项目介绍
AgentMemory 是一个专为 AI 编码代理设计的持久化记忆系统，其核心承诺简洁而有力——“你的编码代理记住一切，无需重复解释”。
会话1：“给 API 添加认证” — Agent 编写代码、运行测试。AgentMemory 捕捉了整个过程。
会话2：“现在加限流” — Agent 已经知道你在 src/middleware/auth.ts 中使用 jose。零重复解释，立即开始工作。
由 rohitg00 开发，该项目采用 TypeScript（81.3%）构建，获得 14,118+ Stars，今日新增 1,609 Stars，本周新增 7,830 Stars。基于 Apache-2.0 协议，并由 iii 引擎驱动。
核心亮点：LongMemEval-S 基准测试第一
在 LongMemEval-S 基准测试中，AgentMemory 以 95.2% 的 R@5 召回率 和 88.2% 的 MRR 位列第一，大幅领先同类产品：
| 系统 | LongMemEval-S R@5 | MRR | 年化 token 成本 |
|---|---|---|---|
| agentmemory | 95.2% | 88.2% | ~$10 (~170K tokens) |
| BM25-only fallback | 86.2% | 71.5% | – |
| LLM-summarized | – | – | ~$500 |
| 粘贴完整上下文 | – | – | 不可能（窗口溢出） |
| mem0（53K stars） | 68.5% | – | 不定 |
| Letta/MemGPT（22K stars） | 83.2% | – | 核心记忆在上下文中 |
与内置记忆（CLAUDE.md / .cursorrules）的对比
| 特性 | 内置记忆 | agentmemory |
|---|---|---|
| 规模 | ~200 行上限 | 无限 |
| 搜索 | 全部加载到上下文 | BM25 + 向量 + 图（Top-K） |
| Token 成本 | 240 条观察需 22K+ tokens | ~1,900 tokens（节省 92%） |
| 跨 Agent | 每个 Agent 独立文件 | MCP + REST（任何 Agent） |
| 可观测性 | 手动读取文件 | 实时查看器（:3113） |
快速上手
# 全局安装
npm install -g @agentmemory/agentmemory
# 启动记忆服务器（默认端口 :3111）
agentmemory
# 运行演示，验证记忆召回效果
agentmemory demo
# 连接 Claude Code
agentmemory connect claude-code
30秒快速测试：
# 终端 1：启动记忆服务器
npx @agentmemory/agentmemory
# 终端 2：运行演示（搜索"database performance optimization"能找到"N+1 query fix"）
npx @agentmemory/agentmemory demo
打开 http://localhost:3113 即可实时观察记忆的构建过程。
记忆架构：4层记忆体系
PostToolUse hook fires
-> SHA-256 去重（5分钟窗口）
-> 隐私过滤（剥离密钥、API token）
-> 存储原始观察
-> LLM 压缩 -> 结构化事实 + 概念 + 叙述
-> 向量嵌入（6种供应商 + 本地）
-> 索引到 BM25 + 向量
会话结束 hook 触发
-> 总结会话
-> 知识图谱提取（如果启用）
-> 槽位反思（如果启用）
会话开始 hook 触发
-> 加载项目配置文件
-> 混合搜索（BM25 + 向量 + 图 + RRF 融合）
-> Token 预算（默认 2000 tokens）
-> 注入到对话
4层记忆整合：
| 层级 | 内容 | 类比 |
|---|---|---|
| 工作记忆 | 原始观察 | 短期记忆 |
| 情景记忆 | 压缩的会话总结 | “发生了什么” |
| 语义记忆 | 提取的事实与模式 | “我知道什么” |
| 程序记忆 | 工作流与决策模式 | “怎么做” |
搜索机制：三流 RRF 融合
| 流 | 启用条件 |
|---|---|
| BM25（词干提取 + 同义词扩展） | 始终启用 |
| 向量（密集嵌入的余弦相似度） | 配置了嵌入供应商 |
| 图（知识图谱 BFS 遍历） | 查询中检测到实体 |
集成支持（20+ Agent）
一套记忆服务器，通过 MCP、插件或 REST API 共享给所有 Agent：
- Claude Code：插件 + 12 hooks + MCP
- Codex CLI：插件 + 6 hooks + MCP
- Cursor：MCP 服务器
- Gemini CLI：MCP 服务器
- OpenCode：22 hooks + MCP + 插件
- Aider：REST API
行业分析
AgentMemory 的火爆（单日 1.6K，单周 7.8K Stars）反映了一个深刻的行业共识：
1. 记忆是 AI Agent 的"圣杯"
从 2025 年到 2026 年，AI 编码 Agent 的能力已经有了质的飞跃，但一个核心问题始终未解决：每次新会话 Agent 都像失忆一样。AgentMemory 通过将 Karpathy 提出的 LLM Wiki 模式产品化，以不到 $10/年的 token 成本解决了这个问题，这正是它获得社区热捧的根本原因。
2. 跨 Agent 共享记忆才是真正的价值
AgentMemory 的核心理念是一套记忆服务器可以被 20+ 种 Agent 共享。这对日常使用多种编码工具的开发者来说是巨大的效率提升——Claude Code 中学会的项目结构，Cursor 中也能直接使用，反之亦然。
3. 本地优先 + 开源 = 信任
在 2026 年，开发者在选择 AI 工具时越来越关注隐私和数据主权。AgentMemory 的本地嵌入模型（all-MiniLM-L6-v2）无需任何 API Key，所有数据存储在本地，这在高星标的开源项目中越来越成为标配。
更新记录（2026-05-21）
- 本周新增 7,976 stars，总星数达 15,237
- 持续高增长，AI 代理记忆已成为开发者刚需
- v0.9.21 最新版本，43 个 release 持续迭代
更新记录（2026-05-23）
- 本周新增 6,891 stars，总星数达 16,512
- AI 编码代理持久化记忆赛道的领跑者，持续高增长
- LongMemEval-S 基准测试 R@5 达 95.2%，技术优势明显
- 随着 AI Agent 从短期对话走向长期协作，持久化记忆已成为不可或缺的基础设施