ai-memory ： 为 AI 编程 Agent 提供跨供应商长期记忆的 Rust 框架
AI智库导航-aiguide.cc为您提供最新的AI新闻资讯和最新的AI工具推荐，在这里你可以获得用于营销的AI聊天机器人、AI在商业管理中的应用、用于数据分析的AI工具、机器学习模型、面向企业的AI解决方案、AI在商业客户服务中的应用、AI和自动化工具等。
主要介绍
ai-memory 是由 akitaonrails（Fabio Akita，知名 Ruby/Rails 社区人物）于 2026 年 5 月开源、用 Rust 编写的长期记忆框架，定位是「为 AI 编程 Agent 提供长期记忆，并在不同 Agent 供应商之间交接上下文」。它解决的核心痛点是：开发者从 Claude Code 切换到 Codex、Cursor、Gemini CLI 等不同编程 Agent 时，之前会话里的架构决策、失败方案、未决问题全部丢失。ai-memory 通过 MCP 服务器与生命周期钩子自动捕获会话中的提示词、工具调用与决策，在会话结束时把观察编译成 git 版本化的纯文本 Markdown 知识库（wiki），并以 SQLite 全文检索、实体匹配与可选向量嵌入提供召回；下一个 Agent 启动时自动收到「上次进行到哪」的交接摘要。项目采用 MIT 许可证，最新版本 v1.28.1（2026 年 8 月 19 日发布），GitHub 已获约 2,745 颗星，是当下「Agent 记忆层」赛道最受关注的新框架之一。
ai-memory 官方仓库首页
ai-memory 官方 Web UI 项目视图截图
功能特点
-
跨供应商记忆交接：会话结束自动编译交接摘要，下一 Agent 首个 prompt 前收到「where you left off」
-
18 个 MCP 工具：memory_query、memory_write_page、memory_consolidate、memory_handoff_accept、memory_feedback 等
-
零摩擦捕获：生命周期钩子自动记录提示词、工具调用与会话边界，无需手动写笔记
-
纯文本 Markdown 知识库：记忆以 git 版本化的 markdown 存储，可 grep、可在 Obsidian 中浏览、可 rsync 备份
-
SQLite FTS5 全文检索 + 实体匹配 + 图邻居召回 + 可选向量 RRF 融合检索
-
「编译而非检索」设计：会话结束时把观察编译成结构化页面，而非存原始日志再检索
-
支持 20+ 编程 Agent：Claude Code、Codex、OpenCode、Cursor、Gemini CLI、Kimi Code、Zed 等
-
可选 LLM 增强：默认零 LLM 即可用；配置 LLM 后可生成整合页面、检测矛盾、自动改进提案
-
内置只读 Web UI 与 JSON API（/web、/api/v1），支持 FTS5 搜索与暗色模式
-
每项目隔离：按 workspace/project 分目录，支持 .ai-memory.toml 标记文件自定义路由
优缺点
-
优点1：真正解决「跨 Agent 供应商记忆断裂」，Claude Code → Codex → Cursor 切换不丢上下文
-
优点2：「编译而非检索」模式（借鉴 Karpathy LLM Wiki），记忆是结构化、可审计、可编辑的页面而非原始日志
-
优点3：纯文本 markdown + git 存储，零厂商锁定，grep / Obsidian / rsync 全兼容，无需维护向量库
-
优点4：默认零 LLM 即可工作（FTS5 / 实体 / 规则摘要），轻量、隐私友好，也可选配多 LLM 增强
-
优点5：Rust 单二进制部署简单，MIT 开源，支持 Linux / macOS / WSL2，Docker 与 AUR 一键装
-
缺点1：需要目标 Agent 支持生命周期钩子，部分只支持 MCP 的 Agent（如 Claude Desktop、Zed）功能打折
-
缺点2：项目较新（2026 年 5 月创建），迭代快，部分功能标注实验性（如原生 Windows）
-
缺点3：跨机部署需要额外网络与鉴权配置，默认仅回环监听
-
缺点4：轻量化的代价是超大规模知识库场景不如专用上下文数据库（如 OpenViking）极致
如何使用
-
安装 CLI wrapper：curl -fsSL 官方安装脚本到 ~/.local/bin/ai-memory（或 AUR 包 yay -S ai-memory-bin）
-
启动服务器：docker run -d –name ai-memory -p 127.0.0.1:49374:49374 -v ai-memory-data:/data -e AI_MEMORY_LLM_PROVIDER=anthropic -e ANTHROPIC_API_KEY=sk-ant-… akitaonrails/ai-memory:latest
-
接入 Agent：ai-memory install-mcp –client claude-code –apply 与 ai-memory install-hooks –agent claude-code –apply
-
跨 Agent 工作流：ai-memory run claude 退出后，ai-memory run codex –yolo 自动恢复同一逻辑工作流
-
常用命令：ai-memory continue 继续最近工作流、ai-memory bootstrap 导入已有项目历史、ai-memory write-page 写入永久笔记、ai-memory show 查看项目
-
打开只读 Web UI：浏览器访问 /web 查看 wiki 页面、搜索记忆、暗色模式浏览
-
升级：Docker 安装用 ai-memory upgrade；原生安装需重跑 install-hooks –agent <agent> –apply
框架技术原理
-
Rust 单二进制：一个二进制同时运行 MCP / HTTP 服务器并管理数据目录
-
数据目录五区：wiki/（git 版本化的 markdown 真相源）、raw/（不可变脱敏会话片段）、db/（SQLite 索引：FTS5 / 实体 / 嵌入）、models/（本地嵌入模型）、logs/（滚动日志）
-
核心流程：hooks POST 观察数据 → 单 SQLite writer 串行写入 → 会话结束编译成 markdown 页面 → 检索时 FTS5 + 实体 + 图邻居 + 可选向量 RRF 融合
-
「compile don’t retrieve」：页面在会话结束 / PreCompact 时从观察编译，而非召回时检索原始日志（Karpathy LLM Wiki 模式）
-
检索偏向维护良好的 _rules/、decisions/、procedures/、gotchas/ 页面（有界来源权威调整）
-
关键不变量：单配置读取路径、类型化身份、原子写入、无全局单例；检索文本被视为「不受信任的历史证据」，不因命名空间获得指令权威
-
每项目隔离：数据位于 <wiki_root>/<workspace_id>/<project_id>/，按稳定 UUID 键控
创新点
-
把「编译而非检索」引入 Agent 记忆层，记忆是可持续整理的知识库而非日志堆积
-
首次把「跨 Agent 供应商交接」做成产品级能力，统一接管 Claude Code / Codex / Cursor 等各自孤立的记忆
-
零 LLM 可用的记忆方案：不依赖大模型也能完成捕获、整理与全文检索
-
纯文本 markdown + git 作为记忆存储底座，可审计、可编辑、可 diff、零厂商锁定
-
与 MCP 生态深度绑定：通过 18 个 MCP 工具让任何支持 MCP 的 Agent 即插即用
评估标准
-
交接完整性：会话结束生成的摘要是否覆盖决策、失败方案与未决问题
-
召回准确率：FTS5 / 实体 / 向量融合检索在长程任务中的命中质量
-
支持矩阵：适配的 Agent 数量与钩子事件覆盖度（Claude Code / Codex / OpenCode / Cursor 等 20+）
-
零 LLM 可用性：不配置模型时 FTS5 / 实体 / 规则摘要的实际可用度
-
存储开销与性能：wiki 增长下的检索延迟与内存占用
-
社区活跃度：GitHub star 增长、版本迭代频率、跨 Agent 生态采纳情况
应用领域
-
多 Agent 混合开发的个人 / 团队工作流（Claude Code + Codex + Cursor 等混用）
-
长期代码库维护：跨会话保留架构决策与失败方案，避免重复踩坑
-
企业内训与知识沉淀：把 Agent 探索过程编译为团队可审计的知识库
-
需要本地、隐私敏感记忆的研发场景（默认零 LLM、纯本地存储）
-
Agent 工具链厂商集成：为自家 CLI 接入持久记忆能力（MCP 协议即插即用）
项目地址
ai-memory 由 akitaonrails（Fabio Akita，Ruby / Rails 社区知名人物）创建并与 Claude Code 协作开发，仓库托管于 GitHub（akitaonrails/ai-memory），采用 MIT 许可证，最新版本 v1.28.1（2026 年 8 月 19 日发布），GitHub 约 2,745 颗星、236 fork，支持 Linux / macOS / WSL2，提供 Docker 镜像与 AUR 包。
项目提供完整文档：ARCHITECTURE.md（架构总览）、install.md（安装）、usage.md（使用）、deploy.md（部署）等，另有社区维护的 Web UI 参考实现 ai-memory-ui。
「记忆层」正在成为编程 Agent 生态的核心竞争维度，该项目与 Anthropic 主推的「Skills + Memory MCP」方向相互呼应。
-
项目官网：https://github.com/akitaonrails/ai-memory
同类型工具比较
|
对比维度
|
ai-memory
|
OpenViking（火山引擎）
|
Mem0
|
DeepSeek Harness（DSH）
|
|---|---|---|---|---|
|
核心定位
|
跨 Agent 供应商长期记忆
|
Agent 上下文数据库（文件系统范式）
|
通用 AI 记忆层（API 服务）
|
Agent 运行框架（会话日志为真相源）
|
|
存储形态
|
git 版本化 markdown + SQLite FTS5
|
viking:// 虚拟文件系统 + 三层加载
|
向量库 + 知识图谱
|
append-only SessionEvent 日志
|
|
语言 / 部署
|
Rust 单二进制 / 本地
|
Go / Rust / C++ / 本地+云
|
Python / 托管 API
|
TypeScript / 本地 Web UI
|
|
LLM 依赖
|
可选（默认零 LLM）
|
需要嵌入模型与 VLM
|
需要 LLM 提炼
|
需要模型适配器
|
|
许可证
|
MIT
|
AGPL-3.0（主项目）
|
Apache-2.0
|
MIT
|
|
适配场景
|
个人 / 团队多 Agent 混用、轻量本地记忆
|
大规模 Agent 上下文基础设施
|
应用级记忆服务
|
需可审计可插拔的 Agent 循环
|
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
AI全网资源导航每日收集国内外热点AI/人工智能/工具/模型/框架以及最新的AI学习资料/课程等，在这个全新的AI时代，助力每一个人，赋能每一个具体业务场景，与所有人一起努力向前！
