ai-memory:给你的 AI 编程助手一份跨工具、跨机器的长期记忆

今天给大家推荐的项目是 ai-memory。它做的事情很朴素：给 AI 编程助手补上最缺的那块——长期记忆。

你在 Claude Code 里把一个功能做到一半，第二天换成 Codex 打开同一个目录，对方对昨天的事一无所知：项目怎么分层、哪条路试过行不通、还有哪个问题悬着，都要从头讲一遍。ai-memory 把这段记忆放在你自己的机器上，跟着你跨助手、跨项目、跨设备，而且默认不调用任何大模型。

❝

项目名称： ai-memory主要语言： Rust（另含 Shell、TypeScript）Stars： 10.0kForks： 725项目链接： https://github.com/akitaonrails/ai-memory

每次换工具，都要把项目重讲一遍

现在的编程助手其实都有自己的记忆功能。Claude Code 会自己记笔记，Cursor 也能记住一些东西。但它们的限制一样：笔记存在一台机器上，只属于一个助手；你一换工具，或把活交给同事，笔记就掉出视野了。

长任务更麻烦。一个跑了三周的仓库，中间换过两个助手、重启过十几次会话，真正有价值的东西——改过哪些文件、为什么绕开某个方案、下一步要验证什么——全都散落在关掉的终端窗口里。

ai-memory 的回应是：把这些观察记到仓库自己身上，而不是某个工具的私有数据库里。

核心亮点

一份记忆，二十多种助手共用

ai-memory 通过生命周期钩子（助手在会话开始、调用工具、会话结束等时机自动触发的回调）和 MCP（Model Context Protocol，让助手调用外部工具的通用接口）接入。README 的支持矩阵里，Claude Code、Codex、Cursor、Gemini CLI、OpenCode、Grok、Kimi Code、GitHub Copilot CLI 等二十多种助手都是第一方集成，并由 CI 持续检查。

关键在于交接有协议：每张交接单有明确归属，而且只能被认领一次。你退出 Claude Code、在同一目录启动 Codex，后者拿到的是"上次停在哪、什么失败了、还剩什么没做"，不需要你口头复述。

你的记忆是一份可以直接读的 Markdown

很多记忆工具把内容存成不透明的碎片，你只能通过它自己的界面看。ai-memory 反过来：事实来源是仓库里一个由 git 版本化的 Markdown 维基，都是普通的 .md 文件。你可以 grep 它、用 Obsidian 打开它、手动改它、用 rsync 搬走它。数据库只是从这些文件派生的索引，随时能重建。

默认零大模型调用

这是它最容易被忽略、但影响最大的一点。捕获、检索、交接这条主链路完全不依赖 API Key：助手工作时把清洗过的观察记录上报，会话结束时整理成页面，下一个会话注入一份有界摘要。没有 Key，全文检索照样能用。

用得更深时，它还能做记忆老化——按层级设置衰减曲线，你打开过、搜索到过的记忆衰减得更慢；冷掉的流水账压缩成保留价值的硬事实（文件路径、错误码、结论），近似条目合并，疑似矛盾单独标记。根据 README，这套机制同样是零 API 调用的。

只有想让它"做梦"——用大模型把整簇冷记忆重写成连贯页面——才需要配置模型。而这是默认关闭的开关，不是必经之路。

不做硬删除

改写或丢弃内容的机制默认关闭。原始版本留在 git 里，restore-page 可以找回来。所有写操作都有审计日志，清理类命令会明确告诉你"删除"删掉了什么。对一份记录你真实工作过程的资料来说，这比"更聪明的摘要"重要得多。

技术实现

整个项目是一个 Rust 二进制，同时充当 MCP/HTTP 服务和数据目录的管理者。README 给出的架构是：

• 接入层：助手通过钩子把观察记录 POST 给服务端，或通过 MCP 的 stdio/HTTP 通道查询；命令行和浏览器界面走同一套接口。
• 写入路径：所有写入串行经过单写者的 SQLite actor（WAL 模式、批量事务），多会话并发时不写乱。
• 存储层：wiki/ 是 Markdown 事实来源，raw/ 存已清洗的转录片段，db/ 是 SQLite 索引（含 FTS5 全文、实体和向量）。
• 检索：全文、实体、图谱三路结果用 RRF（Reciprocal Rank Fusion，倒数排名融合）合成一份排序；向量检索可选。

取舍很清楚：选 Rust 单二进制换来部署简单，不用起数据库、不用维护向量库；选 Markdown 做事实来源换来数据可读可迁移，代价是没有云端托管那种开箱即用。另外，原生 Windows 目前仍是实验性支持，官方推荐走 WSL2；部分助手（如 Claude Desktop、Zed、VS Code Copilot）只支持 MCP 子集，功能会受限。

安装不复杂，Linux 和 macOS 两条命令、无需 root：

1. 从 Releases 下载安装脚本并执行，脚本会校验发布页的 SHA-256 校验和；
2. 运行 ai-memory setup，它会创建数据目录和访问令牌、启动用户级服务，并把找到的助手逐一接入——接入前先列出计划让你确认。

值得试，如果你每天都在和助手打交道

ai-memory 最值钱的地方不是某个单点功能，而是它把"记忆"的三个边界同时推开了：跨助手、跨机器、跨人。它用一份你能直接读的 Markdown 做事实来源，用零大模型调用的默认配置把成本压到几乎为零，再用"不硬删、可恢复"守住底线。

它最适合两类人：一是同时用两三个编程助手、受够反复交代上下文的开发者；二是想把个人经验沉淀成全组可检索知识的小团队——多人认证、按人归属和审计日志都是内置的。

需要提醒的是，它记的是这个仓库，不是通用知识库；也不该被当成替代版本控制或代码评审的工具。这两个边界想清楚了，它才用得舒服。

项目地址：https://github.com/akitaonrails/ai-memory

资料来源

• GitHub Trending：https://github.com/trending
• 项目仓库与 README：https://github.com/akitaonrails/ai-memory
• 官方架构文档：https://github.com/akitaonrails/ai-memory/blob/main/docs/ARCHITECTURE.md
• 官方安装文档：https://github.com/akitaonrails/ai-memory/blob/main/docs/install.md
• 支持矩阵与安全模型：https://github.com/akitaonrails/ai-memory/blob/main/docs/security.md
• 最新版本页：https://github.com/akitaonrails/ai-memory/releases/latest