很多人使用 AI 编程助手时，都会遇到一个非常熟悉的问题：它现在看起来很懂你，而下一轮却像第一次见面。
比如，昨天刚让 Claude Code 帮忙重构了认证模块，明确说过项目使用 JWT 中间件、测试文件放在 test/auth.test.ts，还特意选了 jose 而不是 jsonwebtoken。但第二天让它继续加限流逻辑，它可能又要重新读目录、问技术栈、猜项目约定。
对于复杂项目来说，这种“短期聪明、长期失忆”会不断消耗上下文窗口、Token 成本和开发者耐心。
今天要给大家介绍的开源项目 agentmemory，正解决了这个问题，它在 github 已收获 18k stars。
项目链接：
https://github.com/rohitg00/agentmemory
它不是在写一个静态的 MEMORY.md，也不是让用户手动维护一堆提示词笔记，而是给 AI 编码智能体加上一套可以自动记录、压缩、检索和复用的长期记忆系统。
agentmemory 可以作为不同AI 编程智能体的共享记忆层，让 Claude Code、Codex CLI、OpenClaw、Hermes、pi、OpenHuman、Cursor 等工具在跨会话工作时，能够直接复用之前的项目经验，而不是每次都从零开始。
和上周给大家介绍的OpenHuman 一样《暴涨23.2k！个人超级智能体OpenHuman自动记住你的一切，沉淀到卡帕西式知识库》，它的核心设计灵感也是来自 Andrej Karpathy 的 LLM Wiki 模式。
开发者不仅将其落地为可直接使用的内存引擎，还进一步加入了置信度评分、知识图谱和混合检索等生产级特性，是对 Karpathy 个人知识库思路的实践与升级。
01
agentmemory：让 AI Agent 拥有
跨会话、跨工具的长期记忆
agentmemory 最直接的价值，是把 AI Agent 从“一次性对话工具”推进到“持续协作伙伴”。
传统 AI 编程助手的记忆通常停留在当前上下文窗口里，一旦会话结束、窗口压缩或模型重启，很多项目经验就会丢失。内置记忆文件虽然能保存一些说明，但内容有限、检索粗糙、跨工具共享困难，且很难知道某条记忆来自哪次真实操作。
并且，这类内置记忆往往会带来额外的上下文成本。
当记忆文件不断变长，智能体需要使用这些信息时，通常会把大量内容直接加载进上下文窗口。虽然“记住了”更多东西，但 Token 消耗也随之增加，上下文变得臃肿，有用信息反而容易被淹没。
agentmemory 的做法则不同。它不会把所有记忆都塞进上下文，而是将碎片化经验自动沉淀到一个可检索的长期记忆数据库中，再通过 MCP、REST API、hooks 和插件等方式提供给不同智能体，实现真正的跨会话、跨工具记忆共享。
也就是说，内置记忆更像写在桌面上的便利贴，而 agentmemory 更像背后强大的搜索数据库。智能体需要信息时，agentmemory 只需检索并注入最相关的 Top-K 记忆即可。
按照项目官方基准，在约 240 条观察记录的场景下，内置记忆可能消耗 22000+ Token，而 agentmemory 只需约 1900 Token，Token 消耗量减少约 92%。
当智能体执行任务时，agentmemory 会通过 hooks 捕获关键事件，例如会话开始、用户提示、工具调用前后、工具调用失败、上下文压缩前、子智能体启动与结束、会话结束等。
捕获到原始观察记录后，系统会先进行去重和隐私过滤，避免重复写入，也会剥离 API key、secret 等敏感信息。
随后，它会将原始交互压缩为结构化事实、概念和叙述性摘要，再生成向量表示，并同时进入 BM25 与向量索引。
会话结束时，系统还可以生成 session summary，并在开启相关配置后进行知识图谱抽取和记忆槽反思。
这套设计的关键在于，agentmemory 不是单纯堆历史记录，而是把记忆分成不同层级。
它的记忆体系有四层：
Working memory 保存原始工具观察，更像短期记忆；
Episodic memory 压缩会话摘要，回答“发生过什么”；
Semantic memory 提取事实和模式，回答“我知道什么”；
Procedural memory 沉淀工作流和决策模式，回答“应该怎么做”。
同时，记忆会随时间衰减（艾宾浩斯遗忘曲线），经常被访问的内容会被增强，过期内容会被清理，矛盾信息也会被检测和处理。
在检索层面，agentmemory 采用的是混合检索思路。它会同时使用 BM25 关键词匹配、向量相似度检索和知识图谱遍历，再通过 RRF 融合多路结果。
对于中文、日文、韩文等文本，项目还提供了可选分词器安装方式（npm install @node-rs/jieba tiny-segmenter），以改善文本的检索效果。
agentmemory 另一个重要定位，是成为多种 Agent 工具之间的共享记忆层。对于正在使用多个编程智能体的开发者来说，这一点很关键。
过去 Claude Code 里积累的经验，Cursor 不一定知道；Codex CLI 修过的 bug，Hermes 不一定能复用。
agentmemory 就将这些割裂的“工具内记忆”统一到了外部长期记忆层里。
agentmemory 还提供了实时 Viewer，用户可以在浏览器里查看实时观察流（Live observation stream）、 会话探索器（session explorer）、记忆浏览器（memory browser）、知识图谱可视化和健康状态面板。
这意味着记忆系统不再是黑盒，智能体到底记住了什么、什么时候写入、来自哪个会话、能否被搜索到，都可以被观察和调试。
02
安装教程
agentmemory 的安装方式比较直接。官方推荐通过 npm 全局安装，然后启动本地 memory server：
# 安装一次即可 — 之后 PATH 中就有 `agentmemory` 命令npm install -g @agentmemory/agentmemory# 如果在 macOS/Linux 系统级 Node 安装时遇到 EACCES 权限错误，请用以下命令重试：# sudo npm install -g @agentmemory/agentmemoryagentmemory # 在 :3111 端口启动记忆服务器agentmemory demo # 植入示例会话 + 验证记忆召回能力agentmemory connect claude-code # 接入你的 Agent（也支持：codex、cursor、gemini-cli 等）
或使用npx快速体验（无需安装）:
npx -y @agentmemory/agentmemory@latest或复制下方指令，在claude code 中安装：
Install agentmemory: run `npx @agentmemory/agentmemory` in a separate terminal to start the memory server. Then run `/plugin marketplace add rohitg00/agentmemory` and `/plugin install agentmemory` — the plugin registers all 12 hooks, 4 skills, AND auto-wires the `@agentmemory/mcp` stdio server via its `.mcp.json`, so you get 53 MCP tools (memory_smart_search, memory_save, memory_sessions, memory_governance_delete, etc.) without any extra config step. Verify with `curl http://localhost:3111/agentmemory/health`. The real-time viewer is at http://localhost:3113.https://github.com/rohitg00/agentmemory#quick-start
03
记忆是 Agent 从“会做任务”
走向“会做项目”的关键分水岭
agentmemory 这类项目的意义在于，它把“记忆”从提示词技巧，真正推进到了 Agent 基础设施层。
过去，我们常说 AI Agent 需要工具、环境、代码执行器。但真正要让 Agent 成为长期生产力系统，它还必须拥有一套持续沉淀经验和知识的机制。
记忆不是锦上添花，而是 Agent 从“会做任务”走向“会做项目”的关键分水岭。
更重要的是，未来的智能体能力可能不再被束缚在单个产品内部，而是由外部记忆层、技能层、工具层和知识层共同组成。Claude Code 可以调用这套记忆，Cursor 可以调用，Codex CLI、Hermes、OpenCode 等同样可以调用。
不同 Agent 不再是彼此隔离的孤岛，而是围绕同一份长期上下文展开协作。
当然，长期记忆也带来了新的挑战：记忆越多，越需要精细治理——哪些该保留、哪些该遗忘、哪些涉及隐私、哪些已经过期、哪些与当前事实冲突。agentmemory 已在隐私过滤、记忆衰减、来源追溯等方面展开探索，但这仍然只是 Agent 记忆基础设施的早期阶段。
未来真正强大的 AI Agent，不会只靠更大的模型参数，更要依靠更完整的“外部认知系统”。
