ai-memory：让不同编程智能体共享长期记忆并顺畅交接

现在的编程智能体大多自带记忆功能。Claude Code 会记笔记，Cursor 也会记住一些事情，各个平台还在继续加。但这些记忆有共同的局限：笔记只存在一台机器上，只属于某一个智能体，一旦你换了工具，或者把活交给同事，它们就从视野里消失了。结果是你得一遍遍重新解释项目架构、哪些方案试过且失败了、还有哪些问题悬而未决。ai-memory 瞄准的正是这个缝隙。它不想成为又一个智能体，而是站在所有智能体之下，做一层共享的长期记忆。它的目标很直白：你在任务中途退出 Claude Code，在同一目录启动 OpenAI Codex，就能接着干，不必再重讲一遍。项目用 Rust 编写，带有 rust-toolchain.toml，提供发布版本、官网 aimemory.sh 和开源许可证，目前在 GitHub 上已有近一万颗星。再看核心能力。第一是跨智能体。Claude Code、Codex、Cursor、Gemini CLI、OpenCode、Grok、Devin、Kimi、Kiro 等二十多种 harness 把信息汇入同一份记忆。交接是一套类型化协议，每条交接都有所有者，并且只能被认领一次，说明上次做到哪、什么失败了、还有什么没解决。第二是用 `ai-memory run` 启动智能体时，可以携带会话本身，而不只是摘要。

比如退出 Claude Code 后运行 `ai-memory run codex`，Codex 会拿到共享的工作流，外加一份私有、临时的本地投影，里面是 Claude 可见的原生历史，用来补足启动包里被截掉的精确细节。远端服务器只收到 harness 和会话标识，不会收到本地转录文件的路径或正文。第三是数据形态。记忆的真实来源是 git 管理的 wiki，全是普通 .md 文件，你可以 grep、用 Obsidian 打开、手工编辑或 rsync。数据库只是派生索引，随时能从文件重建，既没有要维护的向量库，也没有锁在二进制里的内容。第四是静默采集：生命周期钩子记录提示词、工具调用和会话边界，在一道类型化的隐私边界上先做清理再存储，服务器再把它整理成可读页面。默认路径零次 LLM 调用，采集、搜索和交接都不需要 API key。记忆还会按你可调的分层计划衰减，同样不依赖 LLM。在使用上，最典型的场景是中途换工具。你在 Claude Code 里做到一半遇到额度或偏好问题，转手用 Codex 继续，下一个智能体直接拿到交接说明。第二个场景是跨项目。一份小型个人画像，记录你常用的包管理器、测试布局和架构习惯，会在新仓库的会话开始时送达。它的优先级低于各仓库自己的规则文件，只作默认值；单用户时默认开启，共享服务器上则需主动开启，且按人隔离，细节写在 docs/cross-project-profile.md 里。

第三个场景是跨机器：记忆放在你自己运行的服务器上，可以是同一台笔记本、家里的服务器或别处，所以在台式机上停下的项目，到笔记本上能带着同样的知识和未决问题继续。第四个场景是团队：大家指向同一台服务器，一个人的会话学到的东西，所有人的智能体都能检索。知识按项目共享，个人交接仍保持私有。多用户认证、按人归属和审计日志都已内置，并不属于付费档位。从自述看，项目已经配有官网、发布页和专题文档，上手路径比较完整。从行业角度看，ai-memory 的意义在于把记忆从某个厂商的私有功能，变成工程团队自己掌握的基础设施。智能体越多，换来换去就越常见，谁也不想被一家锁住。把真实来源放在纯文本和 git 里，意味着记忆可审阅、可迁移、可纳入已有的版本管理，这对重视可追溯性的团队很有吸引力。它还把隐私边界做成类型化设计，并在 run 模式里明确只上传身份而不上传转录正文，这是处理敏感代码上下文时应有的克制。当然也有值得留意的地方。覆盖二十多种 harness 意味着要持续跟进各家工具的钩子和会话格式，兼容性维护成本不小。团队共享模式下，哪些内容该被检索、权限如何划分，也需要使用者自己把关。另外，自述只展示了前半部分能力，衰减策略等细节要以官方文档为准。接下来值得观察的，是交接协议能否被更多工具认作事实标准，以及零 LLM 的默认路径在大型仓库里的检索效果。