Каждый раз, когда открываешь Claude Code, приходится заново объяснять архитектуру проекта. Каждое исправление бага требует重新建立 контекста. CLAUDE.md ограничен 200 строками и устаревает, как только перестаёшь его поддерживать.
Это общая боль каждого пользователя AI-кодирующих агентов. AgentMemory существует, чтобы это решить.
Что он делает
Подход AgentMemory: тихо захватывать контент сессий вашего агента, сжимать его в searchable-память и автоматически инжектировать правильный контекст при старте следующей сессии.
Не простое хранение логов чата. Он расширяет паттерн LLM Wiki Карпати с помощью оценки уверенности, управления жизненным циклом, графов знаний и гибридного поиска. Сессия 1: вы настроили JWT-аутентификацию. Сессия 2: вы спрашиваете о rate limiting — агент уже знает, что вы используете jose middleware, ваши тесты покрывают валидацию токенов, и вы выбрали jose вместо jsonwebtoken ради совместимости с Edge.
Не нужно объяснять заново. Не нужно копировать-вставлять. Агент просто знает.
Моё мнение
AgentMemory решает реальную, широко обсуждаемую проблему. Но есть нюансы:
- Бенчмарки запущены на внутреннем корпусе — сторонняя верификация пока слабая. Насколько эти 0.578 P@5 держатся в реальных проектах, нужно больше полевых данных.
- Качество сжатия памяти зависит от стратегии сжатия. Слишком агрессивно — теряется ключевой контекст; слишком консервативно — возвращаемся к старой проблеме wasted токенов.
Если вы используете несколько AI-кодирующих агентов, ценность AgentMemory мультиплицируется. Пользователям одного агента встроенные файлы памяти (CLAUDE.md, .cursorrules) плюс ручное обслуживание могут быть проще.
Стоит следить. Следующее, на что обратить внимание: результаты сторонних бенчмарков и прозрачность стратегии сжатия памяти.
Основные источники: