AI 编程 Agent 有个通病：每次开新会话就像失忆一样，昨天刚学的项目规范今天又忘光了。
agentmemory 解决的就是这个问题。它在 GitHub 上这周一周涨了 8000 多 star，总 star 数突破 14k，是目前 Agent 记忆工具里跑最快的。
它做了什么
简单来说，agentmemory 给 Agent 加了一个"长期记忆"层。它不是简单地把对话历史存起来——那种方案早有人做了——而是在 Agent 的工作流中嵌入了一套持久化的知识管理系统。
Agent 可以在会话中保存关键信息：项目规范、常用命令、踩过的坑、决策记录。下次开新会话时，这些信息自动加载，不需要你重新解释。
为什么涨这么快
这项目火得不意外，因为它踩中了一个真实痛点。用 Claude Code 或 Codex 的人都有过这种体验：你花了一个小时告诉 Agent "我们项目用的是 X 框架、Y 规范、Z 约定"，第二天再来，Agent 又从头问起。
agentmemory 的价值在于它把"教 Agent"这件事从一次性变成了积累性的。你教一次，它记住，以后每次都会用。
更关键的是，它支持多个 Agent 平台：
- Claude Code（有 .claude-plugin 支持）
- Codex（有 .codex-plugin 支持）
- 通过 MCP 协议，理论上任何支持 MCP 的 Agent 都能用
技术实现
看了下仓库结构，项目用 TypeScript 写的，374 个 commit，最新版本 v0.9.21，9 小时前刚发。活跃度非常高。
核心组件：
- memory store：支持本地文件系统，也支持远程部署（文档里提到了 Coolify 部署方案）
- benchmark 工具：带了一个 load-100k 的测试 harness，能测 p50/p90/p99 延迟
- plugin 系统：为不同 Agent 平台提供专用插件，开箱即用
项目还维护了一套完整的 benchmark，这在记忆类工具里很少见。大多数同类产品只吹功能，不测性能。
实际场景
我设想了几个用得上的场景：
团队项目交接。新成员加入后，Agent 已经有老成员积累的项目知识，不需要从零 onboard。
个人工作流。你常用的代码风格、测试规范、部署流程存进去，每次开 Agent 自动生效。
跨会话复杂任务。今天做需求分析，明天写代码，后天修 bug——Agent 记住整个上下文。
需要注意的
14k star 不代表 14k 人在用。issue 区 70 个 open issue，72 个 PR，说明社区确实在活跃参与，但也意味着项目还在快速迭代中，API 可能不稳定。
另外，记忆质量取决于你存什么。如果存了一堆低质量信息，Agent 反而会被带偏。这和 Prompt Engineering 一个道理：garbage in, garbage out。
我已经在本地装了一个，挂在 Claude Code 上。跑了两天，目前感觉是：记忆检索的速度还不错，但在大项目里，信息量上去之后的相关性排序是个待观察的问题。
主要来源：
- agentmemory GitHub
- GitHub Trending（本周 Python 类目）