AI 编程助手一换就失忆？这个开源工具把上下文续上了

换用 AI 编程助手时，最崩溃的不是「重新登一次」，而是要把之前聊过的架构、踩过的坑、还没解决的疑问，从头再讲一遍。这个刚冲上 Trending 的 Rust 项目，专门治这个毛病。

📌 项目名片

🤔 它解决什么问题

现在大多数开发者手边不止一个 AI 编程 Agent——Claude Code、Codex、Cursor、Gemini CLI……轮着用是常态。但它们都患着同一种病：失忆。

一个会话结束，上下文就丢了。你在 Claude Code 里花了半小时理清的架构、验证过走不通的 3 条路子、记下来的 2 个未决问题，换个工具打开同一目录，对方一无所知，你又得从头解释一遍。

传统方案要么让你手动维护一份 context 文档（累、且总是忘更新），要么上一套向量数据库做 RAG（重、要做 embedding、要 babysit）。而 ai-memory 的思路很朴素：把这些观察自动沉淀成一份共享的 markdown wiki，放在一个普通 git 仓库里。

✨ 核心亮点

🔄 跨工具无缝交接

这是它最戳人的地方。在 Claude Code 干活干一半，退出；几个小时后换成 Codex 打开同一个目录——下一个 Agent 会在第一次提问前，先看到一段「你上次停在哪」的交接说明。不用复述架构，不用解释踩坑，续着干。

🪝 零摩擦的自动捕获

通过 lifecycle hooks 静默采集：你的 prompt、工具调用、会话边界，被「消毒」后记录下来。用户 prompt 和压缩摘要最多保留 16 KiB，通知和工具摘要保留 2 KB，每条观察还有 16 KiB 的兜底上限——可控，不会无限膨胀。

🌐 20+ 个 Agent 全支持

Claude Code、Codex、Command Code、Devin CLI、OpenCode、Cursor、Gemini CLI、Kimi Code、Kiro CLI、Grok Build CLI、Zed、VS Code Copilot……几乎你叫得上名字的 CLI 都有对应适配。而且一台机器装好、局域网/云端再跑一台服务，多机也能共享同一份记忆。

🗂️ 按项目自然隔离

每个项目都有自己的独立空间，靠稳定 UUID 定位。repo 的多个 worktree、mono-repo、接私活的「多客户隔离」、工作/个人的切换，都能靠一个 .ai-memory.toml 标记文件显式控制。

💡 LLM 是可选的

不开 LLM 也能用：FTS5 全文搜索、实体检索、图邻居召回都照常工作，还能做基于规则的小结。要更聪明再加一个 provider，让它帮你整合页面、发现矛盾、分批自动改进。

🚀 快速上手

最省事的是 Docker 一条龙。装好 CLI wrapper、起服务、把 Agent 接进来，三步：

# 1. 装 wrapper（一个把二进制跑进 docker 的小脚本）
curl -fsSL https://github.com/akitaonrails/ai-memory/releases/latest/download/ai-memory-wrapper \
  -o ~/.local/bin/ai-memory && chmod +x ~/.local/bin/ai-memory

# 2. 起服务（默认只绑定 127.0.0.1，本机外进不来）
docker run -d --name ai-memory --restart unless-stopped \
  -p 127.0.0.1:49374:49374 \
  -v ai-memory-data:/data \
  akitaonrails/ai-memory:latest

# 3. 把 Claude Code 接进来（两步搞定 MCP 和 hooks）
ai-memory install-mcp   --client claude-code --apply
ai-memory install-hooks --agent  claude-code --apply

之后照常开 Claude Code 干活，每次 prompt 和工具调用都会落进 ai-memory。想换 Codex 继续，就用受管启动器接着跑：

ai-memory run claude        # 用 Claude Code 开启工作流
ai-memory run codex --yolo  # 换成 Codex 接着干，上下文无缝续上
ai-memory continue          # 不指定名字，续最近的可用会话

Arch 用户也可以直接装 AUR 包：yay -S ai-memory-bin。macOS 有原生二进制，Windows 走 WSL2。

👥 适合谁

一句话说局限：它做的是「历史记忆 + 交接」，不是代码结构分析。符号跳转、调用链、依赖影响这些，还得交给 LSP 那类工具；它管的是「为什么这么改、哪条路走不通、结论是什么」这类决策记忆。

💡 小结

AI 编程 Agent 的「失忆症」，正在成为多工具协作时代最烦人的拦路虎。ai-memory 用一个 git 仓库装 markdown wiki 的朴素思路，把跨工具的上下文续上了——轻、透明、不绑架你上向量库。如果你也被「换工具就要从头解释」折磨过，点个 star，去试试它的 Docker 快速上手。

阅读原文，看完整文档与 20+ Agent 适配清单：https://github.com/akitaonrails/ai-memory