AgentMemory

Agent Memory——AI代理的开放式长期记忆系统,可以解决会话之间的基本上下文损失问题. 而不是每次向代理重新解释相同的细节——例如,你使用的中件授权和为什么——你一次设置环境,代理永远记住它.

在第二段,代理已经知道,你与Jose合作,测试地点在哪里,是什么原因导致选择了这个特定的库. 未从先前的聊天或重新进入上下文复制复制 。 所有必要的信息自动保存.

代理内存是如何工作的

该系统以混合搜索为基础,结合了三种方法:BM25,矢量搜索,以及带有 RRF 组合结果的知识图. 这样可以快速和准确地找到累积内存中所需的信息. 在包含500个问题的LongMemEval-S基准上, 系统显示高结果:R@5=95.2%,MRR=88.2%,纯BM25显示86.2%。

自动上下文抓取

上下文捕捉通过钩子发生,没有手动呼叫,不需要在提示中添加任何东西. 系统本身决定了何时和保存何种信息. 这是一个完全自动化的过程。

代理记忆特征

梅默里探员适合谁?

Agent Memory面向在日常工作中积极使用AI助手的开发者和团队. 该工具对于在每届新会议上花费大量时间重新解释背景的人特别有用。

与 AI 助手合作的开发者

如果您使用克劳德代码, Cursor, 副驾驶 CLI, Codex, 或者其他类似工具, Agent Memory 会省去您每次不得不描述项目结构,所使用的技术和作出的决定. 一个服务器,一个内存——一次在所有工具之间共享.

从事长期项目的小组

在行动一致性和维护决定历史的项目中,共享记忆变得至关重要。 Memory探员在会间为与AI探员合作的所有团队成员保留背景.

如何使用 Memory探员?

安装和连接

安装需要通过 npm 或 npx 命令 。 之后,代理独立下载指令,启动内存服务器,并与它连接.

建立授权和一体化

该工具通过MCP,原生插件,或REST API与大多数流行的代理连接. 在第一届会议设立JWT授权后,代理商将在以后的所有授权中记住.

以本地模式使用

对于完全自主和零成本,可以使用基于全MiniLM-L6-v2的本地嵌入. 这使得工作无需支付外部象征性费用。

代理主题

混合搜索。 结合BM25,矢量搜索,以及一个与RRF聚变的知识图,确保了在内存中查找信息的高度准确性.

自动上下文捕获 。 Hooks自动截取并保存重要上下文,无需人工调用或迅速更改.

多剂融合. 一个安装与所有主要的AI工具同时通过不同的连接协议进行工作.

持续存储。 当新会话开始时内存不重置,允许代理使用累积的知识.

代理记忆的好处

托肯储蓄. "手动粘贴所有上下文"方法每年消耗19.5M+令牌,并经常超过上下文窗口. Agent Memory配有约170K个令牌,每年花费约10美元——或使用本地嵌入时的0美元.

自动纪念. 不需要手动保存上下文或添加指令到提示中——系统本身也这样做.

所有工具统一存储 。 一个内存服务器同时服务于所有AI助手,创建一个统一的知识空间.

开放与再现. 该项目完全开放,可在当地复制基准,存储库中可与竞争者进行比较。

代理记忆的缺点

主要的限制是,充分利用需要技术技能:需要配置JWT授权,了解钩子如何工作,以及 如何通过MCP或REST API进行集成. 这是开发者的工具,而不是终端用户.

还值得注意的是,关于现实世界任务的准确性能数据目前仅限于基准——关于生产环境中的行为的信息在开放来源中是不够的.

Memory探员能解决什么问题?

取消重复的背景解释。 代理机会记住会话间的所有协议,设置,和决定,节省开发者的时间.

减少象征性消费。 相对于每年的19.5M+令牌,系统消耗约170K——100倍.

防止上下文窗口溢出 。 手动粘贴所有上下文往往会造成窗口溢出. Memory探员高效存储信息.

保存决策历史. 知识图不仅储存事实,而且还储存它们之间的联系,包括决定背后的原因。

代理邮件定价

发行模式免费. 这意味着工具本身是免费的. 当使用基于全米尼LM-L6-v2的内置嵌入时,成本为零. 如果使用外部API进行嵌入,估计费用为 大约每年10美元,消耗约170K个令牌——大大低于手动粘贴环境的标准方法。

代理术语

该项目作为开源软件发布. 开发者可以自由研究源代码,在当地复制基准,并将性能与相互竞争的解决方案进行比较. 项目存放处有比较数据。

代理记忆可用性

该工具可通过 npm 或 npx 安装,并有单一的命令. 它与以下AI代理融合:克劳德代码,Cursor,副驾驶CLI,Codex,双子座CLI,Aider,Windsurf等. 连接是通过MCP,本土插件,或REST API完成的——这确保了与现有开发者工具的广泛兼容性.

Memory探员与替代品有何不同

关键区别在于混合搜索和自动上下文捕捉的结合. 许多解决方案要么只提供矢量搜索,要么提供简单的数据库. Agent Memory结合了三种方法(BM25,矢量搜索,知识图),提高了信息检索的准确性.

第二个重要区别是多面性。 一个内存服务器同时与最受欢迎的AI代理合作. 这就不需要为每个工具分别设置内存.

第三个差别是成本效益。 每年170K令牌对比19.5M+采用人工方法——宽度差别. 使用本地嵌入的能力使系统完全自由.

最后,项目的开放允许通过可复制的基准独立核查所声称的衡量标准。

结论

Agent Memory是AI代理中上下文损失问题的实用解决方案. 它可以避免开发者不得不重新解释项目细节,通过钩子自动保存上下文,并显著减少象征性消费——与手动方法相比约100倍. 混合搜索结合了BM25,矢量嵌入和知识图,确保了查找信息的高度准确性,并得到基准的确认. 开放发行模式,支持最受欢迎的代理商,以及在当地充分工作的能力,使得该工具可供广大开发者使用. 该项目看来是人工环境管理和封闭解决办法的令人信服的替代办法。