换 AI 编码工具不用再重新自我介绍!这个开源记忆中间件,让 Claude Code、Codex、Cursor 共享同一份＂长期

项目名称

Any Agent Memory Mesh（amm） —— 一个本地优先、厂商中立的 AI 编码代理持久化记忆中间件：基于 MCP 接入，让 WorkBuddy、Claude Code、Codex、Cursor、Kimi Code 等任何 MCP 兼容代理，读写同一份存在你自己电脑上的记忆网络。

项目2026年开源，主语言 Python，采用 MIT 许可证，全程可跑在本地——原始记录不离开你的机器，压缩和向量化默认走本地 Ollama。

解决什么问题

用 AI 编码代理干活的人，每天都在被三件事折磨：

• 金鱼记忆
  ：每次会话结束，上下文清零。昨天让代理踩过的坑、验证过的结论，今天它一无所知，全部重来；
• 跨厂商交接断层
  ：一个任务干到一半想换工具——从 Claude Code 换到 Codex 或 Cursor——新代理对项目架构一无所知，你得重新解释项目背景、哪些方案已经试过并且失败了、还有哪些问题没解决；
• 记忆越攒越乱
  ：就算有记笔记的习惯，原始流水账只会无限膨胀，从不被整理提炼，时间一长等于没记。

amm的解法是把记忆做成一张介于任何代理和本地存储之间的"记忆网"：所有事件只追加进本地 SQLite（事件溯源，原始记录不可篡改），图表和向量视图全部是可丢弃的派生物（随时可重建），召回时用多跳图扩展 + 学习排序捞出真正相关的上下文，空闲时段由本地 LLM 自动把流水账压缩成可演化的知识。

一句话：换工具不换记忆，会话结束不忘事。

特色亮点

• 事件溯源架构
  ：所有记忆以事件形式追加写入 SQLite（只 INSERT，永不 UPDATE/DELETE 业务数据），可审计、不失真；摘要、实体、关系、向量全是从事件派生的"可丢弃物化视图"——新事件进来自动标脏重算，换嵌入模型维度变了也只是重建图表目录；
• 图 + 向量双引擎
  ：内嵌图数据库 Kuzu 承载实体关系图，并直接用它的原生 HNSW 向量索引（无需常驻向量服务）；启动时在隔离子进程探测原生索引是否安全，不安全自动降级为精确余弦扫描——服务永不因此挂掉；
• 可解释的学习排序
  ：多跳召回混着"片段 + 实体"，固定启发式排不准（"之前哪个方案被否了？"应该把被否的失败方案排在新鲜但琐碎的笔记前面）。amm 用纯 Python 实现的线性 RankNet，特征含相关度/时效/图度/否定词奖励等——没反馈时用合理默认权重开箱即用，积累了 memory_feedback 标注后跑一次 amm train 拟合权重，召回质量持续进化；
• 空闲自压缩
  ：夜间 00:00–06:00 空闲窗口，本地 Ollama 自动把原始事件压缩成分层摘要 + 实体/关系抽取（没装 Ollama 也有确定性启发式兜底，流水线不断）；
• 跨厂商共享
  ：内置 20 个厂商适配器——Claude Code、Codex、Cursor、VS Code Copilot、Zed、Gemini CLI、Devin、Kimi Code、WorkBuddy 等，amm install-mcp --vendor <名字> 直接打印对应配置片段；接入方式三保险：MCP 主动工具（主通道）→ 生命周期钩子（兜底）→ 文件协议（极端情况直接读写 .memory/events.jsonl）；
• 8 个 MCP 工具
  ：memory_record（记结论/失败方案）、memory_recall（开工前取 Context Pack，免重新自我介绍）、memory_feedback（标注相关性喂给排序模型）、memory_auto_improve + wiki 系列（自动审阅会话、为讨论最多的话题生成 wiki 页，支持审批队列和拒绝抑制——低价值提案被拒够 2 次就不再重复推荐）；
• 隐私优先
  ：raw/ 原始记录只在本地、永不外传；压缩和向量化默认走本地 Ollama，整条流水线可以完全离线；
• 零重依赖
  ：MCP 服务器用 Python 标准库实现（stdio JSON-RPC 2.0），不依赖 mcp SDK，免 cryptography 编译——pip 装个 kuzu 就能跑。

适合谁用

• 多工具切换的重度用户
  ：同时用 Claude Code、Codex、Cursor 等多个代理，受够了每次切换都重新解释项目背景的人；
• 长周期项目的开发者
  ：项目一做几个月，希望代理记得"为什么当时选了方案 A 而不是 B"这类历史决策和踩坑记录；
• 本地部署党 / 隐私敏感者
  ：代码、对话、记忆全部留在自己机器上，不往任何云端传；
• AI Agent 工具开发者
  ：事件溯源 + 可丢弃物化视图 + 可解释 RankNet 这套架构设计，本身就是一份很好的记忆系统参考实现（仓库带正式设计文档 docs/design.md）；
• 想给自研代理加记忆的人
  ：核心只认 Event 模型、与采集方式无关，加一个新厂商适配器通常只是往注册表里加一条配置。

怎么用

① 安装（需 Python 3.10+）：

pip install kuzu requests pip install -e .  # 可选但推荐：本地 LLM（语义向量 + 夜间压缩） ollama pull nomic-embed-text qwen2.5

② 接入你的编码代理：把 MCP 配置加进对应配置文件（Claude Code 的 ~/.claude.json、Codex/Cursor 的 mcp.json）：

{   "mcpServers": {     "any-agent-memory-mesh": {       "command": "amm",       "args": ["serve"],       "env": { "AMM_VENDOR": "claude_code" }     }   } }

不确定怎么写？amm install-mcp --vendor <名字> 直接打印对应厂商的配置片段，--list 列出全部 20 个支持的厂商。

③ 日常使用（主路径是代理通过 MCP 自动读写，CLI 也能手动操作）：

# 记一条结构化记忆（比如失败的方案，值得记住） amm record --type failure --text "方案A：单库做多租户，因隔离性差被否" --project-path .  # 跨会话/跨厂商召回（多跳检索 -> Context Pack） amm recall --query "之前哪个方案被否了？还有什么没解决？" --project-path .  # 夜间压缩（或常驻 amm compact --daemon 自动跑） amm compact --project-path .  # 知识 wiki 闭环：审阅会话 -> 生成 wiki 提案 -> 审批 amm auto-improve amm wiki list --status approved

④ 服务器部署（可选）：docker compose up -d 一键拉起 amm（HTTP :8777）+ Ollama；或用 systemd 用户服务常驻。最常见的方式其实是 stdio 模式——代理自己拉起进程，无需常驻服务。

开源地址

• GitHub：https://github.com/liuzhitao07/agent-memory-mesh（MIT 许可证）