akitaonrails/ai-memory

解决的问题

AI 编码代理通常在会话结束时丢失上下文，导致用户在启动新会话或在不同 AI 代理之间切换（例如从 Claude Code 切换到 Codex）时，不得不重新解释架构、失败的尝试和未解决的问题。

工作原理

ai-memory 从经过净化的生命周期观测（提示、工具使用、会话边界）中，构建项目特定知识的共享持久化维基。它使用 Model Context Protocol (MCP) 服务器，通过钩子捕获这些事件，并将其总结为存储在 Git 仓库中的纯 Markdown 文件。这使得记忆可被 grep 搜索、版本控制，并可通过只读 HTML UI 访问。它支持广泛的 AI 代理和 CLI，提供“交接”功能，告知下一个代理前一个代理的停止位置。

适用人群

使用多个 AI 编码代理或 CLI（如 Claude Code、Codex、Cursor、Devin 等）的开发者，希望在不丢失历史上下文的情况下维持连续的跨代理工作流。

主要亮点

• 跨代理连续性：通过交接和管理的工作流，在不同 AI 代理之间无缝切换，同时保留上下文。
• 零摩擦捕获：使用生命周期钩子自动捕获并净化提示和工具事件，无需手动记笔记。
• 基于 Markdown 的维基：将记忆以纯 Markdown 格式存储在 Git 仓库中，避免对向量数据库的需求，便于备份和版本控制。
• 广泛代理支持：兼容大量工具，包括 Claude Code、Codex、Command Code、Devin CLI、Cursor、Gemini CLI 等。
• 高级召回：结合 FTS5、实体匹配 RRF 和权威感知检索，优先考虑已维护的规则和决策，而非临时会话证据。
• 管理式工作流：可选的启动器（ai-memory run）提供原生会话恢复和可移植的可见事件日志。
• 可选 LLM 集成：可在无 LLM 模式下使用词法搜索运行，也可选择性集成 LLM 提供商以实现合并与自动优化。