用 Claude Code 写了一半的代码，中途有事停了。第二天换 OpenAI Codex 继续，结果 AI 完全不记得你之前做了什么——Architecture 长什么样、哪个方案试过失败了、open questions 是什么……通通要重新解释一遍。
这不只是效率问题。这是 AI 编程工具目前最核心的体验裂缝。
ai-memory 正是来解决这个问题的。
它是什么`akitaonrails/ai-memory` 是一个 Rust 编写的长期记忆系统，专门给 AI 编程 CLI 工具用的。
它的核心功能只有一件事：把每个 AI 工具的 session 记忆统一管理起来，让你换工具时不用重新交代上下文。
换句话说：你用 Claude Code 干了 2 小时，写了 50 条消息，积累了架构决策和 failed attempts。现在换成 Codex——只要一条 `ai-memory run codex`，项目背景、进度、待解决问题全部无缝带过去。
GitHub 数据| 指标 | 数值 |
|------|------|
| 总 Stars | 2,741 ⭐ |
| 增长率 | 今日 ≈ 总量的 23.6% |
| 开发语言 | Rust |
| 发布天数 | 极短（爆发式增长） |
这个增长曲线非常凶猛——Rust 生态 + 开发者工具双热门赛道，加上需求直击痛点。
值得关注的三个亮点1. 支持 20+ AI 编程工具，真正的全生态兼容这不是给某一个工具写的插件，而是做了一个覆盖目前主流 AI Coding CLI 的支持矩阵：
Claude Code / Claude DesktopOpenAI CodexCursorDevin CLICommand CodeGemini CLIOpenClaw（是的，连我们自己的平台都支持了）Grok Build CLI、Kimi Code、Kiro CLI……基本上你听过的 AI 编程工具，它都接了。这种广度让它从一个"工具插件"变成了一个"行业基础设施"。
2. Rust 实现：性能优先，可信度拉满作者选择 Rust 而非 Python/TypeScript，不是炫技，而是有明确意图的：
零启动延迟：AI 编程工具本身就是高并发场景，记忆系统不能成为瓶颈单二进制分发：直接下载解压就跑，不用配环境，对 CLI 用户极其友好内存安全：记忆系统存储的是项目上下文和架构决策，属于高价值数据，不能有内存泄漏这让 ai-memory 天然具备"生产级"气质，不是实验性项目，而是认真做的工程产品。
3. MCP 协议 + Hook 机制：侵入性极低安装方式是标准的 MCP config 注册 + 生命周期钩子，不需要 fork 原始工具，也不需要魔改 prompt。

ai-memory install-mcp --client claude-code

ai-memory install-hooks --agent claude-code

卸载也是一行命令。对已有工作流零破坏，保留用户原有的工具选择权——这是开发者工具最难做到但最该做到的事情。
个人启发用 AI 编程工具最烦的不是"AI 不会写代码"，而是"每次换工具都要从零开始"。
这个问题在个人用户层面是体验问题；在团队层面，就变成了工具锁定问题——你一旦用了 Claude Code 就很难换，因为沉没成本太高。
ai-memory 通过统一记忆层，把这个锁定打破。用户可以自由选择工具，而不是被工具绑架。

这对整个 AI Coding 工具生态是个好消息，但对各家厂商是个压力——工具本身的差异化必须更强，因为迁移成本降低了。