akitaonrails/ai-memory

解決的問題

AI 編碼代理通常在會話結束時會遺失上下文，導致使用者在啟動新會話或在不同 AI 代理之間切換（例如從 Claude Code 切換到 Codex）時，必須重新解釋架構、失敗的嘗試和未解決的問題。

工作原理

ai-memory 從經過淨化的生命週期觀測（提示、工具使用、會話邊界）中，建立專案特定知識的共享且持久的維基。它使用 Model Context Protocol (MCP) 伺服器，透過鈎子捕獲這些事件，並總結為儲存在 Git 倉庫中的純 Markdown 檔案。這使得記憶可被 grep 搜尋、版本控制，並可透過唯讀 HTML UI 存取。它支援廣泛的 AI 代理與 CLI，提供「交接」功能，告知下一個代理前一個代理的停止位置。

適用對象

使用多個 AI 編碼代理或 CLI（如 Claude Code、Codex、Cursor、Devin 等）的開發者，希望在不遺失歷史上下文的情況下維持連續的跨代理工作流。

主要亮點

• 跨代理連續性：透過交接與管理的工作流，在不同 AI 代理之間無縫切換，同時保留上下文。
• 零摩擦捕獲：使用生命週期鈎子自動捕獲並淨化提示與工具事件，無需手動記筆記。
• 基於 Markdown 的維基：將記憶以純 Markdown 格式儲存在 Git 倉庫中，避免對向量資料庫的需求，便於備份與版本控制。
• 廣泛代理支援：相容大量工具，包括 Claude Code、Codex、Command Code、Devin CLI、Cursor、Gemini CLI 等。
• 高階召回：結合 FTS5、實體匹配 RRF 與權威感知檢索，優先考慮已維護的規則與決策，而非臨時會話證據。
• 管理式工作流：可選的啟動器（ai-memory run）提供原生會話恢復與可攜式的可見事件日誌。
• 可選 LLM 集成：可在無 LLM 模式下使用詞法搜尋運行，也可選擇性整合 LLM 提供者以實現合併與自動優化。