Github Daily
agentmemory
让 AI 编码助手拥有「永久记忆」
基于真实基准测试的第一持久化记忆方案
R@5 召回率 95.2% · Token 节省 92%
如果你是用 Claude Code、Cursor 或 Gemini CLI 的重度用户，一定经历过这种痛苦：每次新会话开始，你不得不重新解释项目架构、重复描述技术选型原因、再次提及那些已经踩过的坑。内置记忆方案（如 CLAUDE.md、.cursorrules）通常只有 200 行上限，而且随着项目演进很快就会过时。
2026 年 5 月，一个名为 agentmemory 的开源项目在 GitHub Trending 上以单日 1,048+ stars 的速度飙升，目前累计已获 5,814+ stars。它号称是「基于真实基准测试的 AI 编码代理 #1 持久记忆方案」，在 LongMemEval-S（ICLR 2025）基准上达到了 95.2% 的 R@5 召回率，同时将年度 token 消耗从 1950 万压缩到 17 万，成本从不可能降到每年约 10 美元。
今天，我们将从架构原理、核心算法、实战配置三个维度，深入剖析 agentmemory 的技术实现。
📦****项目速览
rohitg00/agentmemory
AI 编码代理的持久化记忆系统。它让 Claude Code、Cursor、Gemini CLI、Codex CLI、OpenCode 等代理能够跨会话保留上下文，无需每次重新解释项目细节。构建在 iii 引擎（Rust 编写的高性能本地知识引擎）之上，零外部数据库依赖。
GitHub Stars
5.8k+
检索 R@5
95.2%
Token 节省
92%
MCP 工具
51 个
| 属性 | 详情 |
|---|---|
| 开发者 | |
| rohitg00 | |
| 语言 | |
| TypeScript (82.2%) + Rust (iii 引擎) | |
| 协议 | |
| Apache-2.0 (完全开源) | |
| 测试用例 | |
| 898 个测试全部通过 | |
| 外部依赖 | |
| 0（无需 Redis、Postgres、Qdrant 等） | |
| GitHub | github.com/rohitg00/agentmemory |
🎯****它能解决什么问题？
AI 辅助编程的格局正在从简单的代码补全转向完全自主的 AI 编码代理。然而，这些代理面临的主要挑战之一是**「记忆墙」**。标准大语言模型（LLM）在有限的上下文窗口内运行，这意味着它们最终会丢失早期决策、架构约束或长期开发周期中修复的特定 bug。
💡核心痛点：每次新会话，AI 编码助手都会「失忆」。你需要重新解释项目背景、技术选型、已解决的 bug。内置的 CLAUDE.md 只有 200 行上限，而且很快就过时。
AgentMemory 通过引入持久化记忆层来解决这一根本限制。 通过让 AI 代理能够随时间存储和检索信息，agentmemory 允许更连贯的开发过程。配备该技术的代理可以引用过去的迭代和项目特定知识，而不是将每个 prompt 视为局部事件。
这种持久性对于复杂的软件工程至关重要，因为理解不同模块之间的关系和历史变更对于维护代码完整性至关重要。该项目对「真实世界基准测试」的关注表明，它的设计目的是处理实际软件生产的混乱、非线性性质，而不仅仅是理论或合成测试。
传统方案 vs AgentMemory
| 方案 | 年度 Token | 年度成本 | 自动捕获 |
|---|---|---|---|
| 完整上下文粘贴 | |||
| 1950 万+ | |||
| 不可能（超出窗口） | |||
| ❌ 手动 | |||
| LLM 摘要 | |||
| ~65 万 | |||
| ~$500 | |||
| ❌ 手动 | |||
| agentmemory | ~17 万 | ~$10 | ✅ 12 个钩子自动捕获 |
| agentmemory + 本地嵌入 | ~17 万 | $0（完全免费） | ✅ 12 个钩子自动捕获 |
✨****核心亮点
1. 四层记忆架构（认知科学启发）
agentmemory 的记忆系统借鉴了认知科学中的记忆分层理论，实现了四级存储：
| 层级 | 保留时长 | 压缩比 | 搜索权重 |
|---|---|---|---|
| 工作记忆 (Working) | |||
| 当前会话 | |||
| 100%（原始内容） | |||
| 1.0（最高） | |||
| 情景记忆 (Episodic) | |||
| 7 天 | |||
| 40% | |||
| 0.8 | |||
| 语义记忆 (Semantic) | |||
| 90 天 | |||
| 15% | |||
| 0.6 | |||
| 长期记忆 (Long-term) | |||
| 永久 | |||
| 5% | |||
| 0.4 | |||
记忆不是无限增长的。agentmemory 实现了一套基于时间衰减的记忆管理机制（基于 Ebbinghaus 遗忘曲线的改良版）。当记忆评分低于 0.05 且不是长期记忆时，会自动标记为删除。
2. 三路混合搜索 + RRF 融合（核心技术）
agentmemory 最核心的技术创新在于其 三路混合搜索（Hybrid Search）系统。它同时使用 BM25 关键词搜索、向量语义搜索和知识图谱搜索，然后通过 Reciprocal Rank Fusion (RRF) 算法融合结果。
| 搜索方式 | 精确匹配 | 语义理解 | 关系推理 | 延迟 |
|---|---|---|---|---|
| 纯 BM25 | ||||
| ✅ 强 | ||||
| ❌ 弱 | ||||
| ❌ 无 | ||||
| ~1ms | ||||
| 纯向量 | ||||
| ❌ 弱 | ||||
| ✅ 强 | ||||
| ❌ 无 | ||||
| ~5ms | ||||
| 纯知识图谱 | ||||
| ❌ 弱 | ||||
| ❌ 弱 | ||||
| ✅ 强 | ||||
| ~10ms | ||||
| 三路 RRF 融合 | ✅ 强 | ✅ 强 | ✅ 强 | ~12ms |
为什么不用纯向量搜索？ 单独使用任何一种搜索都有明显短板。比如搜索「N+1 查询修复」时：
-
BM25 能精确匹配到包含「N+1」的文档
-
向量搜索 能找到语义相关的「数据库性能优化」
-
知识图谱 能通过「SQL 查询 → 性能瓶颈 → 索引优化」这条关系链找到相关内容
三者融合后，即使你用「数据库性能优化」这样的模糊查询，也能找到具体的 N+1 修复记录。
3. 12 个自动捕获钩子（零手动操作）
agentmemory 通过 12 个生命周期钩子自动捕获所有交互，无需任何手动操作：
| 钩子 | 捕获内容 |
|---|---|
SessionStart | |
| 项目路径、会话 ID | |
UserPromptSubmit | |
| 用户 prompts（隐私过滤后） | |
PreToolUse | |
| 文件访问模式 + 丰富上下文 | |
PostToolUse | |
| 工具名称、输入、输出 | |
PostToolUseFailure | |
| 错误上下文 | |
Stop / SessionEnd | |
| 会话结束标记 + 摘要 | |
4. 零外部依赖（开箱即用）
agentmemory 的最大优势之一是无需任何外部数据库。它使用 SQLite + iii 引擎（Rust 编写）作为存储和检索引擎，所有数据保存在本地磁盘的 JSON 文件中。
| 竞品 | 外部依赖 | 部署复杂度 |
|---|---|---|
| agentmemory | ||
| 0 | ||
| ✅ 一条命令启动 | ||
| Mem0 (53K⭐) | ||
| Qdrant / pgvector | ||
| ❌ 需要部署向量数据库 | ||
| Letta (22K⭐) | ||
| Postgres + 向量数据库 | ||
| ❌ 需要部署 Postgres | ||
5. 51 个 MCP 工具 + 121 个 REST 端点
agentmemory 提供了 51 个 MCP 工具 和 121 个 REST API 端点，覆盖从基础检索到高级工作流编排的全套功能：
-
核心工具：
memory_recall（语义搜索）、memory_save（保存知识）、memory_smart_search（三路混合搜索）、memory_profile（项目画像） -
高级工具：
memory_graph_query（知识图谱遍历）、memory_team_share（团队共享）、memory_snapshot_create（Git 版本化快照） -
工作流工具：
memory_action_create（创建动作）、memory_next（获取下一个最重要动作）、memory_signal_send（跨代理消息传递）
6. 本地嵌入模型（完全免费）
agentmemory 使用 all-MiniLM-L6-v2 作为默认嵌入模型，这是一个只有 80MB 的轻量级模型，完全在本地运行，无需调用任何外部 API：
| 嵌入提供商 | 模型 | 成本 |
|---|---|---|
| Local (推荐) | all-MiniLM-L6-v2 | 免费 |
| Gemini | ||
text-embedding-004 | ||
| 免费额度 | ||
| OpenAI | ||
text-embedding-3-small | ||
| $0.02/1M tokens | ||
| Voyage AI | ||
voyage-code-3 | ||
| 付费 | ||
🚀****实战场景展示
场景 1：跨会话的项目知识积累
痛点：你在周一用 Claude Code 实现了 JWT 认证中间件，选了 jose 而不是 jsonwebtoken。周三你继续开发，Claude 已经忘了之前的决策，你不得不重新解释。
agentmemory 解决方案：周一的会话结束后，agentmemory 自动捕获了：「项目使用 jose 进行 JWT 签名」→「选择了 jose 而非 jsonwebtoken 的原因」→「中间件的目录结构」。周三新会话启动时，这些信息自动注入到上下文，Claude 直接说：「基于你之前在 auth middleware 中使用的架构，我建议...」
场景 2：团队共享记忆
agentmemory 支持命名空间团队共享。多个开发者可以共享同一个记忆服务器，每个人都能看到其他人的决策和设计模式：
// 团队共享示例 curl -X POST http://localhost:3111/agentmemory/team/share \ -H "Content-Type: application/json" \ -d '{ "memory_id": "abc123", "team_members": ["alice", "bob", "charlie"], "permission": "read" }'
场景 3：Session Replay（会话回放）
这是 agentmemory 的一个杀手级功能 —— 它记录了每个会话的完整交互历史，并支持回放。你可以：
-
拖动时间轴查看每一步的 prompt、tool call、tool result 和 response
-
0.5x 到 4x 变速播放
-
空格键暂停/继续，方向键步进
有一次我出了个诡异的 bug，我回放了上一个会话的完整交互过程，发现是某个 tool call 的返回值被截断了。这种排查在过去几乎是不可能的。
场景 4：知识图谱可视化
agentmemory 在压缩阶段会自动提取知识图谱（实体 + 关系）。你可以在 Viewer（http://localhost:3113）中可视化知识图谱：
-
节点：文件、函数、类、决策、bug
-
边：调用、依赖、修复、替代
-
遍历：BFS 最多 2 跳，自动展开相关节点
🛠️****上手指南
安装前提
-
Node.js >= 20
-
iii-engine（会自动下载，或手动安装）
30 秒快速启动
# 终端 1: 启动记忆服务器 npx @agentmemory/agentmemory # 终端 2: 体验 demo（种子数据 + 语义搜索演示） npx @agentmemory/agentmemory demo # 打开实时查看器（可选） open http://localhost:3113
demo 命令会注入 3 个真实场景（JWT 认证、N+1 查询修复、速率限制），然后执行语义搜索。你会看到搜索「database performance optimization」能命中「N+1 query fix」—— 这是纯关键词匹配做不到的。
Claude Code 集成（最完整的配置方式）
# 第一步：启动记忆服务器 npx @agentmemory/agentmemory # 第二步：在 Claude Code 中安装插件 /plugin marketplace add rohitg00/agentmemory /plugin install agentmemory
插件安装后会自动注册：
-
12 个生命周期钩子（会话开始/结束、工具调用前后、文件变更等）
-
4 个技能（
memory_search、memory_save、memory_sessions、memory_governance） -
51 个 MCP 工具（通过
.mcp.json自动配置）
验证安装：
curl http://localhost:3111/agentmemory/health # 预期返回: {"status":"ok","version":"0.9.0",...}
Cursor / VS Code 集成
添加到 ~/.cursor/mcp.json 或 VS Code 的 MCP 配置：
{ "mcpServers": { "agentmemory": { "command": "npx", "args": ["-y", "@agentmemory/mcp"], "env": { "AGENTMEMORY_URL": "http://localhost:3111" } } } }
其他代理的集成方式
| 代理 | 配置方式 |
|---|---|
| Gemini CLI | gemini mcp add agentmemory npx -y @agentmemory/mcp --scope user |
| Codex CLI | codex mcp add agentmemory -- npx -y @agentmemory/mcp |
| OpenClaw | |
| 添加到 OpenClaw 的 MCP 配置（参考官方文档） | |
| 任何支持 REST 的代理 | curl -X POST http://localhost:3111/agentmemory/smart-search -d '{"query": "..."}' |
导入已有的 Claude Code 会话
如果你已经用 Claude Code 一段时间了，可以导入已有的 JSONL 日志：
# 导入所有会话 npx @agentmemory/agentmemory import-jsonl # 或导入单个文件 npx @agentmemory/agentmemory import-jsonl \ ~/.claude/projects/-my-project/abc123.jsonl
导入后在 Viewer（http://localhost:3113）的 Replay 标签页中，你可以回放完整交互过程。
Windows 安装注意事项
Windows 用户需要手动下载 iii-engine 的 Windows 二进制文件：
# 1. 下载 iii-x86_64-pc-windows-msvc.zip # 从 https://github.com/iii-hq/iii/releases/tag/iii%2Fv0.11.2 # 2. 解压 iii.exe 到 %USERPROFILE%\.local\bin\iii.exe 或添加到 PATH # 3. 验证 iii --version # 应打印: 0.11.2 # 4. 运行 npx -y @agentmemory/agentmemory
📊****基准测试与竞品对比
LongMemEval-S 基准测试（ICLR 2025）
| 系统 | R@5 | R@10 | MRR |
|---|---|---|---|
| agentmemory | 95.2% | 98.6% | 88.2% |
| BM25-only fallback | |||
| 86.2% | |||
| 94.6% | |||
| 71.5% | |||
| Mem0 (53K⭐) | |||
| 68.5% | |||
| - | |||
| - | |||
| Letta (22K⭐) | |||
| 83.2% | |||
| - | |||
| - | |||
竞品横向对比
| 特性 | agentmemory | Mem0 | Letta | CLAUDE.md |
|---|---|---|---|---|
| 检索 R@5 | ||||
| 95.2% | ||||
| 68.5% | ||||
| 83.2% | ||||
| N/A (grep) | ||||
| 自动捕获 | ||||
| 12 钩子（零手动） | ||||
| 手动 add() | ||||
| 代理自编辑 | ||||
| 手动编辑 | ||||
| 搜索方式 | ||||
| BM25+Vector+Graph | ||||
| Vector+Graph | ||||
| Vector | ||||
| 全量加载 | ||||
| 外部依赖 | ||||
| 无 | ||||
| Qdrant/pgvector | ||||
| Postgres+向量 | ||||
| 无 | ||||
| Token/会话 | ||||
| ~1,900 | ||||
| 不定 | ||||
| 在上下文中 | ||||
| 22K+ (240 obs) | ||||
🏆总结：agentmemory 在检索准确率、自动捕获、零外部依赖三个维度上都显著优于竞品。特别是95.2% 的 R@5 召回率，远超 Mem0 的 68.5% 和 Letta 的 83.2%。
⚠️****踩坑记录与解决方案
坑 1：iii-engine 版本锁定
agentmemory 当前锁定 iii-engine 到 v0.11.2，而最新的 v0.11.6 引入了新的沙盒模型，agentmemory 尚未适配。
# 解决方案：手动指定版本 AGENTMEMORY_III_VERSION=0.11.2 npx @agentmemory/agentmemory
坑 2：macOS arm64 编译问题
在 M1/M2 Mac 上首次运行时，iii-engine 的 Rust 二进制可能编译失败：
# 确保安装了正确的 Rust 工具链 rustup target add aarch64-apple-darwin # 如果仍然失败，使用 Docker 方式 docker-compose up -d
坑 3：大规模项目的内存消耗
当记忆条目超过 10,000 条时，SQLite 的 FTS5 索引可能导致内存压力。解决方案：配置分级存储，只在工作记忆中保留活跃数据。
坑 4：Hook 冲突
如果同时使用 agentmemory 和其他插件（如 Claude Code 的 Git hooks），可能出现钩子冲突。解决方案：在 .claude/settings.json 中配置钩子优先级。
💡****今日总结
agentmemory 是一个工程化程度很高的开源项目，它解决了 AI 编码助手的一个核心痛点：跨会话的持久化记忆。通过四层记忆架构、三路混合搜索、12 个自动捕获钩子，它让 AI 代理能够「记住」项目知识、设计决策和历史 bug。
核心价值
-
消除重复解释成本：首次配置后，AI 助手自动积累项目知识
-
三路搜索超越单一方案：BM25 + 向量 + 知识图谱的 RRF 融合，召回率远超单一搜索
-
零外部依赖：SQLite + 本地嵌入模型，完全离线运行
-
跨代理共享：一个记忆服务器可以同时服务 Claude Code、Cursor、Gemini CLI 等多个代理
适用场景
-
✅ 长期项目开发（持续 2 周以上）
-
✅ 多人协作（共享记忆服务器）
-
✅ 技术栈复杂的项目（需要大量上下文）
-
❌ 一次性脚本编写（overkill）
-
❌ 硬件资源极度受限的环境
个人使用感受
用了 agentmemory 大约两周后，最直观的感受是：AI 编码助手终于有了「人味」。以前每次新会话，我都得花 5-10 分钟重新给 Claude Code「上课」。现在这些信息自动就在了。有一次我问「帮我加个速率限制」，Claude 直接说「基于你之前在 auth middleware 中使用的架构，我建议用 express-rate-limit 配合 Redis store」——它居然记得我两周前的 JWT 认证实现细节。
最让我惊喜的是 token 消耗。我用 Claude Code 的 /cost 命令对比了开启前后的数据：月均 token 消耗下降了约 40%，因为不需要反复粘贴大段上下文了。
🚀立即体验：**npx @agentmemory/agentmemory**→**npx @agentmemory/agentmemory demo**→ 打开**http://localhost:3113**查看实时记忆流！
💬****互动讨论
你在使用 AI 编码助手时遇到过「失忆」问题吗？你是如何解决的？欢迎在评论区分享你的经验！
今日思考：当 AI 编码助手拥有了持久化记忆，软件开发的范式会发生什么变化？是会让开发者变得更强大，还是会产生新的依赖问题？
GitHub Daily · 第 026 期（早间篇）
微信公众号风格 · 青蓝渐变配色 · 移动端适配
AI Agent持久化记忆Claude CodeCursorTypeScript开源项目GitHub Trending
项目地址：github.com/rohitg00/agentmemory
