ARTICLE · 1271186

【ai-memory】给20多个AI编程工具装共享长期记忆,Claude Code的活Codex接着干

发布时间：2026-10-29 01:47:49 最近访问：2026-10-29 01:47:50

上周 Hacker News 上一个开源项目拿了 990 分、647 条讨论；GitHub 上 5 个月怒攒 14,000+ stars，本周还在以每周 2,200+ 星的速度蹿升。它干的事说出来很简单：让 Claude Code 干到一半的活，换成 Codex 打开同一个目录接着干——而且 Codex 知道你刚才卡在哪、哪些方案试过不行、还有哪些坑没填。

它叫 ai-memory，本周 GitHub Trending 周榜第 11 名（数据采集于 2026-10-28）。

一、为什么它突然爆了：每个 AI 编程工具都在"失忆"

先看数据（采集于 2026-10-28）：

• GitHub 总 stars：14,193，周新增 2,239（新增/总量比 16%，快速蹿升期）
• 主语言：Rust，MIT 协议，最新版本 v3.2.9（2026-10-28 发布）
• 项目创建于 2026-05-21——也就是说，5 个多月冲到 1.4 万星

官方描述翻成大白话：给 AI 编程命令行工具（agent coding CLI）做长期记忆，并让不同厂商的 agent 之间顺利"交接棒"（handoff）。

你多半经历过这种崩溃：

下午用 Claude Code 调一个 bug，试了三种方案都失败，终于锁定方向，token 用完下班了。第二天换 Cursor 或者 Codex 接着干——新 agent 一脸懵：这是什么项目？架构是什么？你之前干了啥？于是你花 20 分钟把昨天的事重新讲一遍，讲到一半发现有些细节自己也忘了。

这不是你的错。Claude Code 的记忆只属于 Claude Code，存在你这台机器上；Cursor 的记忆只属于 Cursor。每个 AI 工具都在认真记笔记，但每本笔记都锁在自己的抽屉里。 换工具、换电脑、换同事接手，笔记全部作废。

ai-memory 的解法粗暴直接：给所有 agent 配一本公共笔记本。

它支持 20 多个主流编程 agent：Claude Code、Codex、Cursor、Gemini CLI、OpenCode、Grok、Devin、Kimi、Kiro、GitHub Copilot CLI、Qwen Code……全部接入同一个记忆库。任何一个 agent 学到的东西，其他 agent 都能查到。

二、它切中的空档：agent 越多，记忆越值钱

为什么是这个时间点爆？三个背景叠在一起。

第一，多 agent 工作流成了常态。 现在的开发者手里不止一个 AI 编程工具：写代码用 Claude Code，快速改动用 Cursor，查资料用 Gemini CLI。工具越换越勤，"重新解释项目背景"这件事就越痛。有人算过账：每天给新会话重述一遍项目上下文烧掉的 token，一年下来是一笔不小的开销——更贵的是你的时间。

第二，长上下文不等于长期记忆。 模型上下文窗口再长，也是"一次性"的：会话结束就清零。而且上下文越长越贵，把三个月的项目历史每次都塞进上下文，既不现实也不划算。把记忆外置成可检索的知识库，用多少取多少，才是经济账。

第三，市面上的记忆方案各有各的锁。 Mem0、Zep 这类记忆服务走托管 API 路线，按量收费，数据在别人家；各家 agent 的内置记忆又互相不通。ai-memory 站在了两者的空档：MIT 开源、免费自托管、数据是本地纯文本——谁也不锁定。

作者的背景也值得一说。Fabio Akita，GitHub ID akitaonrails，巴西技术圈的传奇博主：做了 18 年技术 YouTuber，2008 年就创立了巴西 Ruby on Rails 社区。有意思的是，他大方承认这个项目"与 Claude Code 协作构建"——代码、连 README 都是和 Claude 一起写的。一个 20 年 Web 开发老兵 + AI 结对编程，5 个月做出 1.4 万星项目，这件事本身就是 AI 时代个人开发者的一个样本。

三、技术拆解：一本 git 管理的 markdown 笔记本，居然不需要调 API

ai-memory 的架构可以用一句话概括：markdown 是真相，数据库只是目录。

整条流水线是四步：

capture（静默捕获）→ consolidate（整理成页）→ recall（检索注入）→ handoff（交接棒）

机制一：生命周期钩子静默捕获。 通过各 agent 的生命周期钩子（hook——agent 在"会话开始、收到提问、工具调用结束"等时点主动通知外部程序的机制），把你的每条指令、每次工具调用、会话边界自动记录下来。你不需要说"帮我记住"，它在后台默默记。

机制二：一切沉淀为 git 管理的 markdown。 记忆的真源是一棵 git 版本化的 markdown 文件树：可以 grep、可以用 Obsidian 打开、可以手改、可以 rsync 备份。SQLite 数据库只是派生索引，随时可以从文件重建。没有向量库要维护，没有内容锁在二进制大 blob 里——这是它和 Mem0 类"事实抽取"方案最大的不同：记忆是你可以直接读懂、直接编辑的页面，不是一行行不透明的事实记录。

机制三：默认零 LLM 调用。 这是最反直觉的设计：捕获、搜索、交接，默认路径一次大模型 API 都不调，零 API key 也能跑。搜索靠 SQLite FTS5（SQLite 内置的全文搜索引擎）加实体匹配和链接邻居，融合成一个排序。你要是想升级，可以配本地嵌入模型（embedding——把文本变成向量，让语义相近的内容在数学上离得近）或任意 OpenAI 兼容接口，语义搜索、LLM 摘要都能开，但那是选项，不是前提。

机制四：记忆会"变老"，而且用得越多老得越慢。 记忆按层级设定衰减节奏；你打开过、搜索过、通过链接到达过的页面，衰减更慢。冷的零散笔记可以压缩成只剩硬事实（文件路径、错误码、决策），近似重复会合并，疑似矛盾会打标——这些同样零 API 调用。重要的是从不硬删除：原文永远留在 git 版本链里，一条 restore-page 命令就能找回。

性能数字是实测的，不是拍脑袋：单机写入天花板约 700 次/秒（32 并发写入时延迟 1.43 毫秒）；在标准长记忆基准 LongMemEval-S 的 470 个问题上，零 LLM 的纯全文检索路线 hit@5 达到 0.951（hit@5——前 5 条检索结果命中正确答案的比例），本地嵌入路线 0.943。作为对照，同类项目 mcp-memory-service 公开的 R@5 是 0.804。

彩蛋级的工程细节：整个系统是一个 Rust 单二进制文件（编译成一个可执行文件，拷到哪都能跑，没有依赖地狱）；每次写操作有审计日志；"删除"命令会明确告诉你删掉的到底是什么。

四、怎么用：两条命令装完，第一天就能干三件事

Linux/macOS 安装只要两条命令（不用 root）：

curl -fsSL https://github.com/akitaonrails/ai-memory/releases/latest/download/install.sh | shai-memory setup

setup 会自动创建数据目录、起一个用户级后台服务，并把本机找到的所有 agent 一次性接好。Windows 有对应的 PowerShell 两条命令，Arch/Fedora 有原生包，还能 Docker 一把梭。

装完第一天你可以干三件事：

1. 正常写代码。 用 ai-memory run claude（或 codex）启动 agent，它自动挂上捕获钩子。下班时不用做任何事，session 自动整理成一页 wiki。
2. 第二天问一句"我们昨天做到哪了？" 新会话（任何 agent）会收到一份交接简报：做到哪、什么失败了、还开着哪些问题。
3. 搜记忆。 直接问"我们讨论过 XX 吗"，或者打开 Web 界面浏览整个项目的记忆库（见下图）。