📌 项目地址：rohitg00/agentmemory | ⭐ 12,081 颗星 | 🔧 TypeScript | 📜 未标注
多AI工具换来新问题：每个会话都要重新介绍项目
我用 Claude Code 写后端逻辑，用 Cursor 改前端，偶尔用 GitHub Copilot CLI 查命令。每个工具启动一个新会话，都要重新告诉它：“项目用 Fastify，数据库 PostgreSQL，认证用 JWT”。有时候同一段错误日志要在三个工具里分别贴一遍，再复述排查步骤。文档写了好几页，但 AI 从来不主动读。
这种重复持续了半年。直到我看到 rohitg00/agentmemory（TypeScript，12081 星）——一个本地记忆服务器，让不同 AI 助手共享同一个记忆库。
agentmemory 是什么
它在本地启动一个 HTTP 服务器（默认端口 3111），通过 MCP 协议或插件接口连接 Claude Code、Cursor、GitHub Copilot CLI、Gemini CLI、Codex CLI、Hermes、OpenClaw 等工具。你安装一次，所有助手共用同一个存储。数据存本地，没有外部依赖。
项目基于 iii 引擎，扩展了 Karpathy 的 LLM Wiki 模式，增加了四个设计：置信度评分、生命周期、知识图谱、混合搜索。下面我会结合自己的使用体验讲清楚它们的作用。
安装：一条命令 + 一个配置命令
全局安装（macOS/Linux 遇到权限错误就加 sudo）：
npm install -g @agentmemory/agentmemory启动服务器：
agentmemory你看到“Memory server running on :3111”就成功了。验证是否正常工作：
agentmemory demo # 创建样本会话并验证召回
agentmemory demo --serve # 一条命令：启动→运行demo→自动关闭让你的 AI 助手知道何时调用记忆工具：
npx skills add rohitg00/agentmemory -y这个命令装 15 个技能（8 个可调用，7 个参考）。之后 AI 在需要时会自动调用 remember、recall、search 等。
如果你不想全局安装，直接用 npx 临时跑：
npx @agentmemory/agentmemory注意 npx 会缓存版本。如果你发现跑的版本不对，清除缓存再试：macOS/Linux 执行 rm -rf ~/.npm/_npx，Windows 删 %LOCALAPPDATA%npm-cache_npx。从 v0.9.16 开始，首次用 npx 运行会提示你全局安装，后面直接敲 agentmemory 就行。
Windows 用户：最快路径是用 WSL2。原生 Windows 引擎需要手动设置（10-20 分钟），而且 agentmemory connect 命令目前不支持原生 Windows。
四个核心设计如何影响日常使用
agentmemory 不存原始对话日志，而是存“知识片段”。每个片段有四个可选字段。我试了几天，说说感受。
置信度评分（0-1）
你亲手告诉 AI 的“项目用 Fastify 框架”可以给 0.9 分。AI 自己推断的“可能用了依赖注入”给 0.3 分。检索时按分数排序，高置信度的优先返回。纯向量搜索只看语义距离，不看内容可信度。有了置信度，关键知识不会被模糊推测淹没。
我实际操作时，会在 remember 命令里显式指定分数。默认是 0.8，我习惯给核心架构知识打 1.0，给临时笔记打 0.5。
生命周期（TTL）
给片段设置过期时间。永久信息不设 TTL，临时调试记录设 24 小时，问答讨论设 7 天。到期自动清除。我第一天没设 TTL，两天后记忆库塞满“这个接口报 500”之类的碎片，检索结果被污染。后来只存有信心的知识片段，临时日志设短 TTL，记忆库一直清爽。
知识图谱关系
片段之间可以建立关系。比如“函数 validateUser 调用 checkPermission”、“模块 auth 依赖 jwt v2.1”。混合搜索时，既算语义向量相似度，也沿着图谱关系查找。需要“A 和 B 的调用链”时，混合搜索的准确率和召回率比纯向量搜索高很多。
混合搜索
默认同时向量检索和图谱搜索。README 说混合搜索在准确率和召回率上优于单独向量搜索。你可以按需选择模式。我大部分时间用默认，只有单纯找相似内容（比如“请回忆之前关于数据库连接池的讨论”）才切到纯向量模式，速度快一些。
连接你的 AI 助手
服务器启动后，用 agentmemory connect 把当前 AI 助手连上：
agentmemory connect claude-code还支持：copilot-cli、codex、cursor、gemini-cli、OpenClaw、Hermes，以及任何 MCP 客户端。README 里有个“Works with every agent”表格列出了各助手的连接方式（Claude Code 有 native plugin + 12 hooks + MCP，Copilot CLI 用 MCP 等）。所有助手共享同一个记忆服务器。你在 Claude Code 里记下的内容，切换到 Cursor 里也能搜到。
实际踩坑记录
别把所有对话都存进去。 我第一次没设 TTL，两天后检索结果被无关碎片淹没。后来只存有信心且需要长期记忆的知识片段，临时调试记录一律设 24 小时过期。
混合搜索不是万能的。 单纯找语义相似的内容（比如“上次那个关于中间件的讨论”），纯向量搜索更快。需要图谱关系时（比如“A 函数依赖哪个模块”）才混合。agentmemory 支持切换检索模式。
多 Agent 时加标签区分。 不同助手记的片段如果都叫“项目配置”，Claude 记的一次报错可能被 Cursor 当成当前 bug。我用 project:myapp 标签做前缀，搜索时过滤标签，问题解决。
总结
安装 5 分钟，配置一次技能，所有 AI 助手共享同一个本地记忆服务器。新会话不用重新解释项目结构、技术栈、已知 bug。团队里 A 在 Claude Code 记下的知识，B 在 Copilot 也能直接搜到。12081 星，TypeScript 项目，MIT 协议。如果你也受够了重复解释，值得一试。