Проблема: агент забыл всё, что вы ему говорили

Вы час объясняете Claude Code архитектуру проекта, обсуждаете неудачные подходы и открытые вопросы — а потом сессия заканчивается. Открываете OpenAI Codex и начинаете с нуля. Именно эту боль решает ai-memory — open-source инструмент от разработчика akitaonrails, который даёт AI-агентам кода общую долговременную память, сохраняющуюся между сессиями и даже между разными инструментами.

Ключевая идея — дать Claude Code, Codex, OpenCode и другим агентам общий «мозг», который живёт между сессиями: git-версионированная вики с FTS-поиском (полнотекстовый поиск), кросс-агентный handoff и опциональная LLM-консолидация.

Quit Claude Code mid-task, start OpenAI Codex in the same directory, continue without re-explaining the architecture, the failed approaches, or the open questions.

Как это работает

Проект написан на Rust с хранилищем на основе Markdown и SQLite/FTS5, поддерживает автоматический захват сессий и handoff между агентами. Когда сессия завершается, инструмент собирает наблюдения из lifecycle-хуков (перехватчиков событий жизненного цикла) в связную сводку. Следующий агент — независимо от того, Claude Code это или Gemini CLI — получает компактный «handoff» с тем, что было сделано, что не сработало и что ещё предстоит.

ℹ Что такое MCP?
MCP (Model Context Protocol) — открытый протокол, позволяющий внешним инструментам передавать контекст в AI-агенты. ai-memory использует его для интеграции со всеми поддерживаемыми клиентами.

Каждый проект изолирован и работает локально или на собственном сервере — без отправки вашего контекста в чужое облако.

Схема работы


graph LR
    A[Claude Code\nСессия 1] -->|lifecycle hooks| B[ai-memory server]
    B -->|запись в wiki + SQLite| C[(Shared Memory)]
    C -->|handoff сводка| D[Codex\nСессия 2]
    D -->|lifecycle hooks| B
    C -->|handoff сводка| E[Gemini CLI\nСессия 3]

Поддерживаемые платформы и агенты

Проект охватывает внушительный список инструментов. По состоянию на 20 июля 2026 года проект достиг версии 1.17.1, а после первой публикации вышло 31 релиз, было принято 55 pull request’ов и закрыто 46 задач.

Агент / КлиентУровень поддержкиОсобенности
Claude Code✅ ПолнаяMCP + lifecycle hooks, per-session isolation
OpenAI Codex✅ ПолнаяMCP + hooks; ручной finalize-session
Gemini CLI✅ ПолнаяMCP + lifecycle hooks
Cursor✅ ПолнаяMCP + lifecycle hooks
VS Code Copilot🔶 MCP-onlyНет lifecycle hooks
Devin CLI✅ ПолнаяPostCompaction event, hookSpecificOutput
OpenCode✅ ПолнаяRemote MCP + TypeScript-плагин
Zed🔶 MCP-onlycontext_servers в settings.json
Claude Desktop🔶 MCP-onlyчерез mcp-remote
Native Windows🧪 Экспериментальноai-memory.exe, Docker Desktop

Операционные системы

ОССтатусФормат поставки
Linux✅ ПоддерживаетсяDocker (amd64/arm64), AUR-пакеты
macOS✅ ПоддерживаетсяНативные бинари для aarch64 и x86_64
Windows (WSL2)✅ ПоддерживаетсяLinux-путь внутри WSL2
Windows (нативный)🧪 Экспериментально.exe + PowerShell/Git Bash

Провайдеры LLM и эмбеддингов

ai-memory поддерживает несколько провайдеров для консолидации памяти и семантического поиска:

LLM-провайдеры: Anthropic, OpenAI, GitHub Copilot, Google Gemini, OpenAI-совместимые endpoint’ы, OIDC device auth.

Провайдеры эмбеддингов (для векторного поиска): OpenAI, Voyage, Google Gemini, а также локальные решения — Ollama, LM Studio, vLLM — без необходимости платить за API.

💡 Zero-LLM режим
Если не хотите платить за API, можно запустить ai-memory вообще без LLM-провайдера: FTS5-поиск (полнотекстовый) работает и без ключей. Укажите только EMBEDDING_PROVIDER для семантики — или обойдитесь без него.

Быстрый старт

Установка через Docker занимает три шага:

# 1. Установить CLI-обёртку
mkdir -p ~/.local/bin
curl -fsSL https://raw.githubusercontent.com/akitaonrails/ai-memory/main/bin/ai-memory \
  -o ~/.local/bin/ai-memory
chmod +x ~/.local/bin/ai-memory

# 2. Запустить сервер (loopback, только локально)
docker run -d --name ai-memory \
  --restart unless-stopped \
  -p 127.0.0.1:49374:49374 \
  -v ai-memory-data:/data \
  -e AI_MEMORY_LLM_PROVIDER=anthropic \
  -e ANTHROPIC_API_KEY=sk-ant-... \
  akitaonrails/ai-memory:latest

# 3. Подключить агента (пример для Claude Code)
ai-memory install-mcp --client claude-code --apply
ai-memory install-hooks --agent claude-code --apply
⚠ Безопасность
По умолчанию сервер привязан только к loopback (127.0.0.1:49374) — извне он недоступен. Если нужен LAN-доступ, обязательно задайте AI_MEMORY_AUTH_TOKEN и измените bind на 0.0.0.0.

Контекст и значение для отрасли

Context rot — постепенная деградация качества ответов AI-модели по мере заполнения её контекстного окна — это фундаментальная проблема: каждая большая языковая модель работает с фиксированным количеством текста, которое она может «видеть» одновременно.

На практике разработчики используют Claude для проектирования, Cursor для кодинга, Copilot для быстрых правок, а иногда несколько моделей внутри одного инструмента — но ни один из этих инструментов не знает, что вы говорили другим.

Цель ai-memory — дать возможность менять «движок» без потери всего накопленного контекста: программист должен оставаться независимым от прихотей провайдера.

За 24 дня после первого релиза участники превратили ai-memory из личного MVP в кросс-платформенную многопользовательскую систему. Это один из наиболее комплексных open-source ответов на проблему памяти агентов кода, которую индустрия только начинает по-настоящему осознавать.

Репозиторий: github.com/akitaonrails/ai-memory