你有没有过这种体验：第一天用 Claude Code 配好了 JWT 鉴权，第二天新会话让它加限流，它反问你“你们鉴权方案是什么？”；上午刚修完 N+1 查询，下午换个 session 它又忘了。
这不是模型的问题，是上下文窗口不等于记忆。CLAUDE.md、.cursorrules 这些内置记忆方案最多撑 200 行，内容一多就过时。于是 GitHub 上出现了一个叫 agentmemory 的项目，上线半年已经冲到 18K+ Star，口号是：Your coding agent remembers everything. No more re-explaining.
1. 它解决什么核心矛盾
AI 编程助手每次新会话都是“失忆”状态，导致三个连锁问题：
- 重复解释：架构决策、技术选型、踩坑记录每次都要重新说一遍
- 上下文浪费：相同信息反复塞进 prompt，token 消耗指数级上升
- 连续性断裂：跨会话项目无法保持状态，复杂任务被迫拆成碎片
agentmemory 的思路不是再写一个静态 MEMORY.md，也不是让用户手动维护提示词笔记，而是给编码智能体加一套 自动记录、压缩、检索和复用 的长期记忆系统。
2. 项目画像
| 维度 | 详情 |
|---|---|
| 仓库 | https://github.com/rohitg00/agentmemory |
| Stars | ~18K+（2026-05 周榜热点，5/21 约 14.3K，6/5 约 16.8K，近期持续增长） |
| 协议 | MIT |
| 核心语言 | TypeScript（CLI + MCP Server） |
| 底层引擎 | iii engine（SQLite + 本地嵌入） |
| npm 包 | @agentmemory/agentmemory / @agentmemory/mcp |
| 设计灵感 | 扩展 Karpathy 的 LLM Wiki 模式，加入置信度评分、生命周期、知识图谱、混合检索 |
3. 核心架构：不是向量数据库，是记忆引擎
agentmemory 把自己定位成 Memory Engine + MCP Server，不是简单的向量存储。它的检索管线是：
BM25（关键词精确匹配）+ Vector（语义相似度）+ Graph（知识图谱关系）↓
RRF 融合排序
↓
置信度评分 + 生命周期衰减
这意味着：
- 检索 R@5 = 95.2%（LongMemEval-S，ICLR 2025，500 题公开基准）
- 单会话 token 从 22,000+ 降到 1,900，年度成本从 $500+ 压缩到 ~$10
- 无需外部数据库，默认 SQLite + 本地嵌入模型 all-MiniLM-L6-v2，零额外依赖
4. 实测数据：Benchmark 不会撒谎
官方 benchmark 里有两组关键数据：
4.1 检索准确率（LongMemEval-S）
| 系统 | R@5 | R@10 | MRR |
|---|---|---|---|
| agentmemory | 95.2% | 98.6% | 88.2% |
| BM25-only fallback | 86.2% | 94.6% | 71.5% |
单纯 BM25 已经很强，但加上向量和知识图谱后，长程记忆的召回率还有明显提升。
4.2 Token 消耗对比
| 方案 | 年 Token 消耗 | 年成本 |
|---|---|---|
| 全文粘贴上下文 | 19.5M+ | 不可行（超窗口） |
| LLM 摘要 | ~650K | ~$500 |
| agentmemory | ~170K | ~$10 |
| agentmemory + 本地嵌入 | ~170K | $0 |
核心原因是：不是每次都把完整上下文塞进 prompt，而是 按需检索 + 压缩注入，只把最相关的记忆片段喂给模型。
5. 支持的 Agent 生态：不是单平台玩具
这是 agentmemory 和很多同类项目最大的区别之一——它不绑定单一 Agent 运行时。
| Agent | 接入方式 |
|---|---|
| Claude Code | native plugin + 12 hooks + MCP |
| Codex CLI | native plugin + 6 hooks + MCP |
| GitHub Copilot CLI | MCP + plugin hooks/skills |
| OpenClaw | native plugin + MCP |
| Hermes | native plugin + MCP |
| pi | native plugin + MCP |
| Cursor | MCP server |
| Gemini CLI | MCP server |
| OpenCode | 22 hooks + MCP + plugin |
| Cline / Goose / Kilo Code | MCP server |
| Aider | REST API |
所有 Agent 共享 同一个记忆服务器，意味着你可以在 Claude Code 里建立的记忆，Cursor 新会话时也能召回。这是真正的跨工具记忆层。
6. 快速上手：一条命令跑起来
# 1. 安装记忆服务器
npm install -g @agentmemory/agentmemory
# 2. 启动服务（占用 3111 API 端口 + 3113 查看器端口）agentmemory
# 3. 跑 demo 验证 recall
agentmemory demo
# 4. 接入你的 Agent
agentmemory connect claude-code
# 5. 安装原生 skills（15 个：8 个可调用 + 7 个参考）npx skills add rohitg00/agentmemory -y
浏览器打开 http://localhost:3113 可以看到记忆数据的 实时变化，类似一个本地记忆 Dashboard。
核心 CLI 命令
agentmemory add "NLLB 训练完成 " --category "Project/Shiliuzi/Training" --tags "nllb,done"
agentmemory search "NLLB 模型训练 " --mode hybrid
agentmemory list --category "Project/Shiliuzi"
agentmemory stats
7. 与同类项目的定位差异
官方 README 里有一张对比表，核心差异可以总结为：
| 项目 | 定位 | 检索能力 | 自动捕获 | 多 Agent | 框架锁定 | 外部依赖 |
|---|---|---|---|---|---|---|
| agentmemory | Memory Engine + MCP Server | BM25 + Vector + Graph | 12 hooks 零手动 | ✅ MCP + REST | 无 | 无（SQLite） |
| mem0 | Memory Layer API | Vector + Graph | 手动 add() | ❌ | 无 | Qdrant/pgvector |
| Letta/MemGPT | 完整 Agent Runtime | Vector（archival） | Agent 自编辑 | ❌ 仅 Letta 内 | 高 | Postgres |
| Khoj | 个人 AI | Semantic | 手动 | ❌ | 无 | 多服务 |
| 内置 CLAUDE.md | 静态文件 | 无（全量加载） | 手动编辑 | ❌ | 无 | 无 |
关键结论：如果你已经在用 Claude Code / Cursor / OpenClaw，且希望 跨工具共享记忆，agentmemory 是目前最轻量、最开放的选择。
8. 适用场景与边界
最适合
- 多工具用户：同时用 Claude Code + Cursor + OpenClaw，不想在每个工具里重复配置记忆
- 长周期项目：需要跨会话保持架构决策、技术选型、踩坑记录
- Token 敏感型团队：对 API 成本有要求，希望减少重复上下文注入
- 本地优先偏好：不想把记忆上传到第三方云服务
需要留意的边界
- 编码 Agent 导向：主要优化的是“编程场景”的记忆，通用对话记忆不是核心卖点
- Windows 限制：Windows 原生路径推荐 WSL2，native Windows 引擎手动配置约 10-20 分钟，
agentmemory connect目前不支持原生 Windows - 学习曲线：MCP / hooks / skills 机制对非技术用户不够友好
- 社区早期：虽然 18K Star，但项目仍在快速迭代（v0.9.17 刚出），API 可能有 breaking changes
9. 为什么它值得关注
agentmemory 的流行背后有一个更宏观的趋势：AI 应用正从“模型能力竞赛”下沉到“记忆层工程化”。
Karpathy 最早提出 LLM Wiki 模式时，大家还在手动维护 .md 笔记。agentmemory 把这个模式产品化了：自动捕获、置信度评分、生命周期管理、知识图谱关联、混合检索。它不是另一个聊天机器人插件，而是一套 生产级持久记忆引擎。
对于飞熊这种同时维护多个 Agent 工具链的场景，记忆碎片化是真实痛点。agentmemory 提供了一个轻量解：一个本地记忆服务器 + MCP 标准接口，让不同工具共享同一份“外置大脑硬盘”。
10. 总结
| 指标 | 数值 |
|---|---|
| GitHub Stars | ~18K+ |
| 核心语言 | TypeScript |
| 协议 | MIT |
| 检索 R@5 | 95.2%（LongMemEval-S） |
| Token 节省 | 92%（22K → 1.9K） |
| 成本节省 | ~$490/ 年（$500 → $10） |
| 外部依赖 | 0（SQLite + 本地嵌入） |
| 支持 Agent | 12+（Claude Code / Cursor / OpenClaw / Codex / Gemini CLI 等） |
| 安装复杂度 | 低（npm install + agentmemory connect） |
如果你受够了每次新会话都要向 AI 重新解释一遍项目背景，agentmemory 值得一试。它不是银弹，但它是目前 跨 Agent 持久记忆层 里最开放、最轻量的方案。
项目地址：https://github.com/rohitg00/agentmemory
设计文档 Gist：https://gist.github.com/rohitg00/2067ab416f7bbe447c1977edaaa681e2