今天（2026 年 10 月 19 日）我在翻 GitHub Trending 时，被一个今天还在提交更新的小工具戳中了。它叫 akitaonrails/ai-memory，做的是每个用 Claude Code、Codex、Cursor 的人迟早会撞上的事：你跟智能体磨了半天的架构背景、踩过的坑、还没解决的疑问，一换工具或者隔天重开，全没了。

你大概有过这种时刻：周五下班前跟 Claude Code 把数据库迁移方案聊到一半，周一打开 Codex 想接着写剩下的脚本，结果它连表结构都要你重新讲一遍。ai-memory 要消灭的，就是这种反复交代背景的磨损。

① 一句话定位

ai-memory 给 AI 编码智能体做“长期记忆”，并且能把上下文在不同厂商的智能体之间交接。官方开场那句话很直白：“中途退出 Claude Code，在同一目录里开 Codex，不用重新解释架构、失败过的方案和悬而未决的问题。”它要解决的，正是“智能体没有记忆、换人就失忆”这个最磨人的老痛点。

② 核心能力 / 架构

它不是一个又一个向量库。真相源是 git 版本化的 Markdown wiki，数据库只是可以重建的派生索引——这意味着你不会被锁死在某个二进制格式里，哪天不想用了，纯文本 wiki 直接带走。

数据目录分五块：wiki/ 是 git 管理的 Markdown 真源；raw/ 是净化后的工作流片段；db/ 是 SQLite 索引，里面同时有 FTS5 全文、实体表和可选的向量；models/ 预留给本地嵌入模型；logs/ 是滚动日志。

整条流水线就四步：capture，钩子静默采集提示词和工具调用；consolidate，会话结束把观测编译成 wiki 页面；recall，用 FTS5 加实体匹配加图邻近 RRF 再加可选向量 RRF 融合检索；handoff，把上下文交接给下一个智能体。

目前支持 20 多款 harness，Claude Code、Codex、Cursor、Gemini CLI、DeepSeek Harness、Crush、OpenClaw、Kiro、GitHub Copilot CLI 都在列。最妙的是默认零 LLM 调用：采集、检索、交接都不需要 API key，写上限实测约 700 次每秒。仓库今天显示约 1.08 万星、765 个 fork、157 位贡献者、累计 4008 次提交，已经迭代到 v3.1.1，MIT 许可证。

交接这件事做得尤其讲究。它不是简单把聊天记录倒给下一个智能体，而是一套带类型的交接协议：每个交接都有所有者，并且“认领一次”就锁定，避免两个智能体同时改乱同一段记忆。采集时还会在类型化的隐私边界里做净化，敏感字段不会原样落库。整套服务就是一个自包含的 Rust 二进制，本地起一个 MCP 或 HTTP 服务，团队版的多人认证、按人归属和审计日志都是内置的，不是付费墙后面的功能。

它也不是把几百小时的聊天记录全倒给模型。recall 阶段只注入跟当前任务相关的 wiki 页面，外加一份本地历史投影，上下文是可控的，所以不会因为记忆变多就把 token 烧爆。这一点对天天泡在智能体里的开发者尤其关键：记忆要能累积，但不能变成噪音。

③ 上手步骤

环境要求很低：一台能跑 Rust 二进制的机器，Linux、macOS、Windows 都行；想跨机共享就准备一台常开的笔记本或 homelab。

跑通第一条只要两条命令：

```curl -fsSL 网页链接 | shai-memory setup```

Windows 用 PowerShell 等价的一条：`irm 网页链接 | iex`，再补一句 `ai-memory setup`。setup 会自动探测已装的智能体，把钩子和 MCP 接上。

之后别再用裸 `claude` 启动，改成 `ai-memory run claude`。它会在首次运行时自动装好这个智能体的钩子与 MCP，并把记忆绑定到当前项目范围。想接着昨天的活儿，直接 `ai-memory continue`；换厂商也不怕，`ai-memory run codex` 会在同一工作流里继续，连你本地 Claude 的历史投影一起带过去。手动接 MCP 的命令是 `ai-memory install-mcp --client claude-code --apply` 与 `ai-memory install-hooks --agent claude-code --apply`。

多工作流也不乱。用 `ai-memory resume --search auth` 可以按名字（不区分大小写）找回某个具体工作流；`ai-memory resume --all` 则在所有已链接的仓库里挑。如果你在公司和私人项目之间切换，还能用 `--profile work` 套一套预设的账号与环境变量。日常查状态用 `ai-memory status`，备份整个记忆连同智能体配置用 `ai-memory backup-agents -o agent-assets.tar.gz`，换机器直接 `restore-agents` 还原，这部分是纯本地文件操作，不依赖任何云端。

如果你之前已经用裸 `claude` 跑过一阵子，ai-memory 不会动你原来的配置，它只是叠加一层钩子；哪天不想要了，一条 `ai-memory uninstall --apply` 就能把环境还原回去，没有残留。

④ 适用场景与边界

谁该用：长期跑编码智能体、经常跨工具切换，或者一个项目多人轮流接手的人。它把“重新交代背景”这件最耗神的事彻底干掉了。

谁别碰：如果你只是偶尔让智能体改两行配置、用完即走，这点记忆开销不值当。它需要一个持续运行的本地服务来存 wiki 和索引，纯一次性任务反而多一层运维。

已知局限：它是一层记忆，不是模型，记忆质量取决于智能体到底写了什么，不会凭空变聪明。可选的“做梦”功能，也就是空闲时把冷笔记重写成连贯页面，默认关闭，而且得自己配 LLM provider 才生效，不开就全程零 API 调用。跨机共享得你自己维持一台主机，官方也给了 Docker 一键：`docker run -d --name ai-memory -p 127.0.0.1:49374:49374 -v ai-memory-data:/data docker.io/akitaonrails/ai-memory:latest`。

还有两点要心里有数。一是记忆会按可调计划衰减：常用的记得更久，近重复会自动合并，矛盾会被标记出来，这套整理全程也是零 API 调用。二是它现在仍是快速迭代期的项目（v3.1.1、四千多次提交），接口和命令还可能动，生产环境接入前最好先 `ai-memory status` 看一眼自检结果，再决定要不要把它绑进主力工作流。

⑤ 来源与延伸

- 项目主页与源码：网页链接- 发布与安装包，install.sh、install.ps1 和 Docker 镜像都在这：网页链接- 一键安装脚本（Linux / macOS）：网页链接

说到底，我们真正想要的从来不是更聪明的模型，而是那个“你不用每次都把来龙去脉从头讲一遍”的同事。