正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

你现在可以帮Claude Code / Codex 加上无限记忆了 agentmemory （11.4k+ GitHub stars）：是一个开源的 AI 编码代理记忆引擎，它会自动记录每次会话的操作、决策和全部上下文，用 AI 智能压缩成精炼记忆,下次启动时，通过关键词+向量+知识图谱混合搜索，精准注入最相关的上下文这样就能让各种AI agent（当然也包括openclaw，Hermes等等）拥有真正的长期记忆，不用每次都重复解释项目背景和历史决策，效率大幅提升

梭哈.AI

27,041 subscribers

25,025 次观看 • 4 个月前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

概念不错，一款LLM通用记忆MCP：Supermemory MCP，作用是让不同的AI，比如ChatGPT、Windsurf、Claude等之间可以共享上下文也就是说你与一个LLM的对话内容可以被其他LLM访问和使用，实现更连贯的对话体验目前，它的记忆只基于用户与LLM的互动更新，或许扩展到连接Google Drive、Notion等个人应用其使用按需搜索和检索方式，远程存储，本身没有上下文大小的限制，理论上可以提供近乎无限的上下文这个工具解决了不同AI之间记忆割裂的问题，Supermemory MCP相当于提供了一个统一的记忆解决方案，可以实现在不同AI之间共享和延续对话 #AI记忆共享 #MCP #AI记忆工具

概念不错，一款LLM通用记忆MCP：Supermemory MCP，作用是让不同的AI，比如ChatGPT、Windsurf、Claude等之间可以共享上下文也就是说你与一个LLM的对话内容可以被其他LLM访问和使用，实现更连贯的对话体验目前，它的记忆只基于用户与LLM的互动更新，或许扩展到连接Google Drive、Notion等个人应用其使用按需搜索和检索方式，远程存储，本身没有上下文大小的限制，理论上可以提供近乎无限的上下文这个工具解决了不同AI之间记忆割裂的问题，Supermemory MCP相当于提供了一个统一的记忆解决方案，可以实现在不同AI之间共享和延续对话 #AI记忆共享 #MCP #AI记忆工具

AIGCLINK

24,415 次观看 • 1 年前

如何让你的AI永不失忆呢？大部分人保持AI记忆的方法就是用同一个窗口聊天，但这却是让你的AI越用越失忆的最大元凶！！ AI的上下文窗口，或者说记忆力是有限的，你不停对着一个窗口聊，它看的太多，不得不选择忘记一些东西。当它忘记重要的事情后，给你的回答就会显得无比弱智。下面我给你提供两个解决方案，一个手动的，一个自动的手动的方案是去管理Agent的三部分记忆：即时记忆：把重要的信息写到Claude.md，AI永远不会忘记。会话记忆：每次对话完后，要求AI记住相应的信息，需要时候AI就能回忆起来长期记忆：使用llmwiki构建知识库，这种方式能记录大量信息，但AI不一定能回忆起来。但让AI记得住信息还是不够：有时候你的AI可能会被封号（Claude），出bug记忆被清除（OpenClaw）所以，我们还需要备份AI的记忆。这个流程手动做起来十分复杂，但幸运的是我们可以使用开源项目memmy自动化这个过程。这个项目现在已经有快800star了！！下面视频，我们将会了解到 1. 了解这个产品的基本特性 2. 安装并使用备份功能 3. 验证记忆备份的安全性

如何让你的AI永不失忆呢？大部分人保持AI记忆的方法就是用同一个窗口聊天，但这却是让你的AI越用越失忆的最大元凶！！ AI的上下文窗口，或者说记忆力是有限的，你不停对着一个窗口聊，它看的太多，不得不选择忘记一些东西。当它忘记重要的事情后，给你的回答就会显得无比弱智。下面我给你提供两个解决方案，一个手动的，一个自动的手动的方案是去管理Agent的三部分记忆：即时记忆：把重要的信息写到Claude.md，AI永远不会忘记。会话记忆：每次对话完后，要求AI记住相应的信息，需要时候AI就能回忆起来长期记忆：使用llmwiki构建知识库，这种方式能记录大量信息，但AI不一定能回忆起来。但让AI记得住信息还是不够：有时候你的AI可能会被封号（Claude），出bug记忆被清除（OpenClaw）所以，我们还需要备份AI的记忆。这个流程手动做起来十分复杂，但幸运的是我们可以使用开源项目memmy自动化这个过程。这个项目现在已经有快800star了！！下面视频，我们将会了解到 1. 了解这个产品的基本特性 2. 安装并使用备份功能 3. 验证记忆备份的安全性

铁锤人

103,960 次观看 • 1 个月前

兄弟们，好消息 Claude Code 推出：自动记忆功能以前：记忆完全靠手动，你需要自己写 CLAUDE md 文件，手动维护项目规范和偏好。现在：Claude Code 能自动记住跨会话学到的东西，包括你的项目上下文、调试模式、偏好的做法，下次自动调用，不需要你手动记录。从纯手动变成了自动+手动结合

兄弟们，好消息 Claude Code 推出：自动记忆功能以前：记忆完全靠手动，你需要自己写 CLAUDE md 文件，手动维护项目规范和偏好。现在：Claude Code 能自动记住跨会话学到的东西，包括你的项目上下文、调试模式、偏好的做法，下次自动调用，不需要你手动记录。从纯手动变成了自动+手动结合

小互

58,738 次观看 • 6 个月前

卧槽，GPT-6 Astra 的蜜月期也太短了吧。爽了不到一周，就从“小甜甜”变成“牛夫人”了。熟悉的剧情再次上演：刚让你产生依赖，降智，速率限制就开始逼你戒断。偏偏 Deadline 已经顶到脑门，我还有一堆任务没跑完，只能紧急把部分工作搬到 Claude Code 和 Cursor。但现实很骨感：Agent 可以随时切，【上下文】和【记忆】却带不走。为了解决这个问题，我最近开始折腾一个很有意思的开源项目：Memmy。它想解决的问题很直接：把散落在 Codex、 Claude Code等不同 Agent 里的经验抽出来，沉淀成真正属于我们自己的长期资产。这样，昨天 Codex 踩过的坑，今天换成 Claude Code 就不用再踩一遍；项目背景、失败方案和关键决策，也不用每换一个工具就重新解释。 ━━━━━ Memmy 不只是一个本地个人 AI Agent，更像是多个 Agent 共用的「个人记忆中枢」。只要获得你的授权，Memmy 就会自动扫描 Codex、 Claude Code等工具的历史记录。它能把过去的历史，精准转化为可查询、可复用的长期记忆： 1️⃣ 项目核心背景 2️⃣ 关键技术决策 3️⃣ 你的个人偏好 4️⃣ 踩过的血泪坑最让我惊喜的是，Memmy 让各个独立的 Agent 变成了配合默契的「一家人」。以前大家各干各的，现在基于同一份用户上下文，一个 AI 学会的东西，下一个 AI 直接用！更重要的是，这份记忆只属于【你】，而不是某个 AI 。 Memmy 默认 Local-first： ✅ 你的记忆你做主，自由决定连接和保留哪些数据 ✅ 换 Agent、换模型，上下文数据直接打包带走它不仅是 Memory Layer，还是 Personal Agent Runtime，支持桌面端、CLI/TUI 甚至工具直连执行任务。 ━━━━━ 如果你也是多 Agent 重度用户，强烈建议把过去几个月积累的上下文导进去跑一遍，看看下一个 Agent 能不能真正「接着干」。 Memmy 目前已开源，完美支持 Claude Code, Codex，Cursor, Hermes, OpenClaw, DeepSeek Harness 等。 👉 GitHub 传送门：别忘记福利🎁 👇

卧槽，GPT-6 Astra 的蜜月期也太短了吧。爽了不到一周，就从“小甜甜”变成“牛夫人”了。熟悉的剧情再次上演：刚让你产生依赖，降智，速率限制就开始逼你戒断。偏偏 Deadline 已经顶到脑门，我还有一堆任务没跑完，只能紧急把部分工作搬到 Claude Code 和 Cursor。但现实很骨感：Agent 可以随时切，【上下文】和【记忆】却带不走。为了解决这个问题，我最近开始折腾一个很有意思的开源项目：Memmy。它想解决的问题很直接：把散落在 Codex、 Claude Code等不同 Agent 里的经验抽出来，沉淀成真正属于我们自己的长期资产。这样，昨天 Codex 踩过的坑，今天换成 Claude Code 就不用再踩一遍；项目背景、失败方案和关键决策，也不用每换一个工具就重新解释。 ━━━━━ Memmy 不只是一个本地个人 AI Agent，更像是多个 Agent 共用的「个人记忆中枢」。只要获得你的授权，Memmy 就会自动扫描 Codex、 Claude Code等工具的历史记录。它能把过去的历史，精准转化为可查询、可复用的长期记忆： 1️⃣ 项目核心背景 2️⃣ 关键技术决策 3️⃣ 你的个人偏好 4️⃣ 踩过的血泪坑最让我惊喜的是，Memmy 让各个独立的 Agent 变成了配合默契的「一家人」。以前大家各干各的，现在基于同一份用户上下文，一个 AI 学会的东西，下一个 AI 直接用！更重要的是，这份记忆只属于【你】，而不是某个 AI 。 Memmy 默认 Local-first： ✅ 你的记忆你做主，自由决定连接和保留哪些数据 ✅ 换 Agent、换模型，上下文数据直接打包带走它不仅是 Memory Layer，还是 Personal Agent Runtime，支持桌面端、CLI/TUI 甚至工具直连执行任务。 ━━━━━ 如果你也是多 Agent 重度用户，强烈建议把过去几个月积累的上下文导进去跑一遍，看看下一个 Agent 能不能真正「接着干」。 Memmy 目前已开源，完美支持 Claude Code, Codex，Cursor, Hermes, OpenClaw, DeepSeek Harness 等。 👉 GitHub 传送门：别忘记福利🎁 👇

前端哥Liam

19,935 次观看 • 3 天前

长期记忆是 AI 行业 2025 年最重要的探索方向之一。今天看到心识宇宙联创 KissonL 离开 mebot 之后，第二次 AI 创业的新产品 Tanka（TankaChat），号称要做企业的首个 “AI首席记忆官（Chief Memory Officer）”。它要解决的最大痛点是团队知识的流失和组织内的低效沟通。基于自研的 AI 长期记忆技术，Tanka 聚合和分析跨平台的沟通协作历史数据和上下文，提炼工作重点、待办任务以及发送个性化的AI智能回复。平时人们客户沟通时，因为客户使用的聊天工具很多，所以消息散落在各种客户端里 Email，What'sApp，Slack，Discord，Telegram 等等。 Tanka 把这些通讯工具里的消息全部整合与自动分类，并组织成为形成自己的长期记忆。有了这些数据作为长期记忆，就有了很多新的可能性。比如 smart reply，AI 根据上下文进行智能回复，大大提高回复客户消息的效率。比如自动整理群聊记忆，设定目标和重点，AI 会自动在群聊中抽取相关信息作为记忆。 Tanka 的长期记忆跟以前的 chatbot 的单人长记忆不同，强调的是属于团队的集体长期记忆，技术难度更高，应用场景也更多。团队使用得越多，这个团队的记忆库就越丰富越有用，相当于团队在持续训练自己的第二大脑。特别适合需要对接大量客户和 agency 的团队。

长期记忆是 AI 行业 2025 年最重要的探索方向之一。今天看到心识宇宙联创 KissonL 离开 mebot 之后，第二次 AI 创业的新产品 Tanka（TankaChat），号称要做企业的首个 “AI首席记忆官（Chief Memory Officer）”。它要解决的最大痛点是团队知识的流失和组织内的低效沟通。基于自研的 AI 长期记忆技术，Tanka 聚合和分析跨平台的沟通协作历史数据和上下文，提炼工作重点、待办任务以及发送个性化的AI智能回复。平时人们客户沟通时，因为客户使用的聊天工具很多，所以消息散落在各种客户端里 Email，What'sApp，Slack，Discord，Telegram 等等。 Tanka 把这些通讯工具里的消息全部整合与自动分类，并组织成为形成自己的长期记忆。有了这些数据作为长期记忆，就有了很多新的可能性。比如 smart reply，AI 根据上下文进行智能回复，大大提高回复客户消息的效率。比如自动整理群聊记忆，设定目标和重点，AI 会自动在群聊中抽取相关信息作为记忆。 Tanka 的长期记忆跟以前的 chatbot 的单人长记忆不同，强调的是属于团队的集体长期记忆，技术难度更高，应用场景也更多。团队使用得越多，这个团队的记忆库就越丰富越有用，相当于团队在持续训练自己的第二大脑。特别适合需要对接大量客户和 agency 的团队。

Orange AI

55,351 次观看 • 1 年前

我分享一下，我会给codex部署的两个文件。可以让我的codex越用越聪明。一个文件是踩坑记录，可以让ai有记忆。犯过的错，下次不会再犯。一个是AGENTS.md可以把一些项目通用规范写在里面，这样的话我就可以不用让ai干一些重复性的问题。

我分享一下，我会给codex部署的两个文件。可以让我的codex越用越聪明。一个文件是踩坑记录，可以让ai有记忆。犯过的错，下次不会再犯。一个是AGENTS.md可以把一些项目通用规范写在里面，这样的话我就可以不用让ai干一些重复性的问题。

小墨同学

43,446 次观看 • 3 个月前

如何让多个 Agent 之间真正互相学习、互相帮助？现在很多 Agent 都开始有自己的记忆，但问题是：这些记忆彼此不连通。 Codex 记住的坑，Claude 不知道；Hermes 总结的方法，OpenClaw 也用不上。最后每个 Agent 都像一个很努力但失忆的同事，重复问、重复试、重复踩坑。我想要的不是把所有聊天记录都塞进一个大仓库，而是建立一层更克制的“共享记忆”：只记录 Agent 之间最需要互相知道的信息，比如关键结论、踩过的问题、验证过的方法、环境配置、失败教训、用户偏好等。这样一来，一台 Mac 上跑通的流程，另一台 Mac 可以直接继承；一个 Agent 总结出的经验，另一个 Agent 可以继续使用。记忆不再被锁在某个客户端里，而是变成整个 Agent 工作流的公共上下文。新出来的MemOS CLI 对我来说，刚好提供了这个共享记忆层的入口。当然，我需要改造它，因为它默认也是将所有信息都记录起来，我改造成：重要信息才记录，解决不了问题的时候才主动搜索！这样就让 Agent 不只是各自变聪明，而是开始像一个团队一样积累经验、传递经验、减少重复试错。具体看视频，地址在评论区👇

如何让多个 Agent 之间真正互相学习、互相帮助？现在很多 Agent 都开始有自己的记忆，但问题是：这些记忆彼此不连通。 Codex 记住的坑，Claude 不知道；Hermes 总结的方法，OpenClaw 也用不上。最后每个 Agent 都像一个很努力但失忆的同事，重复问、重复试、重复踩坑。我想要的不是把所有聊天记录都塞进一个大仓库，而是建立一层更克制的“共享记忆”：只记录 Agent 之间最需要互相知道的信息，比如关键结论、踩过的问题、验证过的方法、环境配置、失败教训、用户偏好等。这样一来，一台 Mac 上跑通的流程，另一台 Mac 可以直接继承；一个 Agent 总结出的经验，另一个 Agent 可以继续使用。记忆不再被锁在某个客户端里，而是变成整个 Agent 工作流的公共上下文。新出来的MemOS CLI 对我来说，刚好提供了这个共享记忆层的入口。当然，我需要改造它，因为它默认也是将所有信息都记录起来，我改造成：重要信息才记录，解决不了问题的时候才主动搜索！这样就让 Agent 不只是各自变聪明，而是开始像一个团队一样积累经验、传递经验、减少重复试错。具体看视频，地址在评论区👇

huangserva

161,637 次观看 • 3 个月前

Codex 5.6 配上 Obsidian，直接给 AI 装上永久记忆！很多人用 Codex，每次打开新任务都要重新解释：项目做到哪了、之前改过什么、哪些方案已经踩过坑、哪些关键决定已经定了、下一步该从哪里继续。聊得越久，重要信息反而越容易被埋在历史对话里。我现在直接把 Obsidian 变成 Codex 的永久知识库。长期偏好、项目资料、关键决策、踩坑记录和下一步计划，全部交给它持续整理。等于直接形成一个闭环：读取过去 ➡️完成任务 ➡️更新记忆 ➡️下次继续接着干只需要输入这段提示词：请将当前 Obsidian 知识库作为我的跨项目长期记忆。为所有项目建立统一索引，整理我的长期偏好、项目背景、关键决策、已完成内容、失败方案和下一步计划。每次开始任务前，先读取相关笔记；任务结束后，把新增结论和项目进度更新回对应文档。只保留后续真正需要的信息，不记录无关对话，不写入密码或密钥。然后再给它安排两个自动任务： 1️⃣ 每日开工简报：每天开始工作前，读取所有进行中的项目，整理今天最重要的 3 项任务、当前阻塞和需要参考的历史资料。 2️⃣ 每月知识体检：每月检查一次整个 Obsidian 知识库，找出重复、过期和相互冲突的信息，更新项目索引并标记建议归档的内容。项目做得越久，它积累的背景越完整；任务开得越多，它越清楚你过去做过什么决定。 Obsidian 负责记住一切，Codex 负责把这些记忆变成行动。

Codex 5.6 配上 Obsidian，直接给 AI 装上永久记忆！很多人用 Codex，每次打开新任务都要重新解释：项目做到哪了、之前改过什么、哪些方案已经踩过坑、哪些关键决定已经定了、下一步该从哪里继续。聊得越久，重要信息反而越容易被埋在历史对话里。我现在直接把 Obsidian 变成 Codex 的永久知识库。长期偏好、项目资料、关键决策、踩坑记录和下一步计划，全部交给它持续整理。等于直接形成一个闭环：读取过去 ➡️完成任务 ➡️更新记忆 ➡️下次继续接着干只需要输入这段提示词：请将当前 Obsidian 知识库作为我的跨项目长期记忆。为所有项目建立统一索引，整理我的长期偏好、项目背景、关键决策、已完成内容、失败方案和下一步计划。每次开始任务前，先读取相关笔记；任务结束后，把新增结论和项目进度更新回对应文档。只保留后续真正需要的信息，不记录无关对话，不写入密码或密钥。然后再给它安排两个自动任务： 1️⃣ 每日开工简报：每天开始工作前，读取所有进行中的项目，整理今天最重要的 3 项任务、当前阻塞和需要参考的历史资料。 2️⃣ 每月知识体检：每月检查一次整个 Obsidian 知识库，找出重复、过期和相互冲突的信息，更新项目索引并标记建议归档的内容。项目做得越久，它积累的背景越完整；任务开得越多，它越清楚你过去做过什么决定。 Obsidian 负责记住一切，Codex 负责把这些记忆变成行动。

爱丽丝呀！

91,268 次观看 • 1 个月前

兄弟们,这个思路牛P OpenMemory MCP：统一的 AI 记忆管理平台本地运行存储、组织和管理你的“记忆” 让你的记忆可以在各个AI之间流动 - 提供一个统一、结构化、私有的“记忆层 - 记忆本地化管理，隐私安全 - 通过权限模型，用户主导数据流动 - 支持扩展，适用于多类 AI 客户端生态可以让你在 Claude、Cursor、Windsurf 等 LLM 工具之间持续使用历史信息、对话风格、偏好和项目状态，从而实现真正的跨平台、连续性 AI 交互体验。可以理解为：你的 AI 个人助理第一次有了一块真正“属于你”的持久记忆模块，还能在各种AI之间来回调用，同时确保隐私和控制权掌握在用户手中。

兄弟们,这个思路牛P OpenMemory MCP：统一的 AI 记忆管理平台本地运行存储、组织和管理你的“记忆” 让你的记忆可以在各个AI之间流动 - 提供一个统一、结构化、私有的“记忆层 - 记忆本地化管理，隐私安全 - 通过权限模型，用户主导数据流动 - 支持扩展，适用于多类 AI 客户端生态可以让你在 Claude、Cursor、Windsurf 等 LLM 工具之间持续使用历史信息、对话风格、偏好和项目状态，从而实现真正的跨平台、连续性 AI 交互体验。可以理解为：你的 AI 个人助理第一次有了一块真正“属于你”的持久记忆模块，还能在各种AI之间来回调用，同时确保隐私和控制权掌握在用户手中。

小互

56,126 次观看 • 1 年前

Anthropic的工程师Kevin的一个分享。价值$1000 刀，关于agent memory的workshop。这将是 AI memory的主流，提前一年了解它，成为记忆专家。非常值得看的一个短视频，以下是视频中的实操： 03:31 证明 AI 多个对话间没记忆（对照实验） 06:20 介绍 memory store，可以作为 AI 的记忆外挂 08:44 将 Memory Store 挂载给会话，实现跨对话记忆 15:36 执行 Dream，让 AI 在后台整理记忆并扩写简陋笔记 19:45 展示 dream，记忆变成了结构化看完这个视频，接着阅读下面的这篇文章。你将充分了解与 AI agent 一问一答背后，记忆的原理，以及最强省 token 的心法。

Anthropic的工程师Kevin的一个分享。价值$1000 刀，关于agent memory的workshop。这将是 AI memory的主流，提前一年了解它，成为记忆专家。非常值得看的一个短视频，以下是视频中的实操： 03:31 证明 AI 多个对话间没记忆（对照实验） 06:20 介绍 memory store，可以作为 AI 的记忆外挂 08:44 将 Memory Store 挂载给会话，实现跨对话记忆 15:36 执行 Dream，让 AI 在后台整理记忆并扩写简陋笔记 19:45 展示 dream，记忆变成了结构化看完这个视频，接着阅读下面的这篇文章。你将充分了解与 AI agent 一问一答背后，记忆的原理，以及最强省 token 的心法。

实践哥 Li

106,069 次观看 • 3 个月前

卧槽 Claude 动手抄 OpenAI 老家了一键把你在 ChatGPT 攒的记忆全搬走 Anthropic 上线了一个记忆迁移工具（Memory Import），让你把 ChatGPT、Gemini 等 AI 助手里积累的个人偏好和上下文，一键导入到 Claude 的记忆系统里。众所周知 ChatGPT 的一大核心竞争力就是其记忆系统很完善... 你用的越久，GPT越懂你，你越离不开。 Claude这个工具简直是釜底抽薪... Claude 官方这个工具的最大优势是：直接写入 Claude 记忆系统，不需要绕路，不需要装插件，三步完成。

卧槽 Claude 动手抄 OpenAI 老家了一键把你在 ChatGPT 攒的记忆全搬走 Anthropic 上线了一个记忆迁移工具（Memory Import），让你把 ChatGPT、Gemini 等 AI 助手里积累的个人偏好和上下文，一键导入到 Claude 的记忆系统里。众所周知 ChatGPT 的一大核心竞争力就是其记忆系统很完善... 你用的越久，GPT越懂你，你越离不开。 Claude这个工具简直是釜底抽薪... Claude 官方这个工具的最大优势是：直接写入 Claude 记忆系统，不需要绕路，不需要装插件，三步完成。

小互

235,093 次观看 • 6 个月前

我想很多人都有这个困扰：之前经常需要在Codex和Claude Code之间来回切换，现在又加上了最近爆火的DeepSeek Harness。但是每次来回切换、或者想尝尝DSH的鲜的时候，我都得把背景重新讲一遍，确实挺烦的~ 最近在GitHub上发现的一个开源项目 memmy-agent，把 Codex、DeepSeek Harness、Claude Code接了进去，直接解决了困扰我很久的跨Agent 记忆的问题。我用它做的事情很简单：把分散在不同 Agent 里的历史，沉淀到同一份个人上下文里，默认 Local-first，让它们都能调用。我把它分别接入 Codex、DeepSeek Harness、Claude Code 之后，我做了一个信号中继站小游戏。我先在Codex 写完基础玩法，然后对话里说一句话：第一次失败时，给玩家一次翻盘机会，别直接结束游戏。但这句话我故意不写入代码、README 或者是本地记忆文件。然后新开 DeepSeek Harness，它从 Memmy 直接读出了这条决定，非常丝滑。再新开 Claude Code，它读代码前先复述了规则，再按这个方向把后续功能补完。代码只能告诉下一个 Agent 项目做到哪，但那些留在对话里的决策，才影响着项目接下来往哪走。以后，Agent 要记住的，不只是代码，还有你前面已经决定的决策和经验。 Memmy 不仅帮我解决了Agent记忆的问题，还让这些经验不再独属于某一个 Agent，而是只属于你。 Switch agents, not context。 Memmy 支持桌面端、CLI、API、MCP 和 Skills多种方式，可以直接接着执行任务。如果你也经常在多个 Agent 之间切换，可以拿自己的项目试一下。项目GitHub：

我想很多人都有这个困扰：之前经常需要在Codex和Claude Code之间来回切换，现在又加上了最近爆火的DeepSeek Harness。但是每次来回切换、或者想尝尝DSH的鲜的时候，我都得把背景重新讲一遍，确实挺烦的~ 最近在GitHub上发现的一个开源项目 memmy-agent，把 Codex、DeepSeek Harness、Claude Code接了进去，直接解决了困扰我很久的跨Agent 记忆的问题。我用它做的事情很简单：把分散在不同 Agent 里的历史，沉淀到同一份个人上下文里，默认 Local-first，让它们都能调用。我把它分别接入 Codex、DeepSeek Harness、Claude Code 之后，我做了一个信号中继站小游戏。我先在Codex 写完基础玩法，然后对话里说一句话：第一次失败时，给玩家一次翻盘机会，别直接结束游戏。但这句话我故意不写入代码、README 或者是本地记忆文件。然后新开 DeepSeek Harness，它从 Memmy 直接读出了这条决定，非常丝滑。再新开 Claude Code，它读代码前先复述了规则，再按这个方向把后续功能补完。代码只能告诉下一个 Agent 项目做到哪，但那些留在对话里的决策，才影响着项目接下来往哪走。以后，Agent 要记住的，不只是代码，还有你前面已经决定的决策和经验。 Memmy 不仅帮我解决了Agent记忆的问题，还让这些经验不再独属于某一个 Agent，而是只属于你。 Switch agents, not context。 Memmy 支持桌面端、CLI、API、MCP 和 Skills多种方式，可以直接接着执行任务。如果你也经常在多个 Agent 之间切换，可以拿自己的项目试一下。项目GitHub：

木马人

63,168 次观看 • 1 个月前

生化危机女主角 Milla Jovovich 刚在 GitHub 开源了一个 AI 记忆系统，在行业标准 benchmark 上拿了有史以来第一个满分没错，就是那个爱丽丝🤯 她用 AI 对话几个月后，积累了大量的决策和思考结果全丢了，她觉得现有的记忆系统让 AI 决定什么值得记，不是她想要的于是她和朋友用 Claude Code 花几个月做了 MemPalace，借鉴古希腊记忆宫殿术，把记忆组织成可导航的空间结构结果行业 benchmark 首个满分，MIT开源，纯本地运行一个好莱坞演员做出了超过所有 AI 公司 memory 产品的东西真是充满想象力的时代

生化危机女主角 Milla Jovovich 刚在 GitHub 开源了一个 AI 记忆系统，在行业标准 benchmark 上拿了有史以来第一个满分没错，就是那个爱丽丝🤯 她用 AI 对话几个月后，积累了大量的决策和思考结果全丢了，她觉得现有的记忆系统让 AI 决定什么值得记，不是她想要的于是她和朋友用 Claude Code 花几个月做了 MemPalace，借鉴古希腊记忆宫殿术，把记忆组织成可导航的空间结构结果行业 benchmark 首个满分，MIT开源，纯本地运行一个好莱坞演员做出了超过所有 AI 公司 memory 产品的东西真是充满想象力的时代

Ray Wang

1,033,201 次观看 • 5 个月前

如果我们平时都是直接让 ChatGPT、Claude 这些 AI 助手帮忙调试代码或解决 Bug，而不是使用 Cursor 等付费 AI 编程助手。那么 gptree 这个开源项目可以看一下，它能一键将整个项目的文件内容和目录结构打包成单个文本文件，让 AI 快速理解完整的项目上下文。 GitHub：并且内置文件筛选和交互式选择功能，能够自动排除 .git、node_modules 等无关目录。同时提供可视化的项目结构树，支持全局和项目级配置，可为不同项目定制不同的打包策略。可直接一键复制到剪贴板，粘贴到 AI 对话框发送使用，高效地为 AI 提供项目上下文。

如果我们平时都是直接让 ChatGPT、Claude 这些 AI 助手帮忙调试代码或解决 Bug，而不是使用 Cursor 等付费 AI 编程助手。那么 gptree 这个开源项目可以看一下，它能一键将整个项目的文件内容和目录结构打包成单个文本文件，让 AI 快速理解完整的项目上下文。 GitHub：并且内置文件筛选和交互式选择功能，能够自动排除 .git、node_modules 等无关目录。同时提供可视化的项目结构树，支持全局和项目级配置，可为不同项目定制不同的打包策略。可直接一键复制到剪贴板，粘贴到 AI 对话框发送使用，高效地为 AI 提供项目上下文。

GitHubDaily

31,667 次观看 • 1 年前

给 DeepSeek Harness、Hermes、OpenClaw 等Agent做记忆底座的那个 GitHub 万星团队（MemOS）刚开源的这个新项目，我真的要吹爆，可能是今年最值得装的本地 AI 基础设施之一了，它解决了一个我使用AI Agent 忍了大半年的痛点问题：换一个 AI 工具就要重新解释一遍项目背景、技术选型、踩过的坑。每天在 Cursor、Claude Code 和 Codex 之间来回切的人，应该都懂那种吃了苍蝇一样的恶心感，换个工具就等于给AI重新做一遍入职培训，项目背景、踩过的坑、做过的重要决策全部要跟它从头再讲一遍。刚刚开源的 Memmy 直接把这个问题给干掉了，让所有 AI 都记得同一个你。它干的事简单且极度务实，但之前几乎没人愿意做。更关键的是，它本身就是一个形态非常丰满的本地 Agent，支持多种接入方式： →日常用有桌面端 GUI， →极客可以走 CLI/TUI， →还自带 OpenAI 兼容 API 和 MCP 协议， →最新版连 Linux 也已经全平台支持了。授权后直接去翻你本地所有 Agent 的历史日志， Cursor 的数据库、Claude Code 的 jsonl、Codex 的 session，几分钟把你过去几个月在各个工具里聊过的废墟，自动整理成结构化记忆，然后通过 Skill、Hook、MCP 按需注入到你当前正在用的任何 Agent 里。全量存在本地 SQLite 数据库，完全 local-first 不上传，敏感项目不用慌。 Memmy 这个项目跟 Mem0、Zep 那些记忆库完全不是一个赛道。那些是给开发者写代码集成的 API，你要自己写代码接入，或者从今天起重新积累。 Memmy 是直接面向我们这种终端用户，把你过去几个月在各工具里已经产生的历史一键接管过来。这一步大多数工具都没做，毕竟是纯脏活累活。技术底座是同团队的 MemOS，GitHub 一万多星，做的是记忆操作系统，不是简单的向量库加摘要。再说几个极其真实的场景：你在 Codex 里确认了一个架构选型，切到 Claude Code 它立刻知道，你在 Cursor 里试错踩过的坑，新开一个 DeepSeek Harness 不会再踩第二遍。一个 Agent 额度用完了换另一个，上下文再也不会归零。代码靠 Git 能同步状态，记忆同步的，是你在对话里留下的决策和意图。这层资产以前被困在每个工具的 session 里，现在可以跟着你走了。当然照例泼盆冷水，这个项目还在 v1.0.x 早期， GitHub 约 1000 星，各家工具本地格式一升级可能带来兼容问题，记忆蒸馏和跨项目隔离也还在持续迭代，但方向我认为是非常对的。多 Agent 并行时代，记忆本来就该属于用户自己，凭什么被锁死在某个工具里。 Switch agents, not context，让所有 AI 都记得同一个你！！！

给 DeepSeek Harness、Hermes、OpenClaw 等Agent做记忆底座的那个 GitHub 万星团队（MemOS）刚开源的这个新项目，我真的要吹爆，可能是今年最值得装的本地 AI 基础设施之一了，它解决了一个我使用AI Agent 忍了大半年的痛点问题：换一个 AI 工具就要重新解释一遍项目背景、技术选型、踩过的坑。每天在 Cursor、Claude Code 和 Codex 之间来回切的人，应该都懂那种吃了苍蝇一样的恶心感，换个工具就等于给AI重新做一遍入职培训，项目背景、踩过的坑、做过的重要决策全部要跟它从头再讲一遍。刚刚开源的 Memmy 直接把这个问题给干掉了，让所有 AI 都记得同一个你。它干的事简单且极度务实，但之前几乎没人愿意做。更关键的是，它本身就是一个形态非常丰满的本地 Agent，支持多种接入方式： →日常用有桌面端 GUI， →极客可以走 CLI/TUI， →还自带 OpenAI 兼容 API 和 MCP 协议， →最新版连 Linux 也已经全平台支持了。授权后直接去翻你本地所有 Agent 的历史日志， Cursor 的数据库、Claude Code 的 jsonl、Codex 的 session，几分钟把你过去几个月在各个工具里聊过的废墟，自动整理成结构化记忆，然后通过 Skill、Hook、MCP 按需注入到你当前正在用的任何 Agent 里。全量存在本地 SQLite 数据库，完全 local-first 不上传，敏感项目不用慌。 Memmy 这个项目跟 Mem0、Zep 那些记忆库完全不是一个赛道。那些是给开发者写代码集成的 API，你要自己写代码接入，或者从今天起重新积累。 Memmy 是直接面向我们这种终端用户，把你过去几个月在各工具里已经产生的历史一键接管过来。这一步大多数工具都没做，毕竟是纯脏活累活。技术底座是同团队的 MemOS，GitHub 一万多星，做的是记忆操作系统，不是简单的向量库加摘要。再说几个极其真实的场景：你在 Codex 里确认了一个架构选型，切到 Claude Code 它立刻知道，你在 Cursor 里试错踩过的坑，新开一个 DeepSeek Harness 不会再踩第二遍。一个 Agent 额度用完了换另一个，上下文再也不会归零。代码靠 Git 能同步状态，记忆同步的，是你在对话里留下的决策和意图。这层资产以前被困在每个工具的 session 里，现在可以跟着你走了。当然照例泼盆冷水，这个项目还在 v1.0.x 早期， GitHub 约 1000 星，各家工具本地格式一升级可能带来兼容问题，记忆蒸馏和跨项目隔离也还在持续迭代，但方向我认为是非常对的。多 Agent 并行时代，记忆本来就该属于用户自己，凭什么被锁死在某个工具里。 Switch agents, not context，让所有 AI 都记得同一个你！！！

AYi

60,467 次观看 • 23 天前

Anthropic 一位 AI engineer，刚演示了如何让 AI agents 拥有真正的 memory 28 分钟完全免费但这个点可能会改变很多人理解 agent 的方式大多数人现在还在每次新开 chat 时，反复 copy-paste context 但真正的 agent，不应该每次都从零开始它应该能记住过去发生过什么这次 workshop 讲了 4 个关键点：为什么 agents 会在 sessions 之间忘掉一切 memory stores 如何让 agents 跨 session read / write dreaming：让 agents 自己改进自己的 memory 95% cache hit rate，保证成本不会失控真正有意思的是： agent memory 不是简单“多塞一点上下文” 而是让系统形成持续状态今天执行过什么哪些信息有用哪些判断错了下次应该怎么改如果 agent 每晚都能整理记忆、更新经验、压缩上下文，那它就不是一个临时工具而更像一个会持续变强的工作系统很多人还在手动喂上下文但已经有人开始搭能跨 session 记忆、复盘、优化自己的 agents

Anthropic 一位 AI engineer，刚演示了如何让 AI agents 拥有真正的 memory 28 分钟完全免费但这个点可能会改变很多人理解 agent 的方式大多数人现在还在每次新开 chat 时，反复 copy-paste context 但真正的 agent，不应该每次都从零开始它应该能记住过去发生过什么这次 workshop 讲了 4 个关键点：为什么 agents 会在 sessions 之间忘掉一切 memory stores 如何让 agents 跨 session read / write dreaming：让 agents 自己改进自己的 memory 95% cache hit rate，保证成本不会失控真正有意思的是： agent memory 不是简单“多塞一点上下文” 而是让系统形成持续状态今天执行过什么哪些信息有用哪些判断错了下次应该怎么改如果 agent 每晚都能整理记忆、更新经验、压缩上下文，那它就不是一个临时工具而更像一个会持续变强的工作系统很多人还在手动喂上下文但已经有人开始搭能跨 session 记忆、复盘、优化自己的 agents

0x_Miko

87,182 次观看 • 3 个月前

你不用手写AGENTS.md了,你用梯度下降训练它这个脑洞我服了。backpass把你的AGENTS.md当成神经网络的权重每跑一次agent会话就是一次前向传播,留在硬盘上的transcript就是损失信号。可这个信号以前没人读,全靠你哪天想起某次失败,手动去改文件 backpass把这个闭环接上了:自动找到你仓库里真跑过的agent会话,读懂里面发生了什么,反向提出有证据支撑的改动,等于给你的记忆文件做一次梯度下降每条改动都附带真实会话里的原话,一条新规则至少要两次独立会话佐证,一次最多改五条。全程只有你点了apply它才会写纯本地,直接读七种agent的会话记录,什么都不上传,MIT开源

你不用手写AGENTS.md了,你用梯度下降训练它这个脑洞我服了。backpass把你的AGENTS.md当成神经网络的权重每跑一次agent会话就是一次前向传播,留在硬盘上的transcript就是损失信号。可这个信号以前没人读,全靠你哪天想起某次失败,手动去改文件 backpass把这个闭环接上了:自动找到你仓库里真跑过的agent会话,读懂里面发生了什么,反向提出有证据支撑的改动,等于给你的记忆文件做一次梯度下降每条改动都附带真实会话里的原话,一条新规则至少要两次独立会话佐证,一次最多改五条。全程只有你点了apply它才会写纯本地,直接读七种agent的会话记录,什么都不上传,MIT开源

Jason Zhu

32,292 次观看 • 25 天前