夜雨聆风你是否遇到过这样的崩溃时刻——
上一周刚让AI助手在src/middleware/auth.ts里配好了JWT认证，指定了jose库来实现token验证，这一周再开新会话，它一脸茫然："啥是JWT？您需要我设置什么认证来着？"
或者，上个session辛辛苦苦调好的API限流逻辑，新会话开始时全部归零，AI对着同样一个问题从头排查、从零开始。
这不是AI的错——是它压根没有"记忆"。
现在，这个问题有解了。
01 它是什么
agentmemory[1]是一个专门为AI编码助手打造的持久化记忆系统，基于iii-engine[2]构建，核心理念一句话："Your coding agent remembers everything. No more re-explaining."
安装只需一行命令：
npm install -g @agentmemory/agentmemory
agentmemory # 启动记忆服务器
然后把记忆服务接入你的AI助手：
agentmemory connect claude-code # 支持 Claude Code、Codex CLI、Cursor、Gemini CLI、OpenClaw 等
接入后，服务器运行在本地3111端口，实时可视化面板在3113，接入后AI助手会自动记录每次会话的上下文，下次开新会话时自动召回相关记忆——无需你做任何额外操作。
02 核心技术架构
agentmemory的技术选型非常务实，**"零外部依赖"**是最大亮点之一。
| 对比项 | agentmemory | mem0 | Letta/MemGPT |
|---|---|---|---|
| 检索方式 | BM25 + 向量 + 知识图谱（RRF融合） | 向量 + 知识图谱 | 向量（归档型） |
| 外部依赖 | 无（SQLite + 本地嵌入） | Qdrant / pgvector | Postgres + 向量数据库 |
| 自托管 | ✅ 默认支持 | ✅ 可选 | ✅ 可选 |
| 记忆生命周期 | 4层自动归并 + 衰减 + 自动遗忘 | 被动抽取 | Agent自行管理 |
RRF融合（Reciprocal Rank Fusion）是一种将多个排序结果合并的技术——将BM25的关键词精确匹配、向量化检索的语义理解、知识图谱的结构化关系三路信号做加权融合，最终输出的检索结果比单一方法更准、更稳。
具体有多准？ 官方在两个基准上测了：
coding-agent-life-v1（自建测试集，15轮真实开发会话）：Top-5命中率100%，精确率是grep基线的2.2倍，中位延迟仅14ms。 LongMemEval-S（ICLR 2025公开数据集，500题）：R@5达到95.2%，R@10达到98.6%，MRR（平均倒数排名）88.2%。作为对比，BM25单独使用只能拿到86.2% / 94.6% / 71.5%。
这意味着，当你说"帮我修一下那个数据库性能问题"时，agentmemory真的能定位到"上一周的N+1查询优化"那条会话记录，而不是给你一堆无关的模糊匹配。
03 效率账：一年省多少Token？
这里有笔经济账值得算一算。
假设一个重度用户每天跑3个编码会话，每个会话平均500个Token上下文，每年Token消耗量：
| 方案 | 每年Token量 | 每年成本 |
|---|---|---|
| 粘贴全部历史上下文 | 19.5M+ | 不现实（直接爆窗口） |
| LLM自动摘要 | ~650K | ~$500 |
| agentmemory | ~170K | ~0（本地嵌入） |
使用本地嵌入模型（all-MiniLM-L6-v2），成本直接归零。这对于个人开发者和小型团队来说，是真正可以落地的方案。
04 兼容哪些AI助手？
这是agentmemory另一个亮眼的地方——覆盖面极广。
官方支持的AI编码助手列表：
Claude Code（原生插件 + 12个Hook + MCP） Codex CLI（原生插件 + 6个Hook + MCP） GitHub Copilot CLI（MCP + 插件钩子） OpenClaw（原生插件 + MCP）✅ Hermes（原生插件 + MCP） Cursor（MCP服务器） Gemini CLI（MCP服务器） OpenCode（22个Hook + MCP + 插件） Cline、Goose、Kilo Code、Windsurf……
列表还在持续扩充。核心逻辑是：只要你的AI助手支持MCP协议或HTTP API，就能接入agentmemory。多Agent之间共享同一个记忆服务器，互不干扰。
此外，agentmemory还提供了memory_smart_search、memory_save、memory_sessions等53个MCP工具，开箱即用，不需要自己写一行代码。
05 竞品对比：为什么选它
目前市面上做Agent记忆的项目并不少，拿最知名的两个对比：
vs mem0（53K⭐）： mem0是面向通用Agent的记忆层API，走云端路线为主，虽然技术成熟度高，但自托管需要额外部署Qdrant或pgvector，学习成本和运维成本都更高。在R@5检索精度上，mem0在LoCoMo测试集上为68.5%，而agentmemory在LongMemEval-S上达到95.2%，差距明显。
vs Letta/MemGPT（22K⭐）： Letta走的是"全栈Agent运行时"路线，你需要用Letta的框架重写你的Agent才能用上记忆功能，框架锁定成本很高。agentmemory则完全无锁定，任何MCP客户端即接即用。
06 快速上手
第一步：安装
npm install -g @agentmemory/agentmemory
第二步：启动服务器
agentmemory
# 服务器运行在 http://localhost:3111
# 实时可视化面板在 http://localhost:3113
第三步：接入你的AI助手
agentmemory connect claude-code
# 或
agentmemory connect codex
第四步：体验记忆召回
npx @agentmemory/agentmemory demo
demo会播撒3个模拟会话（JWT认证搭建、N+1查询修复、API限流），然后用语义搜索验证召回效果——你会看到搜"数据库性能优化"能找到"N+1查询修复"这条记录，这就是语义理解的力量。
07 GitHub数据
截至2026年6月1日：
⭐ 18,355 GitHub Stars 全球排名 #2404 本周新增 +355 stars，活跃度持续攀升 36位贡献者 最新版本 v0.9.24
总结
agentmemory解决的是一个非常具体但又极其普遍的问题：AI编码助手没有持久化记忆。
它的优势总结为三句话：
接入极简：一行命令安装，一个命令接入，不改你现有工作流。 技术扎实：BM25+向量+图谱三路融合，R@5达95.2%，实测检索又快又准。 零外部依赖：SQLite加本地嵌入模型，自托管零成本，真正私密可控。
如果你每天重度使用Claude Code、Codex或任何支持MCP的编码助手，装上agentmemory的那一刻，你会发现：原来AI真的可以"记住一切"。
相关链接：
GitHub：https://github.com/rohitg00/agentmemory[3] 官方文档：https://github.com/rohitg00/agentmemory/blob/main/README.md[4] 基准测试报告：https://github.com/rohitg00/agentmemory/blob/main/docs/benchmarks/2026-05-20-coding-agent-life-v1.md[5]
引用链接
[1]agentmemory: https://github.com/rohitg00/agentmemory
[2]iii-engine: https://github.com/iii-hq/iii
[3]https://github.com/rohitg00/agentmemory
[4]https://github.com/rohitg00/agentmemory/blob/main/README.md
[5]https://github.com/rohitg00/agentmemory/blob/main/docs/benchmarks/2026-05-20-coding-agent-life-v1.md
