跳到正文
heyaican
中文EN

Memmy

一个本地记忆中枢：机器上的一个服务保存着轨迹、策略、场域认知与技能，Claude Code、Codex、Cursor、DeepSeek Harness、OpenClaw、Hermes 与 OpenCode 都在读写它，于是上下文能在工具之间跟着人走，而不是留在当时打开的那一个里面。

打开看看 源码 提交更正
Screenshot of Memmy
编辑截图， 1 Oct 2026Memmy ↗

这是什么

一个本地记忆中枢，若干个编码 agent 都在读写它。机器上的一个服务——http://127.0.0.1:18960，数据放在 ~/.memmy/memory-service/memory.sqlite——持有记忆，Hook、插件、memmy-memory CLI 与桌面端都走它，于是 Claude Code、Codex、Cursor、DeepSeek Harness、OpenClaw、Hermes、OpenCode、WorkBuddy 与 Pi 可以共用同一份存储。每个宿主靠三条路之一接进来：写进它自己目录的钩子与工作区桥接文件、按它自己格式写的插件，或者一个只读的适配器，去扫这个宿主本来就留在磁盘上的会话文件。记忆是分层的——L1 轨迹、L2 策略、L3 场域认知与技能——层与层之间按测得的收益晋升，奖励在 30 秒反馈窗口之后沿 episode 反向传播。MemTensor 组织用 76 天做出来：1,279 次提交、20 个 release、2,439 个文件、2,000 个星。

谁做的这是一个组织账号而不是个人账号：MemTensor 把 Memmy 当产品在做，提交里有 memtensor.cn 与 memtensor.com 的公司邮箱，项目有 memmy.bot 官网、Discord 服务器与 X 账号。1,279 次提交来自 25 位贡献者，贡献者账号里有一个叫 Memtensor-AI。单人提交最多的是 Wang-Daoji，223 次；其后是 hijzy 的 163 次、syzsunshine219 的 130 次与 ZongYue99 的 118 次。1,279 次提交里有 921 次关联了账号，375 次没有。组织并不是主要的写作者：153 次提交带共同作者尾注，其中 54 条只写 Cursor，64 条写的是某个 Claude 模型，另有 35 条署的是账号名，其中几个也出现在贡献者列表里。

它是怎么搭起来的

组成 · 6

一个本地优先的记忆服务，外面套一层按宿主接入的适配层，再上面是桌面应用。中心是环回地址上的一个 HTTP 服务——Memory/src/server/index.ts，默认端口 18960，存储与向量都用 SQLite 加 sqlite-vec——它拥有四层记忆模型和在各层之间做晋升的后台任务，于是召回不依赖站在它前面的是哪个 agent。服务周围有三类适配器：把钩子与工作区桥接文件写进宿主自己目录的安装目标、按宿主原生格式写的插件，以及只读、用来导入宿主已经写在磁盘上的历史的扫描器。桌面端是 Electron 外壳加 React 前端，本地后端用 Fastify 并把应用状态放在 SQLite 里；agent 运行时是另一个工作区，有自己的模型 provider、CLI 与 TUI。把服务放在中间的后果是：难题都落在适配层而不是记忆本身——每个宿主给文件起名、组织会话、把关钩子的方式都不同，这正是那一个目录里要放十个目标、每个宿主的文件都不小的原因，也是桌面后端与记忆服务共用的读取代码必须自成一个工作区、而不是两边各抄一份的原因。

Memory/
记忆服务本体：228 个源文件、3037 KB，旁边是 122 个测试文件、1765 KB。src/service/ 里最大的几个文件是 151 KB 的 session-turn-service.ts、116 KB 的 feedback-experience.ts、115 KB 的 memory-service.ts、103 KB 的 retrieval-service.ts、68 KB 的 skill-pipeline.ts 与 64 KB 的 span-pipeline.ts。仓库里最大的单个文件也在这棵树里：263 KB 的 src/algorithm/plugin-algorithms.ts，旁边是 58 KB 的 agent-source 运行时。它旁边还有 Memory/adapters/（给 DeepSeek Harness 的 Cordis patch、OpenClaw 插件清单、给 Hermes 的 Python provider）、Memory/agent-contract/（一个 26 KB 的 DTO 模块加事件与 episode 状态类型）、shell 与 PowerShell 两份安装脚本，以及一个有 71 个文件的查看器。
App/
四个工作区、共 1,695 个文件。frontend 是 Electron 界面，480 个文件、15.7 MB，仅中英文文案表就有 217 KB，agent 的 API 客户端有 105 KB；memmy-agent 是运行时、CLI 与 TUI，733 个文件、8.2 MB，含各家模型 provider、一个 OpenAI 兼容服务与终端界面；shell 是桌面主进程，97 个文件、5.8 MB，其中 main.ts 204 KB、runtime-services.ts 93 KB，还有一个 127 KB 的打包运行时边界测试；backend 是本地 API，385 个文件、2.8 MB，装的是 Fastify 路由、SQLite 应用状态、来源扫描与 Skill 写入。
AgentSourceCore/
20 个源文件，由桌面后端与记忆服务共用而不是各写一份：每个 agent 一个 <host>-source-turn.ts，覆盖 Claude Code、Codex、Cursor、DeepSeek、Hermes、OpenClaw 与 OpenCode，另有 JSONL 切行、密钥脱敏与记忆 token 预算。它的测试里有一个 22 KB 的 source-turn 契约审查测试，七种会话格式就是靠它被约束成同一个形状的。
docs/
文档，两棵树平行：39 个中文页 117 KB 与 38 个英文页 76 KB，12 个架构文档，以及 38 个资源文件共 60.6 MB——按体积算是仓库里最大的目录。记忆总览英文 17,032 字符、中文 15,391 字符，讲记忆来源的那一页英文到 20,262 字符。
Knowledge/、Migrations/ 与 scripts/
三个辅助工作区：一个知识库，它唯一的界面页就有 112 KB；18 个迁移源文件与旁边 14 个测试文件，分别 152 KB 与 136 KB；13 个顶层脚本，加上 scripts/internal 下的 31 个，管着开发启动、打包与发版管道。
.github/
六个工作流加一个 CODEOWNERS：50.5 KB 的 draft release 工作流、Linux CLI 安装器、Windows 记忆校验、记忆发布任务，以及云效到 GitHub 的同步；旁边是 17 个 release note 文件，从 455 字节到 4.7 KB。

取舍，以及它替代了什么

  • 用本地的一个服务当记忆存储 替代 每个 agent 各存一份记忆

    文档明说 Hook、插件、memmy-memory CLI 与桌面端读写的都是 127.0.0.1:18960 这同一个服务，而这正是不同 agent 能共享一份记忆的原因。它同时也让服务能从所有接入里拆出来：install --service-only 只注册服务并校验它的健康，不往任何 agent 里装 Skill 或适配器。

  • 装记忆服务时不去配置它发现的那些 agent 替代 在安装阶段就把检测到的 agent 全部接上

    README 写明安装器初始化记忆时不会改动 Codex、Claude Code、Cursor 或其他 agent，装 Skill 与对应钩子/插件是一个单独的显式命令，要么对所有检测到的 agent、要么对指定的一个。于是记忆核心可以独立使用，侵入性的那一半是自愿开启的。

  • 按测得的收益晋升的分层记忆，连归档阈值都是负数 替代 一份不分层的过往回合堆栈

    L1 轨迹要在收益过 0.02 之后才成为 L2 策略，低于 -0.05 就被归档；L2 聚成 L3 场域认知后，置信度到 0.2 才允许被召回；技能在 eta 到 0.1 时从策略里结晶。晋升是阈值而不是编辑动作，降级也有数字，这才是四层不会被塞满的原因。

  • 召回结果被渲染成历史上下文，当前请求始终优先 替代 把召回文本当作指令的一部分

    命中的条目按固定顺序渲染，文档说当前用户请求始终优先，注入的 Markdown 自己也会写明这些只是历史记忆，需要与当前请求和当前仓库状态核对。同一种直觉还把当前会话自己的 L1 排除在召回之外，于是刚发生的回合不会从长期记忆那条路回声式地回来。

  • 机械排序之后的模型过滤，带一个确定性的兜底 替代 让过滤模型单独决定

    最终的语义过滤默认开启，也允许它丢掉全部候选；但输出无效或调用失败时会保留机械排序的前六条，而诊断信息会说明过滤是跑了、跳过了还是回退了。过滤能改善结果，却不至于成为召回的单点故障。

依据docs/en/memory/overview.mdx（17,032 字符）与 docs/en/concepts/architecture.mdx，以及同样两页的中文副本、README.md（9,833 字符）、Memory/src/agent-source/integration/ 与 Memory/adapters/ 两棵树、Memory/readme.md，还有完整的 2,439 个文件清单及其体积与两级目录汇总。

制作过程

6 个阶段
  1. 01

    一个本地存储、十个宿主，十一周二十个版本

    仓库建于 2026-07-16，第一次提交在 2026-07-17：memmy-agent: Let every AI remember the same you。同一天就发了 v1.0.1，到 2026-09-30 版本线走到 v1.2.0——十一周二十个版本，最长的一段安静是 2026-08-26 的 v1.1.1 到 2026-09-04 的 v1.1.2 之间那九天。提交曲线是七月剩下的日子里 240 次、八月 450 次、九月 589 次，76 天共 1,279 次。周围是 2,000 个星、194 个 fork、5 个 watcher、37 个未关的 issue 与 25 位贡献者，README 上还挂着一枚 Product Hunt 日榜 top-post 徽章。项目给自己立的主张写在仓库描述里——用它的原话说，是「all AI remember the same you」——而实现方式是一个服务而不是每个工具一份存储：地址是 http://127.0.0.1:18960，数据在 ~/.memmy/memory-service/memory.sqlite，文档明说 Hook、插件、memmy-memory CLI 与桌面端最终都读写这一个服务，这正是不同 Agent 能共享同一套记忆的原因。

  2. 02

    接进一个宿主有三条路，因为两个宿主没有一处是一样的

    记忆中枢只有能进出别的工具才有用，而这个仓库给出了三条彼此不同的路。第一条是按宿主安装的目标：Memory/src/agent-source/integration/ 下每个宿主一个目录——claude-code 13.6 KB、codex 12.4 KB 外加 9.6 KB 的 hook-trust.ts、cursor 9.0 KB、deepseek-harness 7.9 KB、opencode 7.5 KB，而 hermes 到 78.8 KB、openclaw 到 64.3 KB，pi 与 qwenwork 都不到 600 字节——旁边还有负责生成写入内容的模板：43.8 KB 的恢复钩子、39.0 KB 的 OpenCode 插件与 25.2 KB 的 DeepSeek Harness 插件。第二条是宿主自己格式的插件：Memory/adapters/openclaw/openclaw.plugin.json、给 DeepSeek Harness 的 Cordis patch 文件，以及给 Hermes 的 Python memmy_provider 包。第三条只读：每个宿主一个适配器，去扫那个工具本来就留在磁盘上的会话文件。它们之间有多不统一，看那些适配器就知道——Cursor 的工作区状态是一个 SQLite 文件，Codex 留的是 rollout，OpenClaw 与 OpenCode 各有自己的数据库，而 DeepSeek Harness 写的是压缩过的 session.jsonl.zstd。

  3. 03

    「完全可控」与「本地优先」在代码里是什么样

    这个服务可以不碰任何 agent 就装上：memmy-memory install --service-only 会下载钉住版本的运行时、注册一个用户级服务、把它启动起来并检查 /api/v1/health，README 说这一整套都不往任何 agent 里装 Skill 或适配器。Linux 安装脚本只把记忆初始化好，Codex、Claude Code、Cursor 与其余工具都原样不动，直到用户自己跑 memmy-memory init，或者 memmy-memory init --agent <agent>。两个开关可以分别关掉记忆的读与写——enableMemorySearch 与 enableMemoryAdd——文档还特意说明二者互不强制。配置是一个文件 ~/.memmy/config.yaml，召回、演化与模型参数可以用 memmy-memory reload-config 热加载；改存储则返回 requiresRestart: true，而不是假装已经生效。想查这台机器到底知道什么，入口很小也能看清：memmy-memory search "..." --verbose 会打印各通道汇总出的原始候选、融合与阈值之后剩下的命中、真正渲染进 agent 上下文的那些记忆，以及模型过滤是跑成功了、被跳过还是回退了。

  4. 04

    四个层、六条通道，以及「一段对话」的两小时定义

    记忆是分层的，而每一层之间的晋升都挂着一个数字。turn.complete 写一条原始回合，并给每个被捕获的步骤写一条 L1 轨迹，文本最多留 4,000 字符、每个工具输出最多 2,000；连续的追问合并成同一个 episode，最大间隔两小时；episode 关闭后服务先给反思打分，等一个 30 秒的反馈窗口，算出任务奖励，再以 0.9 的 gamma 与 30 天的衰减半衰期把它反向传播回这个 episode 的轨迹。价值高于 0.005、相似度到 0.65 的 L1 在收益过 0.02 时成为 L2 策略，低于 -0.05 则被归档；相似度 0.3 的 L2 聚成 L3 场域认知，要被召回还得达到 0.2 的置信度；技能在 eta 到 0.1 时从策略里结晶。召回有四类通道——向量、SQLite FTS5、专为中文二字片段与短 ASCII 词做的短模式通道、以及匹配错误签名与路径的结构化片段——分三档、规模是 3、5、2，这也正是默认十条结果的由来；之后是 0.7 相关度对 0.3 冗余度的 MMR，再是可选的模型过滤，最多留八条，失败时回退到六条。向量检索只在最近 2,000 行里建窗口，文档明说这个数字是固定常量，不是配置项。

  5. 05

    把边界写进 pull request 的发版流程

    对一个这么年轻的项目来说，发版流程写得异常明确。活儿先进版本分支，而切版本的 pull request 会写明它不做什么：九月的一个 v1.1.9 候选里有一节叫「Release boundaries」——只开 draft pull request、不推版本 tag、不发 GitHub Release、不上传安装包。有两个候选在一天之内就被作废并取代，其中一个的原因是它指向版本分支而不是 main。v1.2.0 的合并 pull request 上挂着三条评审交接标记，每条都是带哈希与时间戳的 HTML 注释，并注明只有严格在该时间戳之后提交的评审才算数。任务系统不是 GitHub：需求以 MEMMY-491、MEMMY-487、MEMMY-607、MEMMY-623 这样的编号到达，pull request 里把它们写成云效上的任务，再由一条以云效命名的工作流同步到 GitHub，于是需求记在一处、代码落在另一处。Release notes 就放在仓库里，而且随着节奏加快越来越短——九月初 v1.1.2 有 4,731 字符，到 v1.1.8 只剩 455、v1.2.0 是 695——其中一个候选 PR 顺手修了两条过期的回归断言：根版本已经到 1.1.8，后端测试却还钉着 1.1.7。

  6. 06

    一份编号的 bug 清单、合成样例，以及这些修复的代价

    多数贡献者来自组织之外，他们照着一份编号的已知问题清单干活；这些 pull request 会引用其中的第 2 条、第 5 条、第 39 条与第 60 条，而这些修复大多还开着、没合入。埋点曾经把查询词、记忆正文与记忆 ID 当作「action」发到云端统计接口，而这个项目装进 agent 的 Skill 教的正是这几种命令写法，修完只上报已知的子命令，否则什么也不报。关闭会话时，只有当返回结果里恰好带着一个被关掉的 episode，后台 worker 才会被唤醒，于是刚冻结的 L3 任务一直躺着——那条 pull request 把这个等待量了出来：2 分 41 秒——修法换成一行无条件的调用。read_file 把末尾换行当成多出来的一行，apply_patch 却不这么算，于是一个模型去改只有一行的文件时写出了打不上的补丁。回合捕获原本排除所有被关系模型判为「结束话题」的回合，只要用户把反馈和告别放在同一句里，反馈就一起被丢掉；现在只排除纯粹一句结束口令。这些 pull request 里的样例都是合成的，作者自己会写明；测到哪儿停下也照说——那个把订阅套餐加进 provider 的改动，还没用真实套餐 key 调过一次。还有一份把托管命名空间放到本地中枢背后的提议，以第 547 号 issue 提交，至今没有回复。

相关档案

全部档案 →

第 091 号

Lody

一个让团队共用他们本来就在跑的编码 agent 的工作台：连上一台机器，把 Claude Code、Codex、Kimi 或任何其他说同一套协议的 agent 接进来，然后从桌面端、手机、网页或终端派活；会话之间可以互相派活，而代码始终留在机器主人自己连上来的那台机器上。

第 086 号

agentacct

读你那些编码 agent 本来就会写下的会话文件，把 agent 通过 MCP 和钩子自报的活儿记下来，用一份公开价目表给 token 估价，然后全放进一个不出本机的本地面板里——而且始终把「agent 说自己做完了」和「有检查证明它做完了」当成两件事。

第 109 号

Whiteboard

一个桌面应用，让 agent 和人共用同一块画布。agent 把审查画出来——时序图、实体关系图、钉在某次提交上的代码引用——而画布上的每个形状都能跳回它被画出来时所指的那段代码。