agentmemory 是一个专为 AI 编码 Agent 打造的持久记忆系统,能够自动捕获 Agent 的操作上下文、压缩为可搜索记忆,并在下次会话开始时自动注入正确的项目背景。一条命令,全平台通用。
为什么 AI Agent 需要一个记忆系统?
每次和 AI Agent 对话,你都在为它的"失忆"买单。
按每天 3 个会话、每个会话平均 6K tokens 上下文计算,传统方案每年白白烧掉约 19.5M tokens,折算下来仅 API 成本就浪费掉数百美元。
Claude Code、Cursor、OpenClaw——这些 Agent 都很强大,但它们都有一个致命缺陷:每次新会话,都是一个全新的开始。 你之前解决了哪个 Bug、选择了哪套架构、对代码风格有什么偏好,对不起,全忘了。
传统的内置记忆方案(如 CLAUDE.md、.cursorrules)存在明显局限:文件行数上限通常卡在 200 行,内容容易过期,而且每次都要手动维护。你真正需要的,是一个能自动记录、智能检索、按需注入的持久记忆层——这就是 agentmemory 解决的问题。
三层搜索与四层记忆架构
agentmemory 的技术实现并不复杂,但设计思路相当系统。它包含两个核心模块:
三层混合搜索(BM25 + Vector + Knowledge Graph)
单一检索方式总有盲区。agentmemory 采用了三路并行的搜索策略:
三层搜索架构采用三路并行策略,BM25 负责关键词精确匹配,Vector 层做语义相似度检索,Knowledge Graph 实现实体关系推理,最终通过 RRF 融合输出最优结果。
- ●BM25:基于关键词的稀疏检索,适合精确匹配技术术语和文件名
- ●向量检索(Vector):语义相似度检索,能找到表述不同但含义相近的记忆
- ●知识图谱(Knowledge Graph):实体关系检索,理解概念之间的关联
三路结果通过 RRF(Reciprocal Rank Fusion) 融合算法合并,兼顾精确性和语义理解能力。在 ICLR 2025 的 LongMemEval-S 基准测试中,这套方案拿下了 R@5 = 95.2%、R@10 = 98.6% 的成绩,处于领先水平。
四层记忆架构
四层记忆架构将信息分为 Working(工作记忆)、Episodic(情景记忆)、Semantic(语义记忆)、Procedural(程序记忆)四个层级,配合 Ebbinghaus 遗忘曲线实现动态衰减和主动强化。
agentmemory 将记忆划分为四个层级,对应人类认知的不同维度:
| 层级 | 名称 | 作用 |
|---|---|---|
| Working Memory | 工作记忆 | 当前会话的即时状态,容量有限 |
| Episodic Memory | 情景记忆 | 过去的会话经历,按时间索引 |
| Semantic Memory | 语义记忆 | 项目知识、架构决策、技术选型 |
| Procedural Memory | 程序记忆 | 工具使用习惯、命令偏好、工作流 |
更值得注意的设计细节:系统引入…