agentmemory 項目解析：給 Claude Code、Codex 和 Cursor 加持久記憶

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

rohitg00/agentmemory 是一個面向 AI 編程 Agent 的持久記憶系統。它的目標很明確：讓 Claude Code、Codex CLI、Cursor、Gemini CLI、OpenCode 等工具不必每次都重新理解項目背景、架構決策和歷史問題。

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

截至寫作時，GitHub API 顯示這個倉庫已有約 1.3 萬 star，主要語言是 TypeScript，許可證爲 Apache-2.0。README 的描述是“Persistent memory for AI coding agents”。

它解決什麼問題

AI 編程 Agent 的常見痛點是記憶斷裂。今天讓 Agent 修了一個認證問題，明天再開新會話，它可能又不知道：

認證中間件在哪個文件。
項目爲什麼選擇某個庫。
哪些測試已經覆蓋。
哪些 bug 曾經修過。
團隊偏好的實現方式是什麼。

傳統做法是寫 CLAUDE.md、.cursorrules 或項目說明。但這類靜態文件需要人工維護，而且越寫越長，最後容易變成“所有內容都塞進上下文”。

agentmemory 的思路是：後臺記錄 Agent 的觀察、工具調用和會話內容，壓縮成可搜索記憶，再在後續會話中按需取回相關上下文。

支持哪些 Agent

README 中列出的支持範圍很廣，包括：

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

它的連接方式主要包括 hooks、MCP 和 REST API。只要客戶端支持 MCP 或 HTTP，就有機會接入同一個 memory server。

快速啓動

README 給出的基本安裝方式：

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

也可以直接用 npx：

`1`	`npx @agentmemory/agentmemory`

默認服務端口包括：

API：3111
實時 viewer：3113

打開：

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

可以看到 memory 構建過程、session、知識圖譜、健康狀態等信息。

和靜態記憶文件有什麼不同

靜態記憶文件適合保存規則，比如編碼風格、命令、目錄說明。agentmemory 更偏運行時記憶，適合保存 Agent 實際做過什麼、查過什麼、修過什麼。

README 中強調了幾類能力：

自動捕獲會話和工具調用。
BM25 + Vector + Graph 混合搜索。
MCP 工具暴露。
實時 viewer。
session replay。
本地運行，不依賴外部數據庫。
支持多個 Agent 共享同一套記憶服務。

它不是替代所有項目文檔，而是補上“會話歷史和工作流記憶”這一層。

典型場景

第一，長期維護同一個代碼庫。Agent 可以記住以前修過的模塊、測試策略和關鍵文件。

第二，多工具混用。比如平時用 Claude Code，有時用 Codex CLI 或 Cursor。如果這些工具都接入同一個 memory server，就能共享部分上下文。

第三，複雜任務拆分。長任務中間被壓縮或換會話時，記憶系統可以幫助恢復關鍵狀態。

第四，團隊內沉澱經驗。重複出現的 bug、架構取捨和操作步驟可以沉澱成可檢索信息。

使用時要注意什麼

第一，自動記憶不是越多越好。需要關注隱私、密鑰、客戶數據和敏感代碼，不要把不該記錄的內容放進長期記憶。

第二，記憶召回有誤差。即使 README 給出了基準測試結果，實際項目裏仍然要把召回內容當作參考，而不是事實來源。

第三，多個 Agent 共用記憶時，要設計好隔離邊界。個人項目、公司項目、客戶項目不應該混在同一個無隔離 memory 空間裏。

第四，MCP 工具數量很多時，要注意工具暴露面。只開放實際需要的能力，避免讓 Agent 獲得過寬的寫入、刪除或導出權限。

適合誰

agentmemory 適合已經重度使用 AI 編程 Agent 的用戶。尤其是：

長期維護一個項目的獨立開發者。
經常切換 Claude Code、Codex、Cursor 的用戶。
想研究 MCP、hooks 和 Agent 工作流的開發者。
希望把會話歷史變成可檢索資產的小團隊。

如果只是偶爾讓 AI 改一個小腳本，靜態說明文件就夠了。如果已經把 AI Agent 當作日常開發搭檔，持久記憶系統會更有意義。

小結

agentmemory 解決的是 AI 編程中的“重新解釋成本”。它把會話、工具調用和項目經驗沉澱爲可搜索記憶，讓後續 Agent 更容易接上上下文。

這類工具的方向很重要，但也要謹慎使用。記憶系統越強，越需要重視數據邊界、權限控制和清理機制。真正落地時，建議先在個人項目或非敏感代碼庫裏試用，再逐步擴大範圍。

參考項目：https://github.com/rohitg00/agentmemory

記憶系統 on KnightLi的博客