpenCode、Cline、Pi、Grok、Cursor 等散落在各自目录里的历史对话一键导入到一个可搜索、可继续的统一工作区。你上周用 Claude Code 写到一半的活儿今天切到 Codex可以直接接着干——不用再翻终端日志、翻~/.claude目录也不用复制粘贴上下文。为什么你需要会话聚合用过两个以上 AI 编程工具的人大概率有这些烦恼 历史对话散落在各工具的私有目录里格式互不兼容找不回来 换工具就要从零再讲一遍上下文全靠手动搬运 想找上个月让 AI 帮我改过的那个 bug只能逐个工具翻记录️ 删除的会话其实还在磁盘上却没有任何途径恢复。Codeg 的会话聚合功能把这些历史统一接管扫描 → 勾选 → 导入全程只需三次点击。一键导入3 步接管所有历史对话进入导入本地会话窗口独立页面桌面端会开一个专属窗口流程是自动的自动扫描打开即开始遍历各智能体的本地会话存储逐个智能体显示进度历史较多时稍等片刻已导入的会话会顺带刷新筛选勾选按标题或路径搜索、按智能体过滤、只看可导入项支持按文件夹分组整组全选或逐条勾选每行显示会话标题和消息条数导入所选点导入所选完成后会分别统计——新导入、已恢复、已刷新、已跳过清清楚楚。两个贴心细节软删除可恢复在 Codeg 里删除会话只是隐藏历史仍保留。开启包含已删除开关把删掉的会话再导入一次就原地复活了无项目目录的会话会被自动跳过避免导进一堆来路不明的孤儿对话。真正的杀手锏跨工具接上文导入之后会话不再是孤岛。在任意对话里提及一个旧会话你正在对话的智能体就能直接读到它——哪怕那个旧会话是另一个智能体写的。也就是说上周 Claude Code 停下的重构一下它的旧会话今天 Codex 就能从上次停下的地方继续。这正是会话聚合和简单备份的本质区别。超长会话打开时也只先加载最近几轮往上滚动再逐段补齐几千条消息也不卡。离开电脑历史也随你走Codeg 既可作为桌面应用、独立服务器也能跑在 Docker 里配套的原生iOS / Android 客户端连上你的 Codeg 后手机上看的就是同一份聚合好的会话历史——发起会话、看流式回复、批权限全在一个地方。动手试试 源码指路克隆仓库即可体验需先安装你常用的智能体 CLIgit clone https://gitcode.com/gh_mirrors/co/codeg想深入看看会话聚合是怎么实现的可以逛一逛这些位置导入入口页面src/app/import-sessions/page.tsx导入窗口主逻辑扫描 / 筛选 / 勾选 / 结果统计src/components/import-sessions/import-sessions-window.tsx会话行与文件夹分组组件src/components/import-sessions/import-sessions-rows.tsx内置 15 个智能体的清单定义src/lib/types.ts中文功能总览docs/readme/README.zh-CN.md小结Codeg 的会话聚合 一键扫描 批量导入 跨智能体续聊。用惯了多工具组合的你值得花三分钟把散落的历史对话收拢到一处——从上次停下的地方继续。【免费下载链接】codegCollaborative multi-agent AI coding workspace: aggregate sessions from Claude Code, Codex, OpenCode, Pi, Grok Build, etc. Desktop app, self-hosted server, or Docker.项目地址: https://gitcode.com/gh_mirrors/co/codeg创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/11 13:52:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/12 9:50:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/12 9:25:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/12 15:57:44

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉