不过，

你已经花了两个小时跟 Claude Code 聊一个项目。讨论了架构选型、踩了几个坑、决定用 PostgreSQL 而不是 MySQL。接下来你的 Claude Code 订阅到期了或者老板让你换用 Codex。你不得不重新开始——把一样的背景重新说一遍，一样的问题重新解释一遍。

两小时的努力。因为换了个工具，变成了零。

这个问题，看似荒谬。却在 AI 编程工具爆炸式增长时代变得越来越普遍。

在 年，一位名叫 akitaonrails 的开发者发布了一个项目：ai‑memory.

它做事很简单——给 AI 编程助手装上一个“长期记忆程序”。

项目 README 用一句话概括其主要价值：

(在任务中间退出 Claude Code。在同一目录下启动 Codex，无需重新解释架构、失败尝试和待解决的问题。）

星数和 fork 数量说明：很多人需要这个功能。

它解决了什么主要痛点？

再看痛点一，换了 AI 工具。上下文全丢

This is ai‑memory’s core scenario.

• : 市面上至少十几个主流 AI 编程助手各自优势不同，经常需多工具切换。
• : 每个工具都拥有独立对话上下文；Claude 的讨论对 Codex 完全不可见。
• : ai‑memory 成为所有工具之间的“翻译官”。捕获并结构化每个会话，接下来以统一笔记形式交付给下一个工具。

痛点二的观点是，会话断裂导致决策遗失

• : 同一 AI 助手不同会话是独立的； 重启后可能要花十分钟让模型回顾昨天讨论过哪些决策。
• : ai‑memory 在会话结束时自动生成“交接文档”，包含进度、开放问题和已做决策；下一次会话自动注入，让模型“一眼知道”上次进展。

痛点三这方面。重复犯错成本高昂

• : 开发者最怕的是从基础开始写代码，而不是 踩同一个坑。
• : ai‑memory 的“自动改进”功能，当检测到错误被反复出现时会生成避坑教程并写入知识库；下次遇到类似情况，模型先查阅知识库再行动。

说到设计一，记忆存在 Git 仓库里

• No dedicated DB—只需本地 Git 仓库即可搜索、查看历史或在任何编辑器中直接打开阅读。
• This “Karpathy‑style LLM Wiki” 用维基方式管理知识，而非日志堆积。

再看设计二，分层搜索机制

• 全文搜索 : 基础关键词匹配快速检索笔记。
• 实体匹配 : 识别具体名词。如 PostgreSQL 或数据库迁移等，即使描述略有不同也能找到对应笔记。
• 图谱邻居匹配 : 通过笔记间链接关系挖掘相关上下文。按理说，
• 向量相似度: 如配置向量嵌入。可做语义级别搜索，提高检索准确性。

四层搜索协同工作。返回结果按相关性排序，再由 AI 模型生成最终摘要。

设计三这方面，统一协议支持所有主流工具

• MCP配置或生命周期钩子等多种接入方式；无论是官方支持还是社区 都能统一捕获对话上下文。

一次安装，即可覆盖 Claude Code、Codex、Cursor 等12+主流助手。

设计四这方面，可选智能处理，无需依赖外部 LLM

• If you don't provide any LLM provider,ai‑memory still works via full-text search,entity matching & graph navigation.
• The advanced features—automatic summarization。improvement suggestions or semantic search—activate only when you plug in OpenAI / Anthropic / compatible APIs.
• This keeps entry barrier low while preserving powerful capabilities.

它跟竞品有什么区别？

在 年已出现许多针对“记忆”的方案，我们来做横向比较：

项目名称	⭐ 星数	主要特点	适合场景	是否可选 LLM
aI-Memory	309	• 多工具支持 • Git 仓库式存储 • 自动改进 • 无向量数据库依赖	跨工具切换 & 长期上下文持久化

N/A

E.C.C.

259 

• 全面助理提高网站 • 技能、安全与研究功能

团队协作 & 多功能需求

HelloOS

项目名称
<="" colspan="6" p="">

---