agentmemory 项目解析：给 Claude Code、Codex 和 Cursor 加持久记忆

Tue, 19 May 2026 10:56:50 +0800

rohitg00/agentmemory 是一个面向 AI 编程 Agent 的持久记忆系统。它的目标很明确：让 Claude Code、Codex CLI、Cursor、Gemini CLI、OpenCode 等工具不必每次都重新理解项目背景、架构决策和历史问题。

项目地址：https://github.com/rohitg00/agentmemory

截至写作时，GitHub API 显示这个仓库已有约 1.3 万 star，主要语言是 TypeScript，许可证为 Apache-2.0。README 的描述是“Persistent memory for AI coding agents”。

它解决什么问题

AI 编程 Agent 的常见痛点是记忆断裂。今天让 Agent 修了一个认证问题，明天再开新会话，它可能又不知道：

认证中间件在哪个文件。
项目为什么选择某个库。
哪些测试已经覆盖。
哪些 bug 曾经修过。
团队偏好的实现方式是什么。

传统做法是写 CLAUDE.md、.cursorrules 或项目说明。但这类静态文件需要人工维护，而且越写越长，最后容易变成“所有内容都塞进上下文”。

agentmemory 的思路是：后台记录 Agent 的观察、工具调用和会话内容，压缩成可搜索记忆，再在后续会话中按需取回相关上下文。

支持哪些 Agent

README 中列出的支持范围很广，包括：

Claude Code
Codex CLI
Cursor
Gemini CLI
OpenClaw
Hermes
OpenCode
Cline
Goose
Roo Code
Windsurf
Aider

它的连接方式主要包括 hooks、MCP 和 REST API。只要客户端支持 MCP 或 HTTP，就有机会接入同一个 memory server。

快速启动

README 给出的基本安装方式：

npm install -g @agentmemory/agentmemory
agentmemory
agentmemory demo
agentmemory connect claude-code

也可以直接用 npx：

`1`	`npx @agentmemory/agentmemory`

默认服务端口包括：

API：3111
实时 viewer：3113

打开：

`1`	`http://localhost:3113`

可以看到 memory 构建过程、session、知识图谱、健康状态等信息。

和静态记忆文件有什么不同

静态记忆文件适合保存规则，比如编码风格、命令、目录说明。agentmemory 更偏运行时记忆，适合保存 Agent 实际做过什么、查过什么、修过什么。

README 中强调了几类能力：

自动捕获会话和工具调用。
BM25 + Vector + Graph 混合搜索。
MCP 工具暴露。
实时 viewer。
session replay。
本地运行，不依赖外部数据库。
支持多个 Agent 共享同一套记忆服务。

它不是替代所有项目文档，而是补上“会话历史和工作流记忆”这一层。

典型场景

第一，长期维护同一个代码库。Agent 可以记住以前修过的模块、测试策略和关键文件。

第二，多工具混用。比如平时用 Claude Code，有时用 Codex CLI 或 Cursor。如果这些工具都接入同一个 memory server，就能共享部分上下文。

第三，复杂任务拆分。长任务中间被压缩或换会话时，记忆系统可以帮助恢复关键状态。

第四，团队内沉淀经验。重复出现的 bug、架构取舍和操作步骤可以沉淀成可检索信息。

使用时要注意什么

第一，自动记忆不是越多越好。需要关注隐私、密钥、客户数据和敏感代码，不要把不该记录的内容放进长期记忆。

第二，记忆召回有误差。即使 README 给出了基准测试结果，实际项目里仍然要把召回内容当作参考，而不是事实来源。

第三，多个 Agent 共用记忆时，要设计好隔离边界。个人项目、公司项目、客户项目不应该混在同一个无隔离 memory 空间里。

第四，MCP 工具数量很多时，要注意工具暴露面。只开放实际需要的能力，避免让 Agent 获得过宽的写入、删除或导出权限。

适合谁

agentmemory 适合已经重度使用 AI 编程 Agent 的用户。尤其是：

长期维护一个项目的独立开发者。
经常切换 Claude Code、Codex、Cursor 的用户。
想研究 MCP、hooks 和 Agent 工作流的开发者。
希望把会话历史变成可检索资产的小团队。

如果只是偶尔让 AI 改一个小脚本，静态说明文件就够了。如果已经把 AI Agent 当作日常开发搭档，持久记忆系统会更有意义。

小结

agentmemory 解决的是 AI 编程中的“重新解释成本”。它把会话、工具调用和项目经验沉淀为可搜索记忆，让后续 Agent 更容易接上上下文。

这类工具的方向很重要，但也要谨慎使用。记忆系统越强，越需要重视数据边界、权限控制和清理机制。真正落地时，建议先在个人项目或非敏感代码库里试用，再逐步扩大范围。

参考项目：https://github.com/rohitg00/agentmemory

记忆系统 on KnightLi的博客