夜雨聆风你的 AI 助手终于不会失忆了：这个 900+ Star 的项目用一个脚本解决了 Agent 永久记忆难题
每次打开 Claude Code、Codex 或 Cursor，你的 AI 助手都像第一次见到你一样——不知道之前的决策、不记得你的偏好、对上周讨论过的架构方案毫无印象。
这不是你的错觉。这是 AI 助手的先天局限：每个会话都是全新的，没有长程记忆。
今天要推荐的项目 OptMem（930⭐），用 426 个 token 和一个脚本，就给了 AI 真正的永久记忆。它不是另一个向量数据库，不是另一个 RAG 方案——它比你想象的简单得多。
它做了什么？
OptMem 是一个极简的记忆系统，专为 AI 编程助手设计。安装只需要一行命令：
curl -fsSL https://raw.githubusercontent.com/VictorTaelin/OptMem/main/install.sh | sh
运行后，它会打印一个 ## Memory 块。把它粘贴到你的 AI 助手的 AGENTS.md（或 CLAUDE.md）里，就完成了。你的 AI 从此拥有了跨会话、跨模型、跨厂商的持久记忆。
重启会话？换了新模型？从 Claude 切换到 Gemini？记忆都在。
原理其实很简单
OptMem 的聪明之处在于不做复杂的事。
传统方案会建向量数据库、做语义搜索、搞 RAG pipeline——OptMem 一条都不走。它的核心设计只有三句话：
LOG.txt 里。永不修改，永不删除。wake 命令从树根往下读，在预算 token 内给出最高价值的信息。wake 只需 0.03 秒。怎么用？
安装后，你的 AI 只需要记住几个命令：
| 命令 | 作用 |
|---|---|
memo wake |
唤醒记忆——每个会话的第一个操作 |
memo note "..." |
记录一条记忆（一行，最多 280 字） |
memo nap |
处理到期的记忆合并 |
memo recall <正则> |
逐字搜索所有历史记忆 |
memo zoom <a-b> |
展开一个摘要节点，看到原始内容 |
工作流是这样的：
会话开始时，AI 执行 memo wake，读取之前记住的所有关键信息。工作时，学到了什么新知识就 memo note。当笔记积累到一定量，memo nap 会自动合并相邻的记忆，压缩成摘要。
整个系统就是这样——读、写、压缩，循环往复。
和竞品比怎么样？
| 特性 | OptMem | 向量数据库 | RAG 方案 | 文件系统记忆 |
|---|---|---|---|---|
| 安装复杂度 | 一行命令 | 需要部署 | 需要 pipeline | 需要自己写 |
| 跨会话 | ✅ | ✅ | ✅ | ❌ |
| 跨模型 | ✅ | ✅ | ✅ | ❌ |
| 零依赖 | ✅ 纯 Python | ❌ | ❌ | 看实现 |
| 百万条查询 | 0.03s | 毫秒级 | 秒级 | 看实现 |
| Token 消耗 | 426 token | 通常很大 | 中等 | 看实现 |
但 OptMem 最独特的不是技术指标——它的设计哲学。它不追求"最智能的语义理解"，它追求"最可靠的事实留存"。它选择用精确搜索（正则匹配）而非模糊搜索（语义向量），因为对于"上次的架构决策是什么"这种问题，精确比模糊重要。
需要诚实说的局限
$MEMORY_DIR 可以用同步盘实现跨设备，但不是原生分布式。几个让效率翻倍的小技巧
$MEMORY_DIR 到一个 Git 仓库，所有记忆自动版本化。我的看法
OptMem 是一个少即是多的典范。当大家都在堆复杂度的时代，它用 426 个 token 和一个 Python 脚本就解决了一个被普遍认为需要向量数据库的问题。
它给 AI 助手的"记忆"下了一个新的定义：不是"理解"你说了什么，而是"记住"你说了什么。前者是 AI 模型的事，后者是工具的事。OptMem 专注于把它自己的那一部分做到极致。
如果你是 AI 编程助手的重度用户，值得花 30 秒装一下这个项目。它会改变你和 AI 协作的体验——从每次从头开始，变成真的有积累、有延续的长期协作。
📦 项目地址：VictorTaelin/OptMem[1]
💡 别忘了把 ~/.optmem 加到 PATH 里，方便直接输入 memo 命令。
参考链接
[1] VictorTaelin/OptMem: https://github.com/VictorTaelin/OptMem
