agentmemory

agentmemory - это локальный сервер памяти, который фиксирует действия кодинг-агента, сжимает их в доступную для поиска память и подмешивает нужный контекст на старте следующей сессии. Он решает проблему, с которой сталкиваются все при работе с CLAUDE.md и .cursorrules - вручную поддерживаемый файл разрастается максимум до пары сотен строк и устаревает. При этом сервер работает примерно с десятком агентов одновременно, так как все они обращаются к одному сервису.

Происхождение архитектуры вполне очевидно: gist с проектным документом расширяет паттерн LLM Wiki от Karpathy скорингом уверенности, управлением жизненным циклом, графами знаний и гибридным поиском, а сам репозиторий - это реализация описанного документа. О более широкой конвергенции идей см. llm-wiki-as-agent-memory.

Использование

npm install -g @agentmemory/agentmemory
agentmemory                          # memory server on :3111
agentmemory demo --serve             # boot, seed sample sessions, prove recall, tear down
agentmemory connect claude-code      # wire MCP into an agent
npx skills add rohitg00/agentmemory -y   # 15 skills so the agent knows when to use the tools

Глубина интеграции зависит от агента: нативный плагин плюс 12 hook'ов плюс MCP для Claude Code, 22 hook'а для OpenCode, 6 hook'ов для Codex CLI, обычный MCP для Cursor, Gemini CLI, Cline и Goose. OpenHuman умеет использовать его как бэкенд для трейта Memory, так что одно хранилище может одновременно обслуживать и персонального ассистента, и нескольких кодинг-агентов.

Работает поверх движка iii, зафиксированного на версии v0.11.2 - к другой версии движка он не подключится, о чём полезно знать, если у вас уже развёрнут свой собственный. Эмбеддинги считаются локально (all-MiniLM-L6-v2), без API-ключей и внешней базы данных. Поддержка Windows идёт через WSL2; нативная установка выполняется вручную, и agentmemory connect там не работает.

Бенчмарки

Цифрами авторы хвастаются на видном месте, поэтому стоит разделять два разных набора данных.

LongMemEval-S (ICLR 2025, 500 вопросов) - публичный, сопоставимый бенчмарк:

coding-agent-life-v1 (внутренний набор, 15 сессий) - гибридный поиск даёт P@5 0.240 / R@5 1.000 против бейзлайна на grep с 0.227 / 0.967.

Вторая таблица куда показательнее, и к чести проекта в README об этом написано прямо: корпус небольшой и эталонных ответов в нём мало, 0.240 - это математический потолок P@5 для таких данных, а прирост относительно grep заключается в "полноте и учёте времени, а не в совокупной точности" - grep упускает одну из двух эталонных сессий только на запросе, затрагивающем хронологию нескольких сессий. Таблица бенчмарков, которую честно можно прочесть как "мы едва опережаем grep, и вот единственный тип запросов, где это важно", говорит о проекте куда больше, чем громкие проценты в заголовках.

Заявления о расходе токенов (~170K токенов/год против ~650K при суммаризации контекста через LLM) - это расчёты самих авторов по модели, а не реальные замеры, так что относиться к ним стоит с осторожностью.

Сравнение

В README есть таблица сравнения с конкурентами: mem0, Letta/MemGPT, Khoj, supermemory, mempalace, hippo-memory и встроенным CLAUDE.md. По MemPalace и Hippo здесь есть отдельные страницы, и главное различие между ними скорее архитектурное, чем в баллах: Hippo моделирует биологическую консолидацию с угасанием и периодами полураспада, MemPalace использует иерархию метода римской комнаты поверх дословного хранилища ChromaDB, а agentmemory устроен как вики со скорингом и гибридным поиском. Хороший фреймворк для их сравнения описан в agent-memory-components - все три решения различаются главным образом на уровне слоя store, делая при этом схожий выбор для слоя экстракторов.

Предостережения

Подача проекта выглядит откровенно маркетинговой - бейдж Trendshift, "#1 persistent memory" в описании репозитория, плашки со статистикой, двенадцать переведённых вариантов README. При этом 407 открытых issue на 25.5k звёзд намекают, что популярность обгоняет поддержку. Жёсткая привязка к версии движка iii создаёт сильную связность: ваше хранилище памяти зависит от сохранения совместимости протокола стороннего проекта. Ничто из этого не ставит на проекте крест, но честность в бенчмарках и вылизанная упаковка производят противоположные впечатления, и доверие вызывает именно то, как показаны бенчмарки.

Apache-2.0, 25.5k★, 2.1k forks, создан в феврале 2026 года. Репозиторий: https://github.com/rohitg00/agentmemory