AgentMemory

Описание нейросети AgentMemory

AgentMemory — это открытая система долговременной памяти для AI-агентов, решающая фундаментальную проблему потери контекста при переходе между сессиями. Вместо того чтобы каждый раз объяснять агенту одни и те же детали — например, какой middleware для авторизации вы используете и почему — вы один раз настраиваете окружение, и агент запоминает это навсегда.

Во второй сессии агент уже знает, что вы работаете с jose, где лежат тесты и какие причины привели к выбору именно этой библиотеки. Никакого copy-paste из предыдущих чатов и повторного ввода контекста. Вся необходимая информация сохраняется автоматически.

Как устроена память агента

В основе работы лежит гибридный поиск, объединяющий три подхода: BM25, векторный поиск и граф знаний с RRF-слиянием результатов. Это позволяет быстро и точно находить нужную информацию в накопленной памяти. На бенчмарке LongMemEval-S, включающем 500 вопросов, система демонстрирует высокие результаты: R@5 = 95.2% и MRR = 88.2%, в то время как чистый BM25 показывает 86.2%.

Автоматический захват контекста

Захват контекста происходит через хуки без ручных вызовов и без необходимости дописывать что-то в промпты. Система сама определяет, когда и какую информацию сохранить. Это полностью автоматизированный процесс.

Характеристики AgentMemory

Характеристика	Значение
Тип	Открытая система долговременной памяти для AI-агентов
Поисковые механизмы	BM25 + векторный поиск + граф знаний с RRF-слиянием
Точность (LongMemEval-S, 500 вопросов)	R@5 = 95.2%, MRR = 88.2%
Способ захвата контекста	Автоматический, через хуки
Способы интеграции	MCP, нативные плагины, REST API
Поддерживаемые агенты	Claude Code, Cursor, Copilot CLI, Codex, Gemini CLI, Aider, Windsurf и др.
Экономия токенов	170K токенов в год ($10) против 19.5M+ при ручном подходе
Локальный режим	Возможен ($0) с эмбеддингами all-MiniLM-L6-v2
Установка	Одна команда через npm или npx
Модель распространения	Free (бесплатная)

Для кого подходит нейросеть AgentMemory?

AgentMemory ориентирован на разработчиков и команды, которые активно используют AI-ассистентов в ежедневной работе. Инструмент будет особенно полезен тем, кто тратит значительное время на повторное объяснение контекста в каждой новой сессии.

Разработчики, работающие с AI-ассистентами

Если вы используете Claude Code, Cursor, Copilot CLI, Codex или другие подобные инструменты, AgentMemory избавит вас от необходимости каждый раз описывать структуру проекта, используемые технологии и принятые решения. Один сервер, одна память — общая для всех инструментов сразу.

Команды, работающие над долгосрочными проектами

В проектах, где важна согласованность действий и сохранение истории решений, общая память становится критически важной. AgentMemory сохраняет контекст между сессиями всех участников, работающих с AI-агентами.

Как использовать нейросеть AgentMemory?

Установка и подключение

Установка занимает одну команду через npm или npx. После этого агент самостоятельно скачивает инструкции, поднимает сервер памяти и подключается к нему.

Настройка авторизации и интеграция

Инструмент подключается к большинству популярных агентов через MCP, нативные плагины или REST API. После настройки JWT-авторизации в первой сессии агент будет помнить её во всех последующих.

Использование в локальном режиме

Для полной автономии и нулевой стоимости можно использовать локальные эмбеддинги на базе all-MiniLM-L6-v2. Это позволяет работать без внешних затрат на токены.

Основные функции AgentMemory

Гибридный поиск. Объединение BM25, векторного поиска и графа знаний с RRF-слиянием обеспечивает высокую точность нахождения информации в памяти.

Автоматический захват контекста. Хуки автоматически перехватывают и сохраняют важный контекст без ручных вызовов и изменений в промптах.

Многоагентная интеграция. Одна установка работает со всеми основными AI-инструментами одновременно через разные протоколы подключения.

Постоянное хранение. Память не обнуляется при старте новой сессии, что позволяет агенту использовать накопленные знания.

Преимущества AgentMemory

Экономия токенов. Подход «вставить весь контекст вручную» расходует 19.5M+ токенов в год и часто выходит за пределы окна контекста. AgentMemory укладывается примерно в 170K токенов при стоимости около $10 в год — или вообще в $0 при использовании локальных эмбеддингов.

Автоматизация запоминания. Отсутствие необходимости вручную сохранять контекст или добавлять инструкции в промпты — система делает это сама.

Единое хранилище для всех инструментов. Один сервер памяти обслуживает все AI-ассистенты одновременно, создавая единое пространство знаний.

Открытость и воспроизводимость. Проект полностью открыт, бенчмарки воспроизводимы локально, сравнение с конкурентами доступно в репозитории.

Недостатки AgentMemory

Основным ограничением можно считать то, что для полноценного использования требуются технические навыки: необходимо настроить JWT-авторизацию, понять принципы работы с хуками и интеграцией через MCP или REST API. Это инструмент для разработчиков, а не для конечных пользователей.

Также стоит отметить, что точные данные о производительности системы на реальных задачах пока ограничены бенчмарками — информации о поведении в production-средах в открытых источниках недостаточно.

Какие задачи решает AgentMemory

Устранение повторного объяснения контекста. Агент помнит все договорённости, настройки и решения между сессиями, что экономит время разработчика.

Снижение расхода токенов. Вместо 19.5M+ токенов в год система потребляет примерно 170K — в 100 раз меньше.

Предотвращение выхода за пределы окна контекста. При ручном вставлении всего контекста часто происходит переполнение окна. AgentMemory хранит информацию эффективно.

Сохранение истории решений. Граф знаний хранит не только факты, но и связи между ними, включая причины принятых решений.

Цены AgentMemory

Модель распространения — free. Это означает, что сам инструмент бесплатен. При использовании встроенных эмбеддингов на базе all-MiniLM-L6-v2 затраты равны нулю. Если же вы используете внешние API для эмбеддингов, ориентировочная стоимость составит около $10 в год при потреблении примерно 170K токенов — это значительно дешевле стандартного подхода с ручным вставлением контекста.

Условия использования AgentMemory

Проект распространяется как открытое программное обеспечение. Разработчики могут свободно изучать исходный код, воспроизводить бенчмарки локально и сравнивать производительность с конкурирующими решениями. Сравнительные данные доступны в репозитории проекта.

Доступность AgentMemory

Инструмент доступен для установки через npm или npx одной командой. Он интегрируется со следующими AI-агентами: Claude Code, Cursor, Copilot CLI, Codex, Gemini CLI, Aider, Windsurf и другими. Подключение осуществляется через MCP, нативные плагины или REST API — это обеспечивает широкую совместимость с существующими инструментами разработчика.

Чем отличается AgentMemory от аналогов

Ключевое отличие — комбинация гибридного поиска и автоматического захвата контекста. Многие решения предлагают либо только векторный поиск, либо простые базы данных. AgentMemory объединяет три подхода (BM25, векторный поиск, граф знаний), что повышает точность нахождения информации.

Второе важное отличие — универсальность. Один сервер памяти работает с большинством популярных AI-агентов одновременно. Это избавляет от необходимости настраивать отдельную память для каждого инструмента.

Третье отличие — экономическая эффективность. 170K токенов в год против 19.5M+ при ручном подходе — разница на порядки. Возможность использования локальных эмбеддингов делает систему полностью бесплатной.

Наконец, открытость проекта позволяет проверять заявленные показатели самостоятельно через воспроизводимые бенчмарки.

Заключение

AgentMemory — это практичное решение проблемы потери контекста в AI-агентах. Оно избавляет разработчиков от необходимости повторно объяснять детали проектов, автоматически сохраняет контекст через хуки и значительно снижает расход токенов — примерно в 100 раз по сравнению с ручным подходом. Гибридный поиск, объединяющий BM25, векторные эмбеддинги и граф знаний, обеспечивает высокую точность нахождения информации, подтверждённую бенчмарками. Открытая модель распространения, поддержка большинства популярных агентов и возможность полной локальной работы делают инструмент доступным для широкого круга разработчиков. Проект выглядит убедительной альтернативой ручному управлению контекстом и закрытым решениям.