一句话定位：基于 iii 引擎的本地持久化记忆服务器，为 18+ 种 AI 编码 Agent（Claude Code、Cursor、Codex CLI 等）提供跨会话、跨 Agent 的共享记忆层，解决"每次新会话都像第一次接手项目"的核心痛点。

一、它是什么？解决什么问题？

2026 年的 AI 编码 Agent 赛道已经拥挤，但它们有一个共同痛点：会话一断，记忆清零。CLAUDE.md、MEMORY.md这类静态文件只有 200 行上限且容易过时，每次新会话都要重新解释项目架构、架构决策和历史踩坑记录——Token 浪费严重，知识无法复用。

AgentMemory 是一个本地运行的记忆服务器。它不是某个特定 Agent 的插件，而是一层独立的基础设施。通过 12 个生命周期钩子自动捕获每次工具调用，压缩为结构化记忆，在下一次会话中按需回灌上下文。一个记忆服务器可以同时服务 Claude Code、Cursor、Gemini CLI、Codex CLI 等 18+ 种主流编程工具。

二、它能做什么？

三、它是如何做到的？

核心是一条记忆管线（Memory Pipeline）：

PostToolUse 钩子触发

→ SHA-256 去重（5分钟窗口）

→ 隐私过滤（去除密钥）

→ 存储原始观察（Working）

→ LLM 压缩为结构化事实/概念/叙事

→ 生成向量嵌入（6种提供者 + 本地 all-MiniLM-L6-v2）

→ BM25 + 向量 + 知识图谱三索引

检索时，三路结果通过Reciprocal Rank Fusion（RRF, k=60）融合排序，取 top_k 注入下次会话上下文。

底层基于iii engine（Rust 编写的本地知识引擎），用内置的 HTTP Triggers、KV State、Streams 和 Worker 监管替代了 Express、Postgres/pgvector、SSE、pm2 等传统依赖。零外部数据库服务，SQLite + 内存向量索引完成所有存储。

四层记忆从原始观察到程序性知识逐级压缩衰减：Working（原始，1.0x）→ Episodic（7天，0.4x）→ Semantic（90天，0.15x）→ Procedural（永久，0.05x）。

四、它能用到什么场景？

不适用场景：一次性脚本（overkill）、极简项目（静态文件更轻）、Agent 客户端不支持 MCP hooks（自动捕获效果打折扣）。

五、为什么值得关注？

1. 检索准确率 95.2%：LongMemEval-S 基准测试（ICLR 2025，500 题）R@5 达 95.2%，MRR 0.882。对比纯 BM25 fallback 的 86.2%，混合检索显著提升。
2. Token 成本大幅降低：官方测算年 Token 消耗约 17 万（对比全量上下文 1950 万+），年成本约 10（本地嵌入则为10（本地嵌入则为0）。月均 Token 下降约 40%。
3. 零外部依赖：SQLite + 本地嵌入 + iii 引擎自包含，无需 PostgreSQL、Redis、向量数据库等外部服务。对私有化部署极其友好。
4. 生态广度突出：53 个 MCP 工具 + 6 个资源 + 3 个提示词 + 4 个技能，是目前最全面的 MCP 记忆工具包。12 种语言 README，社区治理文档齐全。

六、基本信息卡

七、竞品分析

与竞品相比，AgentMemory 的核心优势是"编码 Agent 专属 + 零外部依赖 + 多 Agent 共享"三合一——Mem0 太通用、MemPalace 存储无边界、OpenViking 部署太重、Letta 绑定运行平台；主要短板是项目尚在 0.9.x 阶段，大规模生产验证不足，且过度依赖 npm/Node 生态，Python 原生支持弱。