夜雨聆风AI代理、持久记忆、跨会话上下文、MCP服务、知识图谱、混合检索
—— agentmemory（rohitg00/agentmemory）为 Claude Code、Cursor、
Gemini CLI、Codex CLI、OpenClaw 等主流编程代理提供通用持久记忆层。
零外部数据库，95.2% 检索召回率（ICLR 2025 LongMemEval-S），
约 170K token/年的极低开销。
每个新会话都在重头开始
你用过 AI 编程助手后一定有这种体验：会话结束后，一切都消失了。 下一次打开，代理不再记得上回讨论的架构决策、你偏好的测试框架、 或者那个坑了一次又一次的 N+1 查询。
现有方案各自有致命短板：
• CLAUDE.md / .cursorrules：静态文本文件，200 行就撑满上下文。 240 条观察结果占用约 22K token，每次都完整加载进窗口。
• 手动管理：靠用户写备注记要点，本质是便利贴，不会主动捕捉代码行为。
• mem0（53K star）：需要 Qdrant 或 pgvector 等外部向量数据库，
且仅靠手动调用 add() 记录，缺乏自动捕获。
• Letta/MemGPT（22K star）：捆绑了自己的运行时框架，用了记忆层 就得放弃现有工具链。
结果就是恶性循环：新会话花 5-10 分钟重新交代栈上下文 -> 代理回答质量 下降 -> 开发者懒得再解释 -> 放弃高阶用法。
agentmemory 直接回答了这个问题：代理退出后，记忆不应该消失。 它不要求你换工具，不需要装 Postgres，甚至不需要手动记任何东西。
一命令启动，零配置接入
上手 agentmemory 出乎意料地简单，甚至不需要 npm install。
第一步：启动记忆服务器
npx @agentmemory/agentmemory
第二步：为你的代理添加 MCP 配置
以 Claude Code 或 Cursor 为例，在 mcpServers 中添加一个条目：
{
"mcpServers": {
"agentmemory": {
"command": "npx",
"args": ["-y", "@agentmemory/mcp"],
"env": { "AGENTMEMORY_URL": "http://localhost:3111" }
}
}
}
Claude Code 还可通过插件市场一键安装：
/plugin marketplace add rohitg00/agentmemory
-> /plugin install agentmemory，自动注册全部 12 个钩子和 51 个 MCP 工具。
第三步：观察效果
启动第二个终端，运行示例数据填充：
npx @agentmemory/agentmemory demo
此命令写入 3 个真实场景会话（JWT 认证、N+1 查询优化、速率限制），
然后执行语义级「回忆」。搜索 database performance optimization，
它会返回「修复 N+1 查询」的记录——纯关键词匹配做不到。
实际使用流程对比：
| 场景 | 无 agentmemory | 有 agentmemory |
|---|---|---|
| 会话 1 | "为 API 添加 JWT 认证"——代理完成，退出 | 代理完成，agentmemory 自动捕捉行为 |
| 会话 2 | "添加速率限制"——先解释认证用 jose、文件位置 | 代理直接开始写代码，已知道 src/middleware/auth.ts |
| token 开销 | 每次粘贴 22K+ token | 约 1,900 token（减少 92%） |
使用场景一：跨会话代码库学习
你周一设置了 GraphQL API，周三回来想加订阅。代理自动知道：
• 模式定义在 schema.graphql 中
• 解析器使用 graphql-tools 的 makeExecutableSchema
• 认证通过 JWT middleware 传递用户上下文
不需要重复说明。
使用场景二：修复老旧 bug 的上下文复用
你花了一下午调试某个并发问题，找到根因但没来得及改。第二天：
/recall "并发 bug 分析"
# 返回：昨日在 src/scheduler.ts:142 发现竞态条件，
# 两个 timer 回调同时修改 shared state，root cause 已记录
代理直接从分析继续，节省整个上午的重新排查。
使用场景三：团队协作中的记忆桥梁
agentmemory 支持 team memory（命名空间隔离 + 共享读取）。 你刚修好的 CI 构建问题，同事的代理在下一次会话中搜索 "CI build error" 就能看到完整解决记录。
四层记忆管线与混合检索核心
agentmemory 的架构可以用一条流水线概括——从代理执行到下次会话注入， 所有步骤自动完成。
记忆捕获管线（PostToolUse 触发）：
钩子触发 -> SHA-256 去重（5 分钟窗口）
-> 隐私过滤器（剥离密钥和 API token）
-> 原始观察存储
-> LLM 压缩（提取事实、概念、叙事）
-> 向量嵌入（多供应商 + 本地模型可选）
-> BM25 + 向量双重索引
分发与注入管线（SessionStart 触发）：
项目配置加载 -> 混合检索（BM25 + Vector + Graph）
-> Token 预算（默认 2000 token）
-> 注入会话上下文
四层记忆巩固模型（4-Tier Consolidation）
模拟人类记忆的睡眠巩固机制，将原始观察逐层提炼：
| 层 | 内容 | 类比 |
|---|---|---|
| Working | 工具调用的原始观察 | 短期记忆 |
| Episodic | 压缩后的会话概要 | "发生了什么" |
| Semantic | 提取的事实与规律 | "知道了什么" |
| Procedural | 工作流与决策模式 | "怎么做" |
记忆遵循艾宾浩斯遗忘曲线衰减。频繁访问的记忆强化， 长期未用的记忆自动驱逐。矛盾检测机制处理代理自身行为的不一致性。
创新之处：三重流混合检索（Triple-Stream Hybrid Search）
这是 agentmemory 召回质量的核心。三条检索流经 RRF （Reciprocal Rank Fusion，参数 k=60）融合：
1. BM25 关键词：基于 Porter 词干提取 + 同义词扩展，24/7 可用。 支持希腊文、西里尔文、希伯来文、阿拉伯文及带变音符号的拉丁文字符。 中文/日文/韩文可安装可选分词器增强。
2. 向量检索：Cosine similarity 语义检索。默认使用本地
all-MiniLM-L6-v2（免费离线），也支持 Gemini/OpenAI/Voyage/Cohere。
3. 知识图谱：提取实体关系并进行 BFS 遍历，当查询包含实体 关联关系时提供补充信号。
在 LongMemEval-S 数据集上的表现： - BM25 + Vector：R@5 = 95.2%，R@10 = 98.6% - 仅 BM25 基线：R@5 = 86.2% - 知识更新类子项：R@5 达到 98.7%
相比竞品的技术差异：
• 无需外部数据库：全部数据在 SQLite + iii-engine KV 中，零运维负担。
• 零框架锁定：不要求替换现有代理运行时，通过 MCP 协议（51 工具）、 REST（107 端点）、或 iii SDK（Python/Rust/Node）三种方式接入。
• 自动捕获 vs 手动记录：mem0 需在代码中显式调用 add()；
agentmemory 通过 12 个生命周期钩子自动捕捉每一次工具调用。
• 记忆生命周期管理：版本历史、冲突检测、自动过期（TTL）、 低重要性驱逐——不是简单的键值存储。
落地场景与演进方向
立即可落地的场景：
场景一：代码库迁移或重构时的桥接。 团队从 Express 迁移到 Hono， 迁完一个模块后休息几天，回来时代理记得数据结构转换策略、测试覆盖、 边缘情况。agentmemory 确保每个模块的迁移上下文不被等待期冲散。
场景二：多代理任务接力。 你用 Claude Code 写后端、Cursor 写前端。
agentmemory 的 MCP 服务让两个代理共享同一个记忆服务器——
后端的 API 签名变更自动对前端代理可见。/agentmemory/team/share
端点允许团队成员跨会话交换洞察。
场景三：CI/CD pipeline 异常诊断。 代理在调试 CI 失败时记录下 完整分析链（错误栈 -> 根因推测 -> 假说验证 -> 最终结论）。 后续同样问题出现时，代理直接调取分析记录，跳过多轮假设验证。
更广阔的应用空间：
agentmemory 基于 iii-engine 的三个原语（Function、Trigger、KV State），
本质上是一个可扩展的 iii 运行时。通过 iii worker add <name>
可一键添加新能力：
• iii-pubsub -> 多人协作实时同步记忆
• iii-cron -> 定时巩固（每晚衰减扫描、每周快照）
• iii-sandbox -> 在隔离微 VM 中运行被召回的代码
• iii-queue -> 对失败的嵌入/压缩任务持久重试
从数据看，agentmemory 于 2026-05-13 发布 v0.9.12， 仅一天 star 突破 7,500，增速惊人。其核心价值不依赖任何特定 AI 代理框架，通过开放的 MCP 协议——只要你的代理支持 MCP， 就能获得跨会话持久记忆。对于长期使用编程助手的开发者来说， 这是目前最接近「代理不忘记」的解决方案。