Каждый раз, когда вы открываете Claude Code для начала нового сеанса, первая фраза, которую он произносит о вашем проекте, звучит так: «Дайте мне сначала изучить структуру репозитория».
Во второй, третий и сотый раз всё повторяется.
Это не глупость агента, а следствие архитектурного решения. Современные AI-агенты для программирования по своей природе не сохраняют состояние — каждый сеанс начинается с чистого листа, без какой-либо памяти между сеансами. История вашего проекта, прошлые решения и уже известные ошибки агенту совершенно неизвестны.
AgentMemory стремится изменить эту ситуацию.
Что он делает
AgentMemory позиционируется как слой постоянной памяти, разработанный специально для AI-агентов программирования. Его основная концепция заключается в следующем:
- Память между сеансами: позволяет агенту запоминать содержание предыдущего сеанса, внесённые изменения и возникшие проблемы
- Накопление знаний на уровне проекта: по мере использования агент будет всё лучше понимать ваш стиль написания кода и структуру проекта
- Оптимизация на основе бенчмарков: в README проекта указано «based on real-world benchmarks», что означает, что его стратегия памяти разработана не на пустом месте, а проверена на реальных тестах
15 640 звёзд, прирост за неделю — 7 976. Эта цифра подтверждает, что «амнезия агентов» действительно является широко известной и острой проблемой.
Почему это реальная проблема
Отсутствие сохранения состояния у AI-агентов для программирования в повседневной работе вызывает несколько конкретных проблем:
Повторная работа. Каждый новый сеанс требует заново анализировать структуру проекта. Для проектов среднего и крупного размера этот процесс может занимать от 10 до 30 вызовов инструментов и несколько минут ожидания.
Потеря решений. На прошлой неделе вы поручили агенту выбрать определённую архитектурную схему, а на этой неделе он предлагает совершенно противоположный вариант. Всё потому, что его память ограничена контекстным окном текущего сеанса.
Забывание предпочтений. Вы говорили ему: «используй TypeScript без any», «предпочитай функциональный стиль», «покрытие тестами должно быть выше 80%» — но в следующем сеансе вся эта информация исчезает.
AgentMemory пытается создать внешний, постоянный слой хранения знаний, который позволит агенту сохранять непрерывность между разными сеансами.
Состояние проекта
Взглянем на данные:
- 15 640 звёзд, прирост за неделю около 8 000
- Мейнтейнер rohitg00 имеет активную историю участия в open-source проектах
- Среди контрибьюторов сообщества есть Tanmay-008, honor2030 и другие
- В проекте указано «based on real-world benchmarks»
Однако есть один важный нюанс: это относительно молодой проект. По сравнению с OpenHuman (2 180 коммитов) и CodeGraph (287 коммитов), историю коммитов и количество issue у AgentMemory мне не удалось проверить напрямую (страница не загрузилась из-за тайм-аута). Перед принятием решения об использовании рекомендуется зайти на GitHub и самостоятельно оценить частоту коммитов и скорость реакции на issue.
Сценарии использования
Индивидуальные разработчики. Если вы ежедневно используете AI-агента для написания кода, слой памяти AgentMemory может значительно снизить затраты на «холодный старт» при каждом новом сеансе.
Командная работа. Если несколько разработчиков используют один экземпляр агента, слой памяти сделает переключение контекста между разными участниками более плавным. Разумеется, это затрагивает вопросы конфиденциальности и управления доступом, которые требуют тщательной оценки.
Долгосрочные проекты. Чем сложнее проект и длиннее цикл разработки, тем выше ценность памяти между сеансами. Потребности в памяти для проекта на две недели и на два года несопоставимы по масштабу.
В каких сценариях я бы его использовал
Мой основной сценарий — поддержка многоязычного контент-сайта на Astro, содержащего более 5 000 статей и соответствующие скрипты сборки. Каждый раз, когда я прошу агента помочь с отладкой сборки или оптимизацией маршрутизации, ему приходится заново «изучать» структуру проекта. Если AgentMemory сможет запомнить базовую архитектуру проекта и типичные пути отладки, это сэкономит массу времени.
Однако сначала я проведу небольшой тест: запущу его на одном проекте в течение недели и сравню количество вызовов инструментов и время отклика при наличии слоя памяти и без него.
Основной источник: GitHub - rohitg00/agentmemory