3.3k Star 的 ai-memory：换 Agent 不丢上下文，Rust 写的跨 Agent 记忆层深度体验

拾光·开源拾遗 技术创作者 2026-08-20 334 阅读

换了个 AI 编程工具，之前的上下文全丢了——这件事，每个用 Claude Code、Codex、Cursor 的开发者大概都经历过。你花了半小时跟 AI 解释系统架构、踩过的坑、还没搞定的技术债，换个工具之后，一切重来。

akitaonrails/ai-memory 试图解决的就是这个问题：让 AI 编程 Agent 真正拥有长期记忆，而且这个记忆可以在不同 Agent 之间传递。

它到底解决什么问题

本质上，ai-memory 是一个”会话观察记录 + 自动摘要 + 跨 Agent 传递”的中间件。

当你用 Claude Code 写代码时，ai-memory 通过生命周期钩子（lifecycle hooks）自动记录每次 prompt、每次工具调用、会话边界事件。这些原始记录不会全部塞给下一个 Agent——它会在会话结束时生成一份精炼的摘要，以”交接文档”的形式注入到下一个启动的 Agent 上下文里。

核心使用场景：

你在 Claude Code 里跑了两个小时，解决了数据库迁移的历史包袱，中间试过三种方案、两种失败、最终选了第三种。换到 Codex 继续干的时候，Codex 会直接看到”上次做到了哪、为什么选这个方案、还有什么没解决”——不需要你再复述一遍。

这个项目来自巴西开发者 akitaonrails（Fabio Akita），Star 3,339，MIT 许可证，核心语言 Rust（需要 Rust 1.95+），实测对系统资源消耗极低。

技术实现：不用向量数据库

大多数”AI 记忆”方案的思路是往向量数据库里塞 embedding，然后做语义检索。ai-memory 走了完全不同的路：纯文本 + Git 仓库 + FTS5 全文搜索。

记录存储在 <wiki_root>/<workspace_id>/<project_id>/ 目录下，每个项目独立隔离，文件格式是普通 Markdown，可以直接用 grep 搜索、用 Obsidian 打开、用 rsync 备份。没有任何需要运维的数据库服务。

它的检索层做了四路融合：FTS5 全文检索、实体匹配（entity-assisted）、图邻居关系、以及可选的向量检索。在返回结果之前，还会根据页面类型（_rules/、decisions/、procedures/、gotchas/）做权威度加权——维护性高的文档优先级高于单纯的会话记录。

支持多少种 Agent

这是目前见过的覆盖最广的 Agent 记忆方案。README 里有一张完整的支持矩阵（Support Matrix）：

直接支持（带生命周期钩子）：Claude Code、OpenAI Codex、Command Code、Devin CLI、OpenCode、Cursor、 Gemini CLI、Oh My Pi / OMP、Pi、OpenClaw、Antigravity CLI、Grok Build CLI、Zero、Kimi Code、Kiro CLI

仅 MCP 模式：Claude Desktop、VS Code Copilot、Zed、Swival CLI

Managed Workstream（跨 Agent 无缝切换）：Claude Code → Codex → OpenCode → Pi → Kimi Code → Command Code → Kiro 等，透明延续同一个工作上下文。

也就是说，无论你团队用的是 Claude Code 还是国产的 Kimi Code 还是硅谷流行的 Codex，ai-memory 都能把它们串成一条连续的记忆链。

适合谁 / 不适合谁

适合：

  • 同时使用多个 AI 编程工具的开发者（主业 Claude Code，偶尔用 Codex 跑别的模型）
  • 需要在不同会话之间保持上下文连续性的长期项目
  • 多成员团队中希望 AI 继承上一个人工作成果的场景
  • 对数据主权有要求、不想把上下文数据交给第三方服务的用户（纯本地存储，Git 管理）

不适合：

  • 单一 Agent 使用、从来不换工具的人（收益有限）
  • 喜欢让 AI 自己管理一切的”放手派”（需要配置钩子，有一定上手成本）
  • 已经在用 Mem0、Pi 等其他记忆方案且工作良好的（可以对比，但没必要重复建设）

实测门槛

安装方式有三种：Docker（推荐服务器场景）、原生二进制（macOS/Linux）、AUR 包（Arch Linux）。

配置一个 Agent 的典型流程：

# 安装 MCP 配置
ai-memory install-mcp --agent claude-code

# 安装生命周期钩子
ai-memory install-hooks --agent claude-code

跨 Agent 切换只需要：

ai-memory run codex

不需要写任何代码，不需要手动喂 prompt，钩子会自动触发。对于已经有多个 Agent 使用经验的人来说，配置时间不超过 15 分钟。

和 Mem0 / Pi 的区别

之前介绍过 Mem0（通用记忆层，62k Star）和 Pi（个性化 Agent，85k Star），ai-memory 和它们的定位有明显差异：

  • Mem0 更像通用记忆 API，支持多种 LLM 后端，但跨 Agent 传递能力有限
  • Pi 专注于单一 Agent 的个性化，不解决”换工具”问题
  • ai-memory 核心解决的就是换 Agent 不丢上下文这个问题，覆盖了 15+ 种主流 Agent

如果你同时用 Claude Code 和 Codex，ai-memory 是目前唯一不需要额外运维的开源方案。

下一步建议

  1. 试用：5 分钟体验跨 Agent 记忆

    # macOS / Linux 一行安装
curl -LsSf https://setup.ai-memory.dev | sh

# 初始化当前项目
ai-memory bootstrap

# 用 Claude Code 工作一会，然后切换到 Codex
ai-memory run codex

    看看 Codex 启动时是否正确收到了”交接文档”。

  2. 进阶：配置 Managed Workstream
    阅读 docs/managed-workstreams.md，了解如何在多个 Agent 之间保持完全透明的上下文延续。

  3. 团队场景：配置全局偏好
    在 _global scope 设置团队级技术偏好、代码风格规范，让所有新项目自动继承，不需要每个项目重复配置。

项目地址：https://github.com/akitaonrails/ai-memory
文档：docs/ARCHITECTURE.md 有完整设计说明

  • 本文所有数据截至 2026 年 8 月。ai-memory 目前仍在活跃维护中，README 更新频繁，建议 Star 前去看最新的 Support Matrix。*

评论区

0 条评论

登录后可评论。

拾光·开源拾遗 334 阅读