2.5万颗星，这个项目治好了AI编程代理的"失忆症"——95.2%召回率，年成本$0

大家好呀，我是开源先驱～

几个数先放这儿：25,861 颗星，2,152 个 fork，466 次提交。53 个 MCP 工具，12 个自动钩子，1,428 个测试。2026 年 2 月 25 日开的坑，今天 7 月 27 日——还在推代码，今天早上刚 push。

干的事情一句话能说清楚：给你的 AI 编程代理装上持久记忆。Claude Code、Codex、Cursor、Copilot——这些工具你天天用，但每次开新会话，代理把上一轮聊的忘得干干净净。你每个会话前五分钟都在重复解释：技术栈是什么、文件结构长啥样、上次为啥选了 jose 而不是 jsonwebtoken。agentmemory 在后台跑着，自动捕获代理的每次工具调用，压缩成可搜索的记忆，下次会话开始时把正确的上下文注入进去。

关键数据：LongMemEval 基准测试召回率 95.2%，token 消耗比粘贴完整上下文 省 92%，用本地嵌入模型跑——年成本 $0。

agentmemory Star 增长曲线

Star 增长趋势（数据锚点：2026-02-25 创建 -> 2026-07-27 达 25,861；star-history 限流，曲线为基于增长趋势的示意）

agentmemory 到底是什么？

一句话：一个给 AI 编码代理用的持久记忆引擎，自动捕获每次工具调用，压缩成结构化记忆，下次会话自动注入正确上下文。零外部依赖，自托管，数据在你手里。

工作流是一条管线：你在 Claude Code 里干活，PostToolUse 钩子触发 -> SHA-256 去重（5 分钟窗口） -> 隐私过滤（剥离密钥和 API key） -> 存储原始观察 -> LLM 压缩成结构化事实 + 概念 + 叙述 -> 向量嵌入 -> 在 BM25 和向量索引中建索引。会话结束时做摘要。下次会话开始时，SessionStart 钩子加载项目档案，混合搜索（BM25 + 向量 + 知识图谱），按 token 预算渲染上下文，注入对话。

举个具体场景。会话 1：你说"给 API 加认证"，代理写代码、跑测试、修 bug，agentmemory 在后台静默捕获每次工具调用，会话结束后压缩成结构化记忆。会话 2：你说"现在加速率限制"，代理已经知道——认证用的是 JWT 中间件在 src/middleware/auth.ts，测试在 test/auth.test.ts 覆盖了 token 验证，你为 Edge 兼容性选了 jose 而非 jsonwebtoken。不用你重复解释一遍。

几个让人"哇"的设计细节

一、零外部依赖，三个原语替代整个传统技术栈 同类记忆系统大多要 Postgres + pgvector，或者 Qdrant、Redis。agentmemory 啥都不要——SQLite 加 iii-engine 引擎就够了。iii-engine 的设计哲学是三个原语组合一切：worker、function、trigger。Express.js 被 iii HTTP Triggers 替代，Postgres 被 iii KV State 替代，Socket.io 被 iii Streams 替代，pm2/systemd 被 engine worker 监督替代，Prometheus/Grafana 被 iii OTEL 替代。175 个源文件、39,200 行代码、261 个函数、52 个 KV scope——全部基于这三个原语。想扩展？一条命令 iii worker add iii-pubsub 就能加上多实例记忆同步。

二、12 个钩子全自动，零手动操作 大部分记忆库你得手动调 memory.add() 存东西。agentmemory 不一样——Claude Code 支持 12 个生命周期钩子，从 SessionStart 到 SessionEnd，PreToolUse、PostToolUse、PostToolUseFailure、PreCompact、SubagentStart/Stop、Stop、SessionEnd，全程静默捕获。你不需要做任何特殊操作，正常用代理就行。Codex CLI 支持 6 个钩子，OpenCode 支持 22 个。用户提示也会被捕获（经过隐私过滤后存储）。

三、三流混合检索，95.2% 召回率 检索不是单一手段。BM25 做词干关键词匹配加同义词扩展，始终开启；向量做密集嵌入的余弦相似度；知识图谱在查询中检测到实体时做 BFS 遍历。三个流用 Reciprocal Rank Fusion（k=60）融合，会话多样化——每会话最多 3 个结果。LongMemEval 基准测试上 R@5 达到 95.2%，R@10 达到 98.6%，MRR 88.2%。作为对比，纯 BM25 fallback 的 R@5 只有 86.2%。在内部 coding-agent-life-v1 语料库上，混合检索的 R@5 达到 1.000——15 个查询全部命中黄金会话，而 grep 在多会话时间查询中漏掉了一半。

四、四层记忆整合，灵感来自人脑 不是所有记忆都一样重要。agentmemory 把记忆分四层：工作记忆（工具使用的原始观察，类比短期记忆）、情景记忆（压缩的会话摘要，"发生了什么"）、语义记忆（提取的事实和模式，"我知道什么"）、程序记忆（工作流和决策模式，"如何做"）。记忆随时间衰减——按艾宾浩斯曲线，频繁访问的记忆增强，过时的自动淘汰，矛盾的会被检测和解决。这个设计灵感来自 Karpathy 的 LLM Wiki 模式，作者加了置信度评分、生命周期管理、知识图谱和混合搜索。设计文档以 Gist 形式发布，拿了 1.3K 星和 182 个 fork。

五、竞品对比表相当硬核 README 里有一张竞品对比表，横向比较了 9 个同类项目。agentmemory 的 R@5 是 95.2%（自己的测量），mem0 的 R@5 是 68.5%（LoCoMo 数据集），Letta/MemGPT 是 83.2%（LoCoMo 数据集），MemPalace 自报 ~96.6% 但未独立复现，supermemory 自报未给数据，oracleagentmemory 自报 94.4% 需 Oracle Database。作者很诚实地标注了：mem0 和 Letta 的数据来自不同数据集，不是同一个基准上的对比。其他几个是厂商自报告。自动捕获方面，agentmemory 是 12 个钩子零手动，mem0 要手动调 add()，Letta 靠代理自己编辑，Khoj 手动，supermemory 在 API 侧提取。外部依赖方面，agentmemory 是零，mem0 要 Qdrant/pgvector，Letta 要 Postgres + 向量数据库。

六、成本对比：从 500/年降到 0/年这张表值得单独拿出来说。粘贴完整上下文：19.5M+ tokens/年，超出窗口，不可能。LLM 摘要：约 650K tokens/年，约 500/年。agentmemory：约 170K tokens/年，约 10/年。agentmemory 加本地嵌入（all-MiniLM-L6-v2）：约 170K tokens/年，0/年。为什么能这么便宜？因为压缩和摘要是短任务——小于 2K 输入、小于 500 输出，7B 指令模型就够用。作者推荐用 DeepSeek V4 Pro 做压缩，35 小时活跃使用成本约 0.46，是 Sonnet 的十分之一。高端模型留给用户直接阅读的查询。

技术栈速查

注：agentmemory 的 R@5 为自有测量结果；mem0 和 Letta 的数据来自各自发布的 LoCoMo 数据集，非同一基准。

快速上手

前提：Node.js >= 20。支持 macOS、Linux、Windows。

30 秒跑通：

# 终端 1：启动记忆服务器（端口 3111）
npx @agentmemory/agentmemory
# 终端 2：种子示例数据 + 验证召回
npx @agentmemory/agentmemory demo
# 或者一条命令搞定（不用开第二个终端）
npx @agentmemory/agentmemory demo --serve

接上你的代理：

# Claude Code
agentmemory connect claude-code
# Codex CLI
agentmemory connect codex
# Cursor / Gemini CLI / Copilot CLI / Warp ... 都支持
agentmemory connect cursor

全局安装（推荐）：

npm install -g @agentmemory/agentmemory
agentmemory                    # 启动
agentmemory stop               # 停止
agentmemory doctor             # 交互式诊断
agentmemory remove             # 卸载所有数据

装完之后打开 http://localhost:3113，实时查看器会显示代理记住了什么——观察流、会话浏览器、记忆浏览器、知识图谱可视化、健康仪表板，一个不少。

想省钱？本地嵌入模型 all-MiniLM-L6-v2 开箱即用，离线跑，免费。压缩用 DeepSeek V4 Pro 或本地 Ollama（qwen2.5-coder:7b 效果不错，约 4.7GB），35 小时活跃使用成本不到 1 美元。

小结

2.5 万颗星不是给一个"记忆插件"。市面上打着"AI 记忆"旗号的项目不少，但大多数要么要你手动存东西，要么绑一个外部数据库，要么是云托管数据不在你手里。agentmemory 的差异在于把"自动捕获"和"零依赖"同时做到了——12 个钩子全自动，SQLite 加 iii-engine 就跑，自托管默认开启。

95.2% 的召回率、92% 的 token 节省、$0/年的运行成本——这三个数凑在一起，说明作者不只是做了个能用的东西，而是认真做了基准测试，跟竞品拉出来比了。竞品对比表里诚实标注了"哪些是我们测的、哪些是厂商自报的、哪些是不同数据集的"，这个态度比数字本身更值钱。

如果你天天用 Claude Code 或 Codex 写代码，反复给代理解释项目背景已经让你烦了，装一个试试。Apache-2.0 协议，32+ 代理平台支持，11 种语言 README。作者 rohitg00 今天还在 push 代码，v0.9.28，迭代很快。

唯一的注意点：iii-engine 当前锁定在 v0.11.2，v0.11.6 引入了新的沙盒模型，agentmemory 还没适配。如果你已经跑了别的 iii engine 实例，会冲突。等作者升级就好。

开源地址：https://github.com/rohitg00/agentmemory