Каждая новая сессия с AI-агентом обычно начинается с боли: вы снова объясняете одно и то же. agentmemory обещает убрать этот круг навсегда и экономить часы каждую неделю.
Проект уже работает с Claude Code, Codex CLI, Cursor, Gemini CLI, OpenClaw и другими клиентами через MCP (протокол связи AI-инструментов). Идея простая: один сервер памяти, много агентов, общий контекст без копипаста.
Что реально меняется в работе уже сегодня
Сценарий очень жизненный. Вчера вы настроили JWT-авторизацию, сегодня просите добавить rate limiting, и агент уже помнит детали проекта.
Сервис хранит факты о коде, решениях и привычках. Потом вытаскивает нужное через hybrid search (гибридный поиск по ключам, векторам и графу).
- Автозахват сессий через hooks (хуки, то есть автоматические события) без ручного «сохрани это».
- Общая память для нескольких агентов: переключились с Claude на Copilot, контекст не потерялся.
- Replay (повтор сессии): можно прокрутить промпты, вызовы инструментов и ответы по таймлайну.
- Graph viewer (граф связей) показывает, как знания соединяются между задачами и проектами.
- RRF fusion (объединение ранжирования) помогает точнее находить нужные фрагменты контекста.
По цифрам заявка громкая. В их тесте P@5 (точность топ-5 результатов) у hybrid-поиска 0.578 против 0.267 у grep.
Это примерно в 2.2 раза точнее на одинаковом наборе данных. При этом Top-5 hit rate (попадание нужного в топ-5) осталось 15 из 15.
Сколько стоит и что в бесплатной версии
Самый приятный пункт для малого бизнеса и соло-разработчиков: старт бесплатный. Установка через npm занимает около 30 секунд.
- Базовый запуск: npx @agentmemory/agentmemory.
- Глобальная установка: npm install -g @agentmemory/agentmemory.
- Локальные эмбеддинги: all-MiniLM-L6-v2, без API-ключа и без обязательных платежей.
Команда приводит оценку экономии токенов за год. Вместо ~650K токенов у суммаризации выходит ~170K у agentmemory.
По их модели это около $10 в год, а с локальными эмбеддингами может быть почти $0 за память. Для частых итераций это существенная разница.
Почему это появилось именно сейчас
Рынок AI-агентов резко усложнился. Люди используют сразу 2–5 инструментов, а встроенная память в правилах быстро устаревает.
Файлы вроде CLAUDE.md удобны, но они статичны. agentmemory делает память динамичной, живой и общей между рабочими средами.
- Не нужно заново объяснять архитектуру в каждой новой сессии.
- Проще масштабировать команду, где разные люди работают через разных агентов.
- Меньше риска потерять критичные решения в длинных цепочках экспериментов.
Новая версия 0.9.22 добавила 3 адаптера и 22 исправления. Плюс улучшили стабильность графа на больших связях, от 1000+ узлов.
Кому это реально полезно уже на этой неделе
Инструмент не только для «хардкорных» инженеров. Он полезен всем, кто часто повторяет контекст AI-инструментам и теряет время.
- Разработчики: меньше рутины при багфиксах, рефакторинге и поддержке старого кода.
- Тимлиды: проще передавать контекст между сменами и участниками проекта.
- Маркетологи: единая память кампаний, гипотез и тональности сообщений между ассистентами.
- Фаундеры: быстрее цикл «идея → прототип → проверка», без повторных брифов.
Если хотите проверить без риска, есть демо-команда. Она загружает 3 сессии и показывает, как система находит смысловые связи.
Это важно: поиск находит «N+1 query fix» даже по запросу «database performance optimization». Обычный keyword matching (поиск по ключевым словам) так часто не умеет.
Где посмотреть и с чего начать
- Репозиторий: github.com/rohitg00/agentmemory
- Демо в браузере: http://localhost:3113 после локального запуска.
- Для Claude и Codex есть готовые плагины и подключение через MCP (протокол связи AI-инструментов).
Главная мысль простая и немного неожиданная. Следующий большой скачок в AI будет не в «умнее ответах», а в долгой памяти между сессиями.
Победит не тот агент, который красиво пишет один раз. Победит тот, который помнит вашу работу месяцами и не заставляет объяснять заново.