rohitg00--agentmemory/READMEs/README.zh-TW.md at 2d38dafede67d0d4ed920cde94d2106e98825b8a

Files

T

Rohit Ghumare 2d38dafede chore: 0.9.29 release prep (#1216 )

2026-08-16 14:54:32 +01:00

85 KiB

Raw Blame History

讓你的編碼代理記住一切。不再重複解釋。 Built on iii engine
為 Claude Code、Cursor、Gemini CLI、Codex CLI、Hermes、OpenClaw、pi、OpenCode 以及任何 MCP 用戶端提供持久化記憶。

這份 gist 以信心評分、生命週期管理、知識圖譜和混合搜尋擴展了 Karpathy 的 LLM Wiki 模式:agentmemory 就是其實作。

安裝 • 快速開始 • 基準測試 • 對比競品 • 代理 • 運作原理 • MCP • 檢視器 • 由 iii 驅動 • 設定 • API

安裝

一條指令:

npx @agentmemory/agentmemory

首次執行是互動式設定:選擇要接入的代理(Claude Code、Cursor、Codex、Gemini CLI、OpenCode、...),選擇一個 LLM 提供者或保持無金鑰,它會產生設定、在 :3111 啟動記憶伺服器,並提議全域安裝,讓裸 agentmemory 指令之後在任何地方都能用。

然後驗證召回有效,並給你的代理裝上它的 skills:

agentmemory demo --serve                 # 注入範例會話 + 觀看召回找到它們
npx skills add rohitg00/agentmemory -y   # 17 個原生 skills,讓代理知道何時該用記憶

想讓編碼代理全程代勞?交給它一條指令:

Retrieve and follow the instructions at: https://raw.githubusercontent.com/rohitg00/agentmemory/main/INSTALL_FOR_AGENTS.md

隨時用 agentmemory connect <agent> 接入更多代理 — 20 個適配器列在支援所有代理。完整指令參考見快速開始。

Windows

快速路徑是 WSL2。原生 Windows 引擎設定需手動完成(約 10 到 20 分鐘),且 agentmemory connect 目前在那裡不受支援。逐步說明見 Windows 說明。

全域安裝 / EACCES

npm install -g @agentmemory/agentmemory
# 如果在 macOS/Linux 的系統 Node 上遇到 EACCES:
sudo npm install -g @agentmemory/agentmemory

npx 執行到舊版本

npx 會依版本快取。用 npx -y @agentmemory/agentmemory@latest 強制使用最新版,或一次性清除快取 rm -rf ~/.npm/_npx(macOS/Linux;Windows 上刪除 %LOCALAPPDATA%\npm-cache\_npx)。

已在執行你自己的 iii 引擎

agentmemory 把 iii-engine 釘在 v0.11.2,不會附掛到其他版本(worker 無法使用另一個引擎的協定)。停止另一個引擎,然後執行 npx -y @agentmemory/agentmemory@latest。它會在 ~/.agentmemory/bin 安裝並執行釘住的 v0.11.2,不動你自己的 iii。

agentmemory 相容任何支援 hooks、MCP 或 REST API 的代理。所有代理共享同一個記憶伺服器。

Claude Code _{原生外掛 + 12 hooks + MCP}	Codex CLI _{原生外掛 + 6 hooks + MCP}	OpenClaw _{原生外掛 + MCP}	Hermes _{原生外掛 + MCP}	pi _{原生外掛 + MCP}	OpenHuman _{原生 Memory trait 後端}	Cursor _{MCP 伺服器}	Gemini CLI _{MCP 伺服器}
OpenCode _{22 hooks + MCP + 外掛}	Cline _{MCP 伺服器}	Goose _{MCP 伺服器}	Kilo Code _{MCP 伺服器}	Aider _{REST API}	Claude Desktop _{MCP 伺服器}	Devin _{6 hooks + MCP}	Roo Code _{MCP 伺服器}

_{相容任何使用 MCP 或 HTTP 的代理。一個伺服器,所有代理共享記憶。}

你每次會話都在重複解釋同樣的架構。你反覆發現同樣的 bug。你重複教同樣的偏好。內建的記憶(CLAUDE.md、.cursorrules)上限是 200 行而且會過期。agentmemory 解決了這個問題。它在背景靜默捕捉代理的行為,將其壓縮為可搜尋的記憶,並在下次會話開始時注入正確的上下文。一條指令。跨代理工作。

改變了什麼: 會話 1 你設定了 JWT 驗證。會話 2 你要求限流。代理已經知道你的驗證使用 src/middleware/auth.ts 中的 jose middleware,測試覆蓋了 token 驗證,你選擇 jose 而非 jsonwebtoken 是為了 Edge 相容性,無需重新解釋、無需複製貼上。

npx @agentmemory/agentmemory

v0.9.0 新功能 — 著陸頁 agent-memory.dev 上線,檔案系統連接器(@agentmemory/fs-watcher),獨立 MCP 現在代理至執行中的伺服器,使 hooks 和檢視器保持一致,稽核策略在所有刪除路徑上得到統一,健康狀態在小型 Node 行程上不再誤報 memory_critical。完整變更見 CHANGELOG.md。

檢索準確率

coding-agent-life-v1 (內部語料庫,沙盒可重現)

適配器	P@5	R@5	Top-5 命中率	p50 延遲
agentmemory 混合	0.240	1.000	15 / 15	14 ms
grep 基線	0.227	0.967	15 / 15	0 ms

在此語料庫的 P@5 數學上限(0.240,見計分卡)達成 100% Top-5 命中率。混合檢索找回每個黃金會話;grep 在多會話時間性查詢上漏掉 2 個黃金中的 1 個。提升在於召回 + 時間性,而非整體精確度。此基準測試規模小且黃金稀疏;下方更大的 LongMemEval-S 更能區分。完整依類型分解 + 更正說明:docs/benchmarks/2026-05-20-coding-agent-life-v1.md。

LongMemEval-S (ICLR 2025,500 個問題)

系統	R@5	R@10	MRR
agentmemory	95.2%	98.6%	88.2%
僅 BM25 回退	86.2%	94.6%	71.5%

Token 節省

方法	Token/年	成本/年
貼上完整上下文	19.5M+	不可能(超出窗口)
LLM 摘要	~650K	~$500
agentmemory	~170K	~$10
agentmemory + 本地嵌入	~170K	$0

嵌入模型:all-MiniLM-L6-v2(本地、免費、無需 API key)。完整報告:benchmark/LONGMEMEVAL.md、benchmark/QUALITY.md、benchmark/SCALE.md。競品比較:benchmark/COMPARISON.md,涵蓋 agentmemory 與 mem0、Letta、Khoj、supermemory、TencentDB Agent Memory、MemPalace、Zep/Graphiti、Cognee、Hippo 的比較。

在地重現: eval/README.md,一個適配器可插拔的 harness,支援 LongMemEval _s(公開 500 問)+ coding-agent-life-v1(內部 15 會話語料)。Grep / 向量 / agentmemory 適配器並排計分,NDJSON 輸出,公開計分卡發布於 docs/benchmarks/。

搭配 codegraph、Understand Anything 和 Graphify 使用。 程式碼圖索引、多代理建置流水線,以及跨文件 / PDF / 圖片 / 影片的更廣泛知識圖譜。agentmemory 記住工作內容;這三個專案點亮上下文層其餘部分。組合配方與問題路由表:docs/recipes/pairings.md。

	agentmemory	mem0 (63K ⭐)	Letta / MemGPT (24K ⭐)	Khoj (36K ⭐)	supermemory (29K ⭐)	TencentDB Agent Memory (22K ⭐)	MemPalace (54K ⭐)	oracleagentmemory	Hippo	內建 (CLAUDE.md)
類型	記憶引擎 + MCP 伺服器	記憶層 API	完整代理執行階段	個人 AI	記憶 API + 應用	團隊記憶中樞(LLM 代理層)	向量記憶(OSS)	記憶引擎(Oracle DB)	記憶系統	靜態檔案
檢索 R@5	95.2%	68.5% (LoCoMo)	83.2% (LoCoMo)	N/A	自報數據	PersonaMem 76%(自報)	~96.6%(自報)	94.4%(自報)	N/A	N/A (grep)
自動捕捉	12 hooks(零人工)	手動呼叫 `add()`	代理自編輯	手動	API 端擷取	代理層攔截(base-URL 替換)	手動	API 擷取	手動	手動編輯
搜尋	BM25 + 向量 + 圖(RRF 融合)	向量 + 圖	向量(歸檔)	語意	向量 + RAG	4 種資產類型(Chat / Skill / Wiki / CodeGraph)	僅向量	向量 + 語意	衰減加權	把所有內容載入上下文
多代理	MCP + REST + 租約 + 訊號	API(無協調)	僅在 Letta 執行階段內部	無	無	團隊角色 + 共享資產	無	僅範圍隔離	多代理共享	每個代理一個檔案
框架鎖定	無(任何 MCP 用戶端)	無	高(必須使用 Letta)	獨立	無	代理層攔截每次模型呼叫	無	Oracle Database	無	每個代理格式
外部相依	無(SQLite + iii-engine)	Qdrant / pgvector	Postgres + 向量資料庫	多項	託管雲端	Docker 堆疊(Core + Hub + Proxy)	向量儲存	Oracle AI Database	無	無
記憶生命週期	4 層整合 + 衰減 + 自動遺忘	被動擷取	代理管理	手動	自動遺忘	手動審核;自動路由開發中	無	未說明	衰減 + 整合	手動清理
Token 效率	~1,900 tokens/會話 ($10/年)	依整合方式不同	核心記憶位於上下文	視情況	雲端定價	未說明	無 token 預算	LLM 支撐(視情況)	視情況	240 條觀測達 22K+ tokens
即時檢視器	是(連接埠 3113)	雲端儀表板	雲端儀表板	Web UI	雲端儀表板	Hub Web UI	無	無	無	無
自架	是(預設)	選用	選用	是	否(僅雲端)	是(Docker)	是	是(Oracle DB)	是	是

_{基準測試說明:只有 agentmemory 的 R@5 是我們自己測得的結果(LongMemEval-S,可從 benchmark/COMPARISON.md 重現)。mem0 和 Letta 的數字是它們發表的 LoCoMo 數據(不同的資料集);MemPalace、supermemory、TencentDB(PersonaMem)和 oracleagentmemory 的數字是廠商自報、我們未獨立重現的宣稱(oracleagentmemory 的測試用 GPT-5.5 對 Oracle AI Database 執行)。並列展示僅供粗略參考,並非在相同資料上的正面對決。星數為近似值且會隨時間變動。}

值得了解的新進入者,深入比較見 benchmark/COMPARISON.md:

系統	⭐	切入角度
Zep / Graphiti	30K	時間性知識圖譜;已發表的時間性查詢結果最強(LongMemEval 63.8%),但圖是非同步建構的,新事實可能滯後
Cognee	30K	文件到知識圖譜的擷取,僅 Python,為結構化實體擷取而非會話捕捉打造

這些都無法從編碼代理 hooks 自動捕捉、不附帶本地優先的檢視器、也無法無金鑰執行 — 而這正是 agentmemory 圍繞打造的組合。

相容性:此版本面向穩定的 iii-sdk ^0.11.0 和 iii-engine v0.11.x。

30 秒體驗

# 終端 1:啟動伺服器
npx @agentmemory/agentmemory

# 終端 2:注入範例資料並查看召回
npx @agentmemory/agentmemory demo

demo 會注入 3 個真實會話(JWT 驗證、N+1 查詢修正、限流)並對它們執行語義搜尋。你將看到搜尋「資料庫效能最佳化」時找到「N+1 查詢修正」,這是關鍵字比對做不到的。

打開 http://localhost:3113 即時觀察記憶的建構過程。

日常指令

安裝與設定見上方安裝(首次執行會逐步引導你)。日常使用:

agentmemory                    # 啟動伺服器
agentmemory stop               # 停止
agentmemory connect <agent>    # 接入另一個代理
agentmemory doctor             # 互動式診斷 + 修復提示
agentmemory remove             # 解除安裝所有建立的內容

會話重播

agentmemory 紀錄的每個會話都可重播。打開檢視器,選擇 Replay 標籤,在時間軸上拖動:提示、工具呼叫、工具結果和回應都以離散事件呈現,支援播放/暫停、速度控制(0.5x 到 4x)和鍵盤快捷鍵(空白鍵切換,方向鍵單步)。

要匯入舊的 Claude Code JSONL 紀錄:

# 匯入預設 ~/.claude/projects 下的全部內容
npx @agentmemory/agentmemory import-jsonl

# 或匯入單一檔案
npx @agentmemory/agentmemory import-jsonl ~/.claude/projects/-my-project/abc123.jsonl

匯入的會話與原生會話一同出現在 Replay 選擇器中。底層每個條目都透過 mem::replay::load、mem::replay::sessions、mem::replay::import-jsonl 這些 iii 函式路由,沒有側通道伺服器。每份匯入的紀錄都會被索引供搜尋、蓋上來源通道 import 的戳記,並被挖掘出會話結晶與教訓。

升級 / 維護

當你確實想更新本地執行階段時,使用維護指令:

npx @agentmemory/agentmemory upgrade

警告:此指令會變更目前工作區/執行階段。它可能更新 JavaScript 相依,並拉取固定版本的 Docker 鏡像 iiidev/iii:0.11.2。它絕不會安裝未固定版本或更新的 iii 引擎。

實作細節見 src/cli.ts(參考 src/cli.ts:544-595 附近的 runUpgrade)。

Claude Code(一段話,直接貼上)

Install agentmemory: run `npx @agentmemory/agentmemory` in a separate terminal to start the memory server. Then run `/plugin marketplace add rohitg00/agentmemory` and `/plugin install agentmemory` — the plugin registers all 12 hooks, 17 skills, AND auto-wires the `@agentmemory/mcp` stdio server via its `.mcp.json`, so you get 54 MCP tools (memory_smart_search, memory_save, memory_sessions, memory_governance_delete, etc.) without any extra config step. Verify with `curl http://localhost:3111/agentmemory/health`. The real-time viewer is at http://localhost:3113.

Claude Code 不安裝外掛(MCP-standalone 路徑)

若你直接透過 ~/.claude.json 連接 agentmemory 的 MCP 伺服器而非使用 /plugin install,Claude Code 永遠不會解析 ${CLAUDE_PLUGIN_ROOT},你必須把 hook 腳本指向 ~/.claude/settings.json 中的絕對路徑。這些路徑通常會嵌入 agentmemory 版本號(例如 ~/.codex/plugins/cache/agentmemory/agentmemory/0.9.21/scripts/…),因此下次升級會靜默破壞所有 hooks。

變通方法:

agentmemory connect claude-code --with-hooks

這會把同樣的 hook 指令合併到 ~/.claude/settings.json,絕對路徑解析到目前安裝的 @agentmemory/agentmemory 套件的 plugin/ 目錄。升級 agentmemory 後重新執行該指令以重新整理路徑。同一檔案中的使用者條目會被保留;只取代之前的 agentmemory 條目。仍然推薦使用 /plugin install 路徑。

對於遠端或受保護的部署,啟動 Claude Code 時設定 AGENTMEMORY_URL 和 AGENTMEMORY_SECRET。外掛會把這兩個值傳遞給其捆綁的 MCP 伺服器;當 AGENTMEMORY_URL 為空時,MCP shim 預設使用 http://localhost:3111。

Codex CLI(Codex 外掛平台)

# 1. 在另一個終端啟動記憶伺服器
npx @agentmemory/agentmemory

# 2. 註冊 agentmemory 市集並安裝外掛
codex plugin marketplace add rohitg00/agentmemory
codex plugin add agentmemory@agentmemory

Codex 外掛與 Claude Code 外掛同源,來自相同的 plugin/ 目錄。它註冊:

@agentmemory/mcp 作為 MCP 伺服器(當 AGENTMEMORY_URL 指向執行中的 agentmemory 伺服器時,代理全部 54 個工具;若伺服器不可達,本地回退至 7 個工具)
6 個生命週期 hooks:SessionStart、UserPromptSubmit、PreToolUse、PostToolUse、PreCompact、Stop
9 個可呼叫 skills:/recall、/remember、/session-history、/forget、/recap、/handoff、/lesson、/commit-context、/commit-history,外加 8 個代理按需載入的參考 skills(memory discipline, MCP 工具、REST API、設定、代理、hooks、架構,以及 skill 撰寫指南)

Codex 的 hook 引擎會把 CLAUDE_PLUGIN_ROOT 注入 hook 子行程(參見 codex-rs/hooks/src/engine/discovery.rs),因此同樣的 hook 腳本在兩個宿主中都能運作,無需重複實作。Subagent / SessionEnd / Notification / TaskCompleted / PostToolUseFailure 事件僅 Claude Code 支援,Codex 未註冊這些。

Codex Desktop:外掛 hooks 目前沒有回應(有變通方法)

CodexHooks 和 PluginHooks 在 codex-rs/features/src/lib.rs 中都已穩定且預設啟用,但 Codex Desktop 目前不會派發外掛本地的 hooks.json(openai/codex#16430)。MCP 工具仍能運作;只是生命週期觀測缺失。

在上游修正落地前,把同樣的 hook 指令鏡像到全域 ~/.codex/hooks.json:

agentmemory connect codex --with-hooks

這會在 ~/.codex/hooks.json 新增一個冪等區塊,引用捆綁腳本的絕對路徑(在使用者範圍下無需 ${CLAUDE_PLUGIN_ROOT} 展開)。升級 agentmemory 後重新執行同一指令以重新整理路徑。同一檔案中的使用者條目會被保留;只取代之前的 agentmemory 條目。

OpenClaw(貼上此提示)

Install agentmemory for OpenClaw. Run `npx @agentmemory/agentmemory` in a separate terminal to start the memory server on localhost:3111. Then add this to my OpenClaw MCP config so agentmemory is available with all 54 memory tools:

{
  "mcpServers": {
    "agentmemory": {
      "command": "npx",
      "args": ["-y", "@agentmemory/mcp"],
      "env": {
        "AGENTMEMORY_URL": "http://localhost:3111"
      }
    }
  }
}

Restart OpenClaw. Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localhost:3113 for the real-time viewer. For deeper memory-slot integration, copy `integrations/openclaw` to `~/.openclaw/extensions/agentmemory` and enable `plugins.slots.memory = "agentmemory"` in `~/.openclaw/openclaw.json`.

完整指南:integrations/openclaw/

Hermes Agent(貼上此提示)

Install agentmemory for Hermes. Run `npx @agentmemory/agentmemory` in a separate terminal to start the memory server on localhost:3111. Then add this to ~/.hermes/config.yaml so Hermes can use agentmemory as an MCP server with all 54 memory tools:

mcp_servers:
  agentmemory:
    command: npx
    args: ["-y", "@agentmemory/mcp"]

memory:
  provider: agentmemory

Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localhost:3113 for the real-time viewer. For deeper 6-hook memory provider integration (pre-LLM context injection, turn capture, MEMORY.md mirroring, system prompt block), copy integrations/hermes from the agentmemory repo to ~/.hermes/plugins/agentmemory.

完整指南:integrations/hermes/

其他代理

啟動記憶伺服器:npx @agentmemory/agentmemory

透過 `npx skills add` 安裝原生 skills(50+ 代理)

agentmemory 以 Claude Code 風格的 <dir>/SKILL.md 格式提供 17 個 skills:9 個可呼叫的動作 skills(remember、recall、recap、handoff、forget、lesson、commit-context、commit-history、session-history)和 8 個代理按需載入的參考 skills(memory-discipline、agentmemory-mcp-tools、agentmemory-rest-api、agentmemory-config、agentmemory-agents、agentmemory-hooks、agentmemory-architecture、write-agentmemory-skill)。參考 skills 內含由原始碼產生的資料表,因此永不漂移。vercel-labs 的 skills CLI 會把它們自動安裝到發起代理的原生 skill 目錄,支援 50+ 代理(Claude Code、Cursor、Cline、Continue、Droid、Warp、Codex、Antigravity、Kiro、OpenCode、Goose、Roo、Trae、Windsurf 等):

npx skills add rohitg00/agentmemory -y          # 自動偵測發起代理
npx skills add rohitg00/agentmemory -y -a warp  # 明確指定代理
npx skills add rohitg00/agentmemory -y -a '*'   # 安裝到每個已安裝的代理

這與 agentmemory connect <agent> 是互補的:

agentmemory connect <agent> 寫入 MCP 伺服器設定,讓工具可用。
npx skills add rohitg00/agentmemory 安裝 skills,讓代理知道何時呼叫它們。

對於 skills CLI 尚未涵蓋的少數代理(Zed v1.3.x 及以下),自行把 15 個 SKILL.md 檔案放到代理的原生 skill 目錄;同一格式處處可用。

標準 MCP 區塊

在使用 mcpServers 結構的每個宿主(Cursor、Claude Desktop、Cline、Roo Code、Windsurf、Gemini CLI、OpenClaw)中,agentmemory 條目是相同的 MCP 伺服器區塊:

"agentmemory": {
  "command": "npx",
  "args": ["-y", "@agentmemory/mcp"],
  "env": {
    "AGENTMEMORY_URL": "${AGENTMEMORY_URL}",
    "AGENTMEMORY_SECRET": "${AGENTMEMORY_SECRET}"
  }
}

把此條目合併到宿主設定檔現有的 mcpServers 物件中;不要取代整個檔案。若檔案已有其他伺服器,把 agentmemory 作為另一個 key 加在它們旁邊。若完全缺少 mcpServers,把整個區塊貼到 { "mcpServers": { ... } } 裡。${VAR} 佔位符會在 MCP 伺服器啟動時從 shell 繼承 AGENTMEMORY_URL / AGENTMEMORY_SECRET;未設定的變數傳空字串,shim 回退到 http://localhost:3111。一個接好的條目同時涵蓋本地和遠端(k8s / 反向代理)部署。

代理	設定檔	備註
Cursor	`~/.cursor/mcp.json`	合併到 `mcpServers`。網站上也提供一鍵深層連結。
Claude Desktop	`claude_desktop_config.json`(Application Support)	合併到 `mcpServers`。編輯後重新啟動 Claude Desktop。
Cline / Roo Code / Kilo Code	Cline MCP 設定(設定 UI → MCP Servers → Edit)	同樣的 `mcpServers` 區塊。
Devin CLI	`~/.config/devin/config.json`	`agentmemory connect devin` 合併 MCP 條目;`--with-hooks` 再加上六個原生自動擷取 hooks(SessionStart、UserPromptSubmit、PreToolUse、PostToolUse、Stop、SessionEnd),使用 Devin 的小寫工具比對器。用 `devin mcp list` 與 devin 內的 `/hooks` 驗證。
Devin(雲端)	Settings → Connections → MCP servers	新增自訂 MCP(STDIO):command `npx`、args `-y @agentmemory/mcp@latest`、env `AGENTMEMORY_URL` 指向網路可達的 agentmemory 部署,並設定 `AGENTMEMORY_SECRET`(雲端工作階段無法存取 localhost — 見 `deploy/`)。
Gemini CLI	`~/.gemini/settings.json`	`gemini mcp add agentmemory npx -y @agentmemory/mcp --scope user`(自動合併)。
GitHub Copilot CLI(僅 MCP)	`~/.copilot/mcp-config.json`	`agentmemory connect copilot-cli` 合併 `mcpServers.agentmemory`;Copilot 在下次啟動或 `/mcp` 時接收。
GitHub Copilot CLI(完整外掛)	Copilot 外掛安裝	`copilot plugin install rohitg00/agentmemory:plugin` 安裝 GitHub 子目錄中的外掛。
OpenClaw	OpenClaw MCP 設定	同樣的 `mcpServers` 區塊。更深:`openclaw plugins install ./integrations/openclaw` 會佔用 OpenClaw 的記憶槽位(自動從 `memory-core` 切換);設定 `plugins.entries.agentmemory.hooks.allowConversationAccess=true`,否則輪次擷取會被靜默封鎖。見 `integrations/openclaw`。
Codex CLI(僅 MCP)	`.codex/config.toml`	TOML 形式:`codex mcp add agentmemory -- npx -y @agentmemory/mcp`,或手動新增 `[mcp_servers.agentmemory]`。
Codex CLI(完整外掛)	Codex 外掛市集	`codex plugin marketplace add rohitg00/agentmemory` 然後 `codex plugin add agentmemory@agentmemory`。註冊 MCP + 6 個生命週期 hooks(SessionStart、UserPromptSubmit、PreToolUse、PostToolUse、PreCompact、Stop)+ 17 個 skills。在 Codex Desktop 上,直到 openai/codex#16430 落地之前,還要執行 `agentmemory connect codex --with-hooks`;那裡的外掛 hooks 目前沒有回應。
OpenCode(僅 MCP)	`opencode.json`	不同結構:頂層 `mcp` key,command 是陣列:`{"mcp": {"agentmemory": {"type": "local", "command": ["npx", "-y", "@agentmemory/mcp"], "enabled": true}}}`。
OpenCode(完整外掛)	`plugin/opencode/`	22 個自動捕捉 hooks,涵蓋會話生命週期、訊息、工具、錯誤。專案歸屬是按會話計的,所以一個橫跨多個倉庫的 OpenCode 行程會把每個會話歸檔到各自的專案下。兩個斜線指令(`/recall`、`/remember`)。把 `plugin/opencode/` 複製到你的 OpenCode 工作區並把外掛條目新增到 `opencode.json`。完整 hook 表與差異分析見 `plugin/opencode/README.md`。
pi	`~/.pi/agent/extensions/agentmemory`	`agentmemory connect pi` 會把捆綁的擴充功能安裝到 pi 的自動探索目錄(代理啟動時召回、代理結束時捕捉、`memory_search` / `memory_save` / `memory_health` 工具、`/agentmemory-status`)。在執行中的 pi 裡 `/reload` 即可接收。`integrations/pi` 也是一個 pi 套件(從 checkout 執行 `pi install ./integrations/pi`)。
Hermes Agent	`~/.hermes/config.yaml`	使用更深的記憶提供者外掛,設定 `memory.provider: agentmemory`。
Qwen Code	`~/.qwen/settings.json`	`agentmemory connect qwen` 會寫入標準的 `mcpServers` 區塊。Hook 負載與 Claude Code 欄位相容,因此既有的 12 hook 腳本無需修改即可運作;透過同一 `settings.json` 的 `hooks` 區段連接它們。
Antigravity(取代 Gemini CLI)	`mcp_config.json`(在 Antigravity 的 User 目錄中)	`agentmemory connect antigravity` 會寫入標準的 `mcpServers` 區塊。macOS: `~/Library/Application Support/Antigravity/User/`。Linux: `~/.config/Antigravity/User/`。在 2026-06-18 Gemini CLI 停止服務後使用。
Antigravity CLI(`agy`)	`~/.gemini/config/mcp_config.json`	`agentmemory connect antigravity-cli`。`agy` CLI 在 `~/.gemini/` 下維護自己的設定,與上面的 Antigravity IDE 分開。傳入 `--with-hooks` 可透過 `~/.gemini/config/hooks.json` 啟用原生自動捕捉。
Kiro	`~/.kiro/settings/mcp.json`	`agentmemory connect kiro` 寫入使用者層級設定。工作區覆寫放在你的程式碼旁的 `.kiro/settings/mcp.json` 中。
Warp	`~/.warp/.mcp.json`	`agentmemory connect warp` 會寫入標準的 `mcpServers` 區塊。Warp 也會從 `.claude/skills/` 自動探索 skills;安裝 Claude Code 外掛後,8 個 agentmemory skills(`remember`、`recall`、`recap`、`handoff`、`forget`、`commit-context`、`commit-history`、`session-history`)會原生出現在 Warp 的斜線指令面板中。
Cline(CLI)	`~/.cline/mcp.json`	`agentmemory connect cline` 會寫入標準的 `mcpServers` 區塊。VS Code 擴充功能使用者:透過 Cline Settings → MCP Servers → Edit JSON 貼上同一區塊。
Continue.dev	`~/.continue/config.yaml`(偏好)或 `config.json`(舊式)	`agentmemory connect continue` 在兩者都不存在時從頭建立 `config.yaml`,或修改既有的 `config.json`。若你已有 `config.yaml`,適配器會印出要貼到 `mcpServers:` 下的確切區塊;它不會靜默重寫你的 yaml,因為安全保留註解和錨點需要套件未附帶的 YAML 解析器。Continue 的 `mcpServers` 使用陣列形式(而非物件)。
Zed	`~/.config/zed/settings.json`	`agentmemory connect zed` 寫入 `context_servers` 下(Zed 的 key,不是 `mcpServers`)。遠端 MCP 伺服器可改以 `{"url": "..."}` 接入。
Droid (Factory.ai)	`~/.factory/mcp.json`	`agentmemory connect droid` 會寫入標準的 `mcpServers` 區塊。專案範圍覆寫放在 `<repo>/.factory/mcp.json`。傳入 `--with-hooks` 啟用原生自動捕捉。
DeepSeek Harness	`$DSH_HOME/cordis.patch.yml`	`agentmemory connect dsh` 會在每個 Harness 設定檔都會載入的家目錄層級 patch 層追加一列 `@deepseek-ai/dsh-mcp-client`;工具註冊為 `mcp__agentmemory__*`。傳入 `--with-hooks` 同時接上自動捕捉:捆綁的 Claude Code hook 腳本透過 Harness 第一方的 `@deepseek-ai/dsh-hooks-claude-code` 橋接器執行(SessionStart、UserPromptSubmit、PreToolUse、PostToolUse、Stop),清單寫入 `$DSH_HOME/agentmemory.hooks.json`。`DSH_HOME` 未設定時預設 `~/.dsh`。
Goose	Goose MCP 設定 UI	同樣的 `mcpServers` 區塊;使用 `goose configure` → Add Extension → MCP。支援直接編輯 `~/.config/goose/config.yaml`,但其結構使用 `extensions:` + `cmd`(而非 `mcpServers:` + `command`)。
Aider	n/a	直接呼叫 REST API:`curl -X POST http://localhost:3111/agentmemory/smart-search -d '{"query": "auth"}'`。
任何代理(32+)	n/a	`npx skillkit install agentmemory` 自動偵測宿主並合併。

沙箱化的 MCP 用戶端(Flatpak / Snap / 受限容器)無法存取宿主的 localhost:還要在 env 區塊中設定 "AGENTMEMORY_FORCE_PROXY": "1",並把 AGENTMEMORY_URL 指向沙箱確實能到達的路由(例如你的 LAN IP)。

程式化存取(Python / Rust / Node)

agentmemory 把核心操作註冊為 iii 函式(mem::remember、mem::observe、mem::context、mem::smart-search、mem::forget)。任何擁有 iii SDK 的語言都可以透過 ws://localhost:49134 直接呼叫它們,無需為每種語言準備獨立的 REST 用戶端。

pip install iii-sdk         # Python
cargo add iii-sdk           # Rust
npm  install iii-sdk        # Node

from iii import register_worker

iii = register_worker("ws://localhost:49134")
iii.connect()

iii.trigger({
    "function_id": "mem::smart-search",
    "payload": {"project": "demo", "query": "how do tokens refresh"},
})

完整範例:examples/python/(快速開始 + 觀測/召回流程)。:3111 上的 REST 對沒有 iii 執行階段的宿主仍可用。

從原始碼建置

git clone https://github.com/rohitg00/agentmemory.git && cd agentmemory
npm install && npm run build && npm start

若 iii 已安裝,這會以本地 iii-engine 啟動 agentmemory;若 Docker 可用,則回退到 Docker Compose。REST、串流和檢視器預設繫結到 127.0.0.1。

手動安裝 iii-engine。agentmemory 目前把 iii-engine 釘在 v0.11.2。v0.11.6 引入了新的「透過 iii worker add 沙盒化一切」模型,agentmemory 尚未為此重構。重構落地後即解除釘版。若你已手動遷移到沙盒模型,可用 AGENTMEMORY_III_VERSION=<version> 覆寫。

macOS arm64: mkdir -p ~/.local/bin && curl -fsSL https://github.com/iii-hq/iii/releases/download/iii/v0.11.2/iii-aarch64-apple-darwin.tar.gz | tar -xz -C ~/.local/bin && chmod +x ~/.local/bin/iii
macOS x64: 把 aarch64-apple-darwin 換成 x86_64-apple-darwin
Linux x64: 換成 x86_64-unknown-linux-gnu
Linux arm64: 換成 aarch64-unknown-linux-gnu
Windows: 從 iii-hq/iii releases v0.11.2 下載 iii-x86_64-pc-windows-msvc.zip,擷取 iii.exe,加入 PATH

或使用 Docker(捆綁的 docker-compose.yml 會拉取 iiidev/iii:0.11.2)。完整文件:iii.dev/docs。

Windows

agentmemory 可在 Windows 10/11 執行,但僅 Node.js 套件不夠;你還需要 iii-engine 執行階段(一個獨立的原生二進位)作為背景行程。官方上游安裝器是 sh 指令稿,目前沒有 PowerShell 安裝器或 scoop/winget 套件,因此 Windows 使用者有兩條路徑:

選項 A:預建 Windows 二進位(推薦)

# 1. 在瀏覽器打開 https://github.com/iii-hq/iii/releases/tag/iii%2Fv0.11.2
#    (我們釘在 v0.11.2,直到 agentmemory 為 v0.11.6+ 引擎需求的
#     新沙盒模型完成重構)
# 2. 下載 iii-x86_64-pc-windows-msvc.zip
#    (若是 ARM 機器則下載 iii-aarch64-pc-windows-msvc.zip)
# 3. 把 iii.exe 解壓到 PATH 上的某處,或放在:
#    %USERPROFILE%\.local\bin\iii.exe
#    (agentmemory 會自動檢查該位置)
# 4. 驗證:
iii --version
# 應輸出:0.11.2

# 5. 然後照常執行 agentmemory:
npx -y @agentmemory/agentmemory

選項 B:Docker Desktop

# 1. 安裝 Docker Desktop for Windows
# 2. 啟動 Docker Desktop 並確保引擎執行中
# 3. 執行 agentmemory — 它會自動啟動捆綁的 compose 檔:
npx -y @agentmemory/agentmemory

選項 C:僅獨立 MCP(無引擎)。 若你只需要 MCP 工具供代理使用,不需要 REST API、檢視器或定時工作,則完全跳過引擎:

npx -y @agentmemory/agentmemory mcp
# 或透過 shim 套件:
npx -y @agentmemory/mcp

Windows 診斷: 若 npx @agentmemory/agentmemory 失敗,加 --verbose 重新執行以看到實際的引擎 stderr。常見失敗模式:

症狀	修正
`iii-engine process started` 然後 `did not become ready within 15s`	引擎啟動當機;用 `--verbose` 重新執行,檢查 stderr
`Could not start iii-engine`	`iii.exe` 和 Docker 都未安裝。見上面選項 A 或 B
連接埠衝突	`netstat -ano \| findstr :3111` 查看佔用,然後 kill 或用 `--port <N>`
Docker 已安裝但仍跳過回退	確保 Docker Desktop 確實在執行(系統匣圖示)

注意:iii 引擎是預建的二進位檔,而非 cargo crate,請勿嘗試以 cargo install 安裝它。(iii 的 SDK 確實已發布到 crates.io、npm 和 PyPI,但 agentmemory 並不需要它們。)受支援的引擎安裝方式皆固定為 v0.11.2:上述預建的 v0.11.2 二進位、帶版本固定 的上游 sh 安裝指令稿 curl -fsSL https://install.iii.dev/iii/main/install.sh | VERSION=0.11.2 sh(macOS/Linux),以及 Docker 鏡像 iiidev/iii:0.11.2。直接執行 install.sh | sh 會安裝最新引擎,而 agentmemory 並不支援該版本;請務必傳入 VERSION=0.11.2。最簡單的方式:直接執行 npx @agentmemory/agentmemory,它會為你把固定版本的引擎取得到 ~/.agentmemory/bin。

部署

託管主機的一鍵範本。每個範本都附帶自含的 Dockerfile,從 npm 拉取 @agentmemory/agentmemory 並從官方 iiidev/iii Docker Hub 鏡像複製 iii 引擎二進位;無需預建 agentmemory 鏡像。持久儲存掛載在 /data;首次啟動 entrypoint 用面向部署調校的設定覆寫 npm 捆綁的 iii 設定(原設定繫結 127.0.0.1), 讓其繫結 0.0.0.0 並使用絕對 /data 路徑,產生 HMAC secret,然後透過 gosu 從 root 降權到 node 再 exec agentmemory CLI。

Render 的一鍵部署按鈕要求倉庫根有 render.yaml,我們刻意保持根目錄整潔。使用 deploy/render/ 中文件化的 Render Blueprint 流程,手動指向倉庫內的藍圖。

完整設定細節(HMAC 擷取、檢視器 SSH 隧道、輪替、備份、成本下限)見 deploy/:

deploy/fly:單機搭配 auto_stop_machines = "stop";閒置時最便宜。
deploy/railway:Hobby 方案固定費, 磁碟區在儀表板中設定。
deploy/render:Blueprint 流程, 付費方案自動磁碟快照。
deploy/coolify:透過 Coolify 在你自己的 VPS 上自架;同樣的 Docker Compose 堆疊,主機與資料都歸你所有。

僅發布連接埠 3111。3113 上的檢視器在容器內仍繫結到 loopback;每個範本的 README 都文件化了到達它的 SSH 隧道模式。

每個編碼代理在會話結束時都會忘記一切,每個新會話都從你重新解釋技術堆疊開始。agentmemory 在背景執行,移除了這一步。

Session 1: "Add auth to the API"
  Agent writes code, runs tests, fixes bugs
  agentmemory silently captures every tool use
  Session ends -> observations compressed into structured memory

Session 2: "Now add rate limiting"
  Agent already knows:
    - Auth uses JWT middleware in src/middleware/auth.ts
    - Tests in test/auth.test.ts cover token validation
    - You chose jose over jsonwebtoken for Edge compatibility
  Zero re-explaining. Starts working immediately.

對比內建代理記憶

每個 AI 編碼代理都自帶內建記憶:Claude Code 有 MEMORY.md、Cursor 有 notepad、Cline 有 memory bank。這些像便利貼。agentmemory 是便利貼背後的可搜尋資料庫。

	內建 (CLAUDE.md)	agentmemory
規模	200 行上限	無限
搜尋	把所有內容載入上下文	BM25 + 向量 + 圖(僅 top-K)
Token 成本	240 條觀測達 22K+	~1,900 tokens(少 92%)
跨代理	每個代理一個檔案	MCP + REST(任何代理)
協調	無	租約、訊號、動作、例程
可觀測性	手動讀檔	連接埠 3113 即時檢視器

記憶流水線

PostToolUse hook fires
  -> SHA-256 dedup (5min window)
  -> Privacy filter (strip secrets, API keys)
  -> Store raw observation
  -> LLM compress -> structured facts + concepts + narrative
  -> Vector embedding (6 providers + local)
  -> Index in BM25 + vector

Stop / SessionEnd hook fires
  -> Summarize session
  -> Knowledge graph extraction (if GRAPH_EXTRACTION_ENABLED=true)
  -> Slot reflection (if SLOT_REFLECT_ENABLED=true)

SessionStart hook fires
  -> Load project profile (top concepts, files, patterns)
  -> Hybrid search (BM25 + vector + graph)
  -> Token budget (default: 2000 tokens)
  -> Inject into conversation

4 層記憶整合

以人腦處理記憶的方式為模型,包括睡眠時的記憶整合。

層級	內容	類比
Working(工作記憶)	來自工具使用的原始觀測	短期記憶
Episodic(情節記憶)	壓縮後的會話摘要	「發生了什麼」
Semantic(語意記憶)	擷取的事實與模式	「我知道什麼」
Procedural(程序記憶)	工作流與決策模式	「怎麼做」

記憶隨時間衰減(Ebbinghaus 曲線)。頻繁存取的記憶會強化。陳舊記憶會自動清除。矛盾會被偵測並解決。

捕捉了什麼

Hook	捕捉內容
`SessionStart`	專案路徑、會話 ID
`UserPromptSubmit`	使用者提示(隱私過濾)
`PreToolUse`	檔案存取模式 + 富化上下文
`PostToolUse`	工具名、輸入、輸出
`PostToolUseFailure`	錯誤上下文
`PreCompact`	在壓縮前重新注入記憶
`SubagentStart/Stop`	子代理生命週期
`Stop`	會話結束摘要
`SessionEnd`	會話完成標記

關鍵能力

能力	描述
自動捕捉	每次工具使用都透過 hooks 記錄,零人工
語意搜尋	BM25 + 向量 + 知識圖譜,RRF 融合
記憶演化	版本控制、覆寫關係、關係圖
召回衛生	被覆寫的記憶版本會離開搜尋索引;KV 中的版本鏈保留完整歷史
近重複提示	當新內容與既有記憶高度相似時,儲存會回報一個提示性的 `similarTo` 比對
按代理範圍	`agentId` 貫穿 REST、MCP 和搜尋索引的儲存與召回,支援共享或隔離模式
寫入時溯源	每條觀測和記憶都帶有不可變的來源通道(user、agent、tool、import 或 shared),在捕捉、儲存和匯入時蓋章
自動遺忘	TTL 過期、矛盾偵測、重要性驅逐
隱私優先	API key、secret、`<private>` 標籤儲存前被剝除
自癒	熔斷器、提供者回退鏈、健康監控
Claude 橋接	與 MEMORY.md 雙向同步
知識圖譜	實體擷取 + BFS 走訪
團隊記憶	團隊成員之間的命名空間共享 + 私有
引用溯源	任意記憶追溯到來源觀測
Git 快照	記憶狀態的版本、回滾、diff

三路檢索結合三種訊號:

流	功用	何時啟用
BM25	詞幹化關鍵字比對 + 同義詞擴展	始終啟用
Vector(向量)	稠密嵌入上的餘弦相似度	已設定嵌入提供者
Graph(圖)	透過實體比對進行知識圖譜走訪	查詢中偵測到實體

透過 Reciprocal Rank Fusion (RRF, k=60) 融合,並按會話多樣化(每個會話最多 3 個結果)。

混合排序適用於主要召回路徑,而不只是 smart-search:一旦向量索引就緒,mem::search(memory_recall 背後)就透過同樣的 BM25 + 向量 + 圖融合排序。教訓召回在專用的記憶體內 BM25 索引上執行,而非每次查詢掃描整個語料庫。被覆寫的記憶版本從每條召回路徑中排除;版本鏈保留它們的歷史。

BM25 開箱即用支援希臘文、西里爾文、希伯來文、阿拉伯文和帶音標拉丁文的分詞。對於中文/日文/韓文記憶,安裝可選分詞器(npm install @node-rs/jieba tiny-segmenter)以把 CJK 串切分為詞級 token;若未安裝,agentmemory 會軟回退到整串分詞並在 stderr 印出一次性提示。

嵌入提供者

agentmemory 自動偵測你的提供者。為獲得最佳效果,安裝本地嵌入(免費):

npm install @huggingface/transformers

提供者	模型	成本	備註
本地(推薦)	`all-MiniLM-L6-v2`	免費	離線,比僅 BM25 召回率高 +8pp
Gemini	`gemini-embedding-001`	免費層	100+ 語言,768/1536/3072 維 (MRL),2048-token 輸入。取代 `text-embedding-004`(已棄用,2026 年 1 月 14 日下線)
OpenAI	`text-embedding-3-small`	$0.02/1M	最高品質
Voyage AI	`voyage-code-3`	付費	針對程式碼最佳化
Cohere	`embed-english-v3.0`	免費試用	通用
OpenRouter	任意模型	視情況	多模型代理

54 個工具、6 個資源、3 個提示與 17 個 skills。

MCP shim 對比完整伺服器: 已發布的 @agentmemory/mcp 套件是一個薄 shim。只有當它能透過 AGENTMEMORY_URL 連通執行中的 agentmemory 伺服器(代理模式)時,才暴露完整的 54 工具表面。在沒有可達伺服器的情況下,shim 回退到 7 工具的本地集合(memory_save、memory_recall、memory_smart_search、memory_sessions、memory_export、memory_audit、memory_governance_delete)。AGENTMEMORY_TOOLS=core|all 環境變數是伺服器端旗標;在 shim 的 env 區塊中設定無效。若在 Cursor / OpenCode / Gemini CLI 中只看到 7 個工具,啟動 npx @agentmemory/agentmemory(或 Docker 堆疊)並設定 AGENTMEMORY_URL=http://localhost:3111。

54 個工具

三種工具表面,由小到大:AGENTMEMORY_TOOLS=core 把可見性縮減到 8 個必備工具(memory_save、memory_recall、memory_consolidate、memory_smart_search、memory_sessions、memory_diagnose、memory_lesson_save、memory_reflect);下方的基礎集合是登錄表的 14 個基石工具;預設(AGENTMEMORY_TOOLS=all)暴露全部 54 個。

基礎工具(14)

工具	描述
`memory_recall`	搜尋過去的觀測
`memory_compress_file`	在保留結構的同時壓縮 markdown 檔
`memory_save`	儲存洞察、決策或模式
`memory_file_history`	關於特定檔案的過去觀測
`memory_patterns`	偵測反覆出現的模式
`memory_sessions`	列出最近的會話
`memory_smart_search`	混合語意 + 關鍵字搜尋
`memory_vision_search`	搜尋圖片觀測
`memory_timeline`	按時間排列的觀測
`memory_profile`	專案檔案(概念、檔案、模式)
`memory_export`	匯出所有記憶資料
`memory_relations`	查詢關係圖
`memory_commit_lookup`	某個 git commit 背後的會話
`memory_commits`	為某個會話記錄的 commits

擴展工具(共 54,預設表面)

工具	描述
`memory_patterns`	偵測反覆出現的模式
`memory_timeline`	按時間排列的觀測
`memory_relations`	查詢關係圖
`memory_graph_query`	知識圖譜走訪
`memory_consolidate`	執行 4 層整合
`memory_claude_bridge_sync`	與 MEMORY.md 同步
`memory_team_share`	與團隊成員共享
`memory_team_feed`	最近共享條目
`memory_audit`	操作稽核軌跡
`memory_governance_delete`	帶稽核軌跡的刪除
`memory_snapshot_create`	Git 版本快照
`memory_action_create`	建立帶相依性的工作項
`memory_action_update`	更新動作狀態
`memory_frontier`	依優先序排序的未阻塞動作
`memory_next`	單一最重要的下一個動作
`memory_lease`	獨佔動作租約(多代理)
`memory_routine_run`	實例化工作流例程
`memory_signal_send`	代理之間的訊息
`memory_signal_read`	帶回執讀取訊息
`memory_checkpoint`	外部條件閘門
`memory_mesh_sync`	實例之間 P2P 同步
`memory_sentinel_create`	事件驅動監視器
`memory_sentinel_trigger`	外部觸發哨兵
`memory_sketch_create`	暫時動作圖
`memory_sketch_promote`	提升為永久
`memory_crystallize`	緊湊化動作鏈
`memory_diagnose`	健康檢查
`memory_heal`	自動修復卡住的狀態
`memory_facet_tag`	維度:值標籤
`memory_facet_query`	依 facet 標籤查詢
`memory_verify`	追溯來源

6 個資源 · 3 個提示 · 17 個 Skills

類型	名稱	描述
Resource	`agentmemory://status`	健康、會話數、記憶數
Resource	`agentmemory://project/{name}/profile`	專案層級智慧
Resource	`agentmemory://project/{name}/recent`	專案的最近觀測
Resource	`agentmemory://memories/latest`	最新 10 條活躍記憶
Resource	`agentmemory://graph/stats`	知識圖譜統計
Resource	`agentmemory://team/{id}/profile`	共享的團隊檔案
Prompt	`recall_context`	搜尋並回傳上下文訊息
Prompt	`session_handoff`	代理之間的交接資料
Prompt	`detect_patterns`	分析反覆出現的模式
Skill	`/recall`	搜尋記憶
Skill	`/remember`	儲存到長期記憶
Skill	`/session-history`	最近的會話摘要
Skill	`/forget`	刪除觀測/會話

表中所示為四個核心 skills。完整集合是 8 個可呼叫 skills 加 7 個參考 skills;見上方原生 skills 一節。

獨立 MCP

無需完整伺服器即可執行,適用於任何 MCP 用戶端。以下兩種都可以:

npx -y @agentmemory/agentmemory mcp   # 標準指令(始終可用)
npx -y @agentmemory/mcp                # shim 套件別名

或新增到你的代理的 MCP 設定:

大多數代理(Cursor、Claude Desktop、Cline、Roo Code、Windsurf、Gemini CLI):

{
  "mcpServers": {
    "agentmemory": {
      "command": "npx",
      "args": ["-y", "@agentmemory/mcp"],
      "env": {
        "AGENTMEMORY_URL": "http://localhost:3111"
      }
    }
  }
}

把 agentmemory 條目合併到你的宿主既有的 mcpServers 物件中,而非取代檔案。對於無法存取宿主 localhost 的沙箱用戶端,在 env 區塊中加入 "AGENTMEMORY_FORCE_PROXY": "1",並把 AGENTMEMORY_URL 設為沙箱能到達的路由。

OpenCode (opencode.json):

{
  "mcp": {
    "agentmemory": {
      "type": "local",
      "command": ["npx", "-y", "@agentmemory/mcp"],
      "enabled": true
    }
  },
  "plugin": ["./plugins/agentmemory-capture.ts"]
}

從倉庫複製外掛檔:

mkdir -p ~/.config/opencode/plugins
cp plugin/opencode/agentmemory-capture.ts ~/.config/opencode/plugins/
cp plugin/opencode/commands/*.md ~/.config/opencode/commands/

在連接埠 3113 自動啟動。含串流狀態指示器的即時觀測流、雙欄會話瀏覽器(寬螢幕上列表旁是固定的詳情面板)、可展開至完整儲存記錄(含原始 JSON 與來源溯源)的記憶與教訓列、在關係稀疏時按類型聚類節點的知識圖譜、會話重播,以及健康儀表板。

open http://localhost:3113

檢視器伺服器預設繫結 127.0.0.1。REST 提供的 /agentmemory/viewer 端點遵循正常的 AGENTMEMORY_SECRET bearer-token 規則。CSP 標頭使用每回應 script nonce 並停用行內處理常式屬性(script-src-attr 'none')。

:3113 上的檢視器展示你的代理記住了什麼。iii 主控台展示你的代理做了什麼:每個記憶操作都是 OpenTelemetry trace,每個 KV 條目都可編輯,每個函式都可呼叫,每個串流都可掛載。同一記憶的兩個視窗:一個面向產品,一個面向引擎。

觀察一次 memory_smart_search 觸發,在瀑布圖中看到 BM25 掃描 → 嵌入查找 → RRF 融合 → 重新排序器。在 KV 瀏覽器中編輯卡住的整合計時器。用調整後的負載重播一個 PostToolUse hook。釘選 WebSocket 串流,即時觀察觀測落地。

agentmemory 免費提供這一切,因為每個函式呼叫和觸發器都經由 iii 觸發;沒有自訂、沒有需要插樁的地方。

Workers 頁面:每個已連接 worker,包括 agentmemory 本身,顯示 PID、函式數、執行階段和最後在線時間。

已經裝好了。 主控台隨 iii 一同發布;無需獨立安裝器。

與 agentmemory 並行啟動:

# agentmemory 檢視器佔用連接埠 3113,所以在 3114 執行主控台。
# 引擎 REST (3111)、WebSocket (3112)、bridge (49134) 預設值與 agentmemory 相符。
iii console --port 3114

然後打開 http://localhost:3114。加 --enable-flow 開啟實驗性架構圖頁面。

僅在你已移動引擎端點時才覆寫:

iii console --port 3114 \
  --engine-port 3111 \
  --ws-port 3112 \
  --bridge-port 49134

主控台能做什麼:

頁面	用途
Workers	查看每個已連接 worker 及其即時指標,包括 agentmemory worker 本身。
Functions	直接以 JSON 負載呼叫 agentmemory 的任何函式;方便測試 `memory.recall`、`memory.consolidate`、`graph.query`,無需接入用戶端。
Triggers	重播 HTTP、cron、事件和狀態觸發器:手動觸發整合 cron、重試 HTTP 路由、發出狀態變更。
States	對會話、記憶槽位、生命週期計時器與嵌入索引提供完整 CRUD 的 KV 瀏覽器;就地編輯值。
Streams	記憶寫入、hook 事件和觀測更新流經 iii 串流時的即時 WebSocket 監視器。
Queues	持久佇列主題 + 死信管理。重播或捨棄失敗的嵌入/壓縮工作。
Traces	OpenTelemetry 瀑布/火焰/服務分解視圖。按 `trace_id` 過濾,精確查看單次 `memory.search` 產生了哪些函式、DB 呼叫和嵌入請求。
Logs	結構化 OTEL 日誌,過濾並與 trace/span ID 關聯。
Config	執行階段設定:看到引擎正在使用的 workers、提供者和連接埠。
Flow	(選用,`--enable-flow`)每個 worker、觸發器和串流的互動式架構圖。

Traces:每個記憶操作的瀑布/火焰/服務分解。

Traces 已開啟:

iii-config.yaml 出廠啟用 iii-observability worker(exporter: memory、sampling_ratio: 1.0、指標 + 日誌)。無需額外設定;agentmemory 啟動那一刻,每個記憶操作都會發出一個 trace span 和一個主控台可讀的結構化日誌。

若你想改為匯出到 Jaeger/Honeycomb/Grafana Tempo,把 exporter: memory 改為 exporter: otlp 並依 iii 的可觀測性文件設定收集器端點。

提醒: 主控台本身未強制驗證;保持其繫結 127.0.0.1(預設)並永遠不要對外暴露。

agentmemory 本身就是一個執行中的 iii 實例。三種原語(worker、函式、觸發器)組成執行階段;KV 狀態、串流和 OTEL traces 來自隨 iii 一同發布的 iii-state、iii-stream 和 iii-observability workers。你沒有安裝 Postgres、Redis、Express、pm2 或 Prometheus,因為 iii 取代了它們。

這代表多一條指令就能為 agentmemory 增加一整套新能力。

一條指令擴展 agentmemory

iii worker add iii-pubsub          # 把記憶寫入扇出到每個連接的實例
iii worker add iii-cron            # 排程整合、衰減掃描、快照輪替
iii worker add iii-queue           # 嵌入 + 壓縮工作的持久重試
iii worker add iii-observability   # 每個記憶操作的 OTEL traces(預設開啟)
iii worker add iii-sandbox         # 在隔離 microVM 內執行召回到的程式碼
iii worker add iii-database        # 切換 SQL 後端的狀態適配器
iii worker add mcp                 # 在 agentmemory 的 MCP 旁開設通用 MCP 宿主

每個 iii worker add 都會把新的函式和觸發器註冊到 agentmemory 正在執行的同一引擎中。檢視器和主控台立即接收:無需重新載入、無需新整合、無需新容器。

`iii worker add`	在 agentmemory 上獲得的額外能力
`iii-pubsub`	多實例記憶:每次 `remember` 扇出,每次 `search` 讀取聯集
`iii-cron`	排程生命週期:夜間整合、週快照、按固定時鐘衰減
`iii-queue`	持久重試:失敗的嵌入 + 壓縮工作在重啟後存活,無觀測遺失
`iii-observability`	每個函式的 OTEL traces、指標、日誌,從第一天起就接入 `iii-config.yaml`
`iii-sandbox`	`memory_recall` 出來的程式碼在一次性 VM 中執行,不在你的 shell 中
`iii-database`	當預設的記憶體 KV 不夠用時,SQL 後端狀態適配器
`mcp`	在 agentmemory 的旁邊架設額外 MCP 伺服器,共享同一引擎

完整登錄表:workers.iii.dev。那裡的每個 worker 都透過 agentmemory 所用的同樣原語組合,而你已經擁有的 agentmemory 本身就是其中之一。

iii 取代了什麼

傳統堆疊	agentmemory 使用
Express.js / Fastify	iii HTTP Triggers
SQLite / Postgres + pgvector	iii KV State + 記憶體向量索引
SSE / Socket.io	iii Streams (WebSocket)
pm2 / systemd	iii engine worker 監管
Prometheus / Grafana	iii OTEL + 健康監控
自訂外掛系統	`iii worker add <name>`

182 個原始檔 · ~41,600 行程式碼 · 1,619 測試 · 264 個函式 · 50 個 KV 範圍,全部基於三種原語。沒有 agentmemory plugin install。外掛系統就是 iii 本身。

LLM 提供者

agentmemory 從你的環境自動偵測。預設情況下,除非你設定提供者或明確啟用 Claude 訂閱回退,否則不會發起 LLM 呼叫。

提供者	設定	備註
No-op(預設)	無需設定	LLM 驅動的 compress/summarize 被停用。合成 BM25 壓縮 + 召回仍可用。若你以前依賴 Claude 訂閱回退,請見下面的 `AGENTMEMORY_ALLOW_AGENT_SDK`。
Anthropic API	`ANTHROPIC_API_KEY`	依 token 計費
MiniMax	`MINIMAX_API_KEY`	Anthropic 相容
Gemini	`GEMINI_API_KEY`	同時啟用嵌入
OpenRouter	`OPENROUTER_API_KEY`	任意模型
OpenAI API	`OPENAI_API_KEY`	預設 `gpt-5.6-luna`,以 `OPENAI_MODEL` 覆寫
本地(Ollama / LM Studio / vLLM / llama.cpp)	`OPENAI_API_KEY=local` + `OPENAI_BASE_URL=http://localhost:11434/v1`(Ollama)或 `http://localhost:1234/v1`(LM Studio)+ `OPENAI_MODEL=<your model>`	任何 OpenAI-API 相容的伺服器。零成本,在你的硬體上執行。見下方本地模型。
Claude 訂閱回退	`AGENTMEMORY_ALLOW_AGENT_SDK=true`	僅按需啟用。會衍生 `@anthropic-ai/claude-agent-sdk` 會話;它曾導致無限 Stop-hook 遞迴,故不再是預設。

本地模型(Ollama / LM Studio / vLLM)

agentmemory 可與任何 OpenAI-API 相容的伺服器對話,因此任何暴露 /v1/chat/completions 的服務無需改程式碼即可使用。無付費金鑰、無雲端、無速率限制;完全在你的硬體上執行。

Ollama(預設連接埠 11434):

ollama pull qwen3:8b   # or qwen3:4b, gpt-oss:20b, qwen3-coder:30b, etc.
ollama serve

# ~/.agentmemory/.env
OPENAI_API_KEY=ollama                          # any non-empty string; Ollama ignores it
OPENAI_BASE_URL=http://localhost:11434/v1
OPENAI_MODEL=qwen3:8b

LM Studio(預設連接埠 1234):

打開 LM Studio → Local Server 分頁 → Start Server。從選擇器挑任一聊天模型(Qwen 3、gpt-oss、DeepSeek R1 等)。

# ~/.agentmemory/.env
OPENAI_API_KEY=lmstudio                        # any non-empty string; LM Studio ignores it
OPENAI_BASE_URL=http://localhost:1234/v1
OPENAI_MODEL=qwen3-8b                          # match the model name from LM Studio

vLLM / llama.cpp / Text Generation Inference:同樣的形式。把 OPENAI_BASE_URL 指向你的伺服器暴露的 URL,並把 OPENAI_MODEL 設為你的伺服器接受的名稱。

記憶工作的模型挑選:壓縮和摘要是短任務(輸入 <2K tokens,輸出 <500 tokens),7B instruct 模型綽綽有餘。推薦:

模型	大小	原因
`qwen3:8b`	~5.2 GB	16 GB 機器上的均衡預設;擅長擷取與工具形態的文字
`qwen3:4b`	~2.6 GB	最小的合理選項;勝任壓縮,圖擷取較弱
`qwen3-coder:30b`	~19 GB	24-32 GB 硬體上程式碼形態會話的最佳本地選擇(30B MoE,3.3B 活躍)
`gpt-oss:20b`	~14 GB	能放進 16 GB RAM 的強力通用模型
`deepseek-r1:8b`	~5.2 GB	推理蒸餾版;較慢但擷取更乾淨

Qwen 3 模型預設會思考,可能在產生任何輸出之前就把整個 token 預算燒在推理上。設定 AGENTMEMORY_LLM_NOTHINK=1 在圖擷取提示後附加 /no_think,若擷取回傳為空則調高 MAX_TOKENS(16384 可行)。

推理級模型(帶 <think> 區塊的 o1 風格)可能回傳空 content 加一個你的本地伺服器未必呈現的 reasoning 欄位。若擷取回傳空白,先換成非推理模型。OPENAI_REASONING_EFFORT=none 環境變數也能在鏡像 OpenAI 推理結構的 Ollama Cloud 思考模型上停用思考。

本地嵌入透過 @huggingface/transformers 開箱即用:EMBEDDING_PROVIDER=local(預設)給你完全在裝置上執行的 Xenova/all-MiniLM-L6-v2(384 維)。無需額外設定。

成本感知的模型選擇

背景壓縮在每次觀測時執行,模型選擇會顯著影響月支出。擷取的工作負載資料:635 次請求 / 888K tokens / 35 小時活躍使用,基於 2026-05-23 OpenRouter 定價對三個模型評測。

等級	模型	輸入 / 1M	輸出 / 1M	35 小時擷取工作負載成本	備註
推薦	`deepseek/deepseek-v4-flash-0731`	$0.07	$0.14	~$0.07(估)	最新的 DeepSeek;壓縮工作負載最便宜的推薦選擇。
推薦	`deepseek/deepseek-v4-pro`	$0.435	$0.87	~$0.46	壓縮 + 摘要品質穩定,比 Sonnet 便宜 ~10×。
推薦	`qwen/qwen3-coder`	$0.45	$1.80	~$0.55	若你的會話多為程式碼,程式碼推理能力強。
高階	`anthropic/claude-sonnet-5`	$3.00	$15.00	~$5.02(估)	與實測的 Sonnet 4.6 執行同一標價;2026-08-31 前有 $2/$10 的推廣定價。
高階	`openai/gpt-5.6-sol`	$5.00	$30.00	~$9(估)	旗艦檔;對長期背景工作來說昂貴。
避免	`anthropic/claude-opus-5`	$5.00	$25.00	~$8.40(估)	旗艦級模型;用於壓縮屬於超支。

實測列來自擷取的執行;(估)列按各模型標價換算同一 token 組合。

當 OPENROUTER_MODEL 比對高階層模式時,agentmemory 會印出執行階段警告。在做出知情選擇後,設定 AGENTMEMORY_SUPPRESS_COST_WARNING=1 來消音。

記憶工作的品質-成本權衡:壓縮是品質門檻相對寬鬆的摘要任務(代理重新閱讀摘要,而非使用者)。DeepSeek V4 Flash / V4 Pro / Qwen3-Coder 在該任務上與 Sonnet 誤差極小,而成本低 10-70×。把高階層模型留給你直接閱讀的查詢。

來源:OpenRouter Claude Sonnet 5 定價、DeepSeek V4 Flash、DeepSeek 定價說明。

多代理記憶(`AGENT_ID` + `AGENTMEMORY_AGENT_SCOPE`)

在多個角色共享一台 agentmemory 伺服器的多代理設置中(architect / developer / reviewer / researcher / support-agent),AGENT_ID 給每次寫入打上發起角色的標籤。AGENTMEMORY_AGENT_SCOPE 控制召回是否依該標籤過濾。

TEAM_ID=company
USER_ID=engineering-team
AGENT_ID=architect
AGENTMEMORY_AGENT_SCOPE=isolated  # 選填;預設 "shared"

兩種模式:

模式	標記寫入	過濾召回	何時使用
`shared`(預設)	是	否	跨代理共享上下文且帶稽核軌跡。Architect 能看到 developer 記下了什麼,但每條記錄都標明發言者。
`isolated`	是	是	嚴格隔離。Architect 永遠不會看到 developer 的觀測/記憶/會話。

設定 AGENT_ID 後會被標記的內容:Session.agentId、RawObservation.agentId、CompressedObservation.agentId、Memory.agentId。角色從 api::session::start → mem::observe → mem::compress → KV 流轉。

isolated 模式下被過濾的內容:mem::smart-search、/agentmemory/memories、/agentmemory/observations、/agentmemory/sessions。每個端點都接受 ?agentId=<role> 來依請求覆寫,以及 ?agentId=* 來完全跳過環境範圍。/memories 還接受 ?includeOrphans=true 來浮現 agentId 為 undefined 的 pre-AGENT_ID 記憶。

SDK / REST 層的依呼叫覆寫:每個變更端點(/session/start、/remember)都接受請求體中的 agentId 欄位,勝過環境變數。對於在一個伺服器行程中路由多角色的執行階段很有用。MCP 的 memory_save 工具暴露同一個 agentId 欄位,獨立 stdio 伺服器會轉發 agentId 和 project 兩者,而儲存的記憶會把 agentId 帶進搜尋索引,因此代理範圍的搜尋同時涵蓋記憶與觀測。

當 AGENT_ID 未設定時,記憶保持無範圍(舊行為,無標籤、無過濾)。

連接埠

agentmemory + iii-engine 預設繫結四個連接埠。若重啟失敗並顯示 port in use,這張表告訴你該查找什麼行程。

連接埠	行程	用途	環境覆寫
`3111`	agentmemory	REST API + MCP HTTP + `/agentmemory/health` + `/agentmemory/livez`	`III_REST_PORT`
`3112`	iii-engine	內部串流 worker(由 agentmemory + 檢視器消費)	`III_STREAMS_PORT`
`3113`	agentmemory	即時檢視器(`http://localhost:3113`)	`AGENTMEMORY_VIEWER_PORT`
`49134`	iii-engine	WebSocket;workers 在此註冊,OTel 遙測在此流過	`III_ENGINE_URL`(完整 URL,預設 `ws://localhost:49134`)

當機後連接埠仍被佔用時的陳舊行程清理:

# macOS / Linux — 找出每個連接埠上的行程並 kill 掉
lsof -i :3111,3112,3113,49134
pkill -f agentmemory || true
pkill -f 'iii ' || true

# Windows
netstat -ano | findstr ":3111 :3112 :3113 :49134"
taskkill /F /PID <pid>

agentmemory stop 在優雅關閉時乾淨地回收 worker 和 engine pidfile。在 Docker 模式下,它只拆除 agentmemory 自己的 compose 服務,並在 Docker 拆除前先回收原生 worker;除非傳入 --force,CLI 也拒絕把 Docker 或 VM 的連接埠占用者(Docker backend、vpnkit、colima)當作原生引擎來接管或發訊號。上述手動清理僅針對當機後兩個 pidfile 都未留下的情況。

設定檔

把 agentmemory 執行階段設定放到 ~/.agentmemory/.env,而非在每個 shell 中 export 變數。若檢視器顯示像 export ANTHROPIC_API_KEY=... 這樣的設定提示,把它複製到該檔案作為 ANTHROPIC_API_KEY=...(去掉 export 前綴),然後重啟 agentmemory。

行程環境變數仍然有效,優先序高於檔案中的值。

在 Windows 上,同一檔案位於 %USERPROFILE%\.agentmemory\.env:

New-Item -ItemType Directory -Force $HOME\.agentmemory
notepad $HOME\.agentmemory\.env

要用 Claude Code Pro/Max 訂閱而非 API key 測試,明確啟用:

AGENTMEMORY_ALLOW_AGENT_SDK=true
AGENTMEMORY_AUTO_COMPRESS=true

若想開啟圖或整合特性,在同一檔案中打開:

GRAPH_EXTRACTION_ENABLED=true
CONSOLIDATION_ENABLED=true

環境變數

建立 ~/.agentmemory/.env:

# LLM provider (pick one — default is the no-op provider: no LLM calls)
# ANTHROPIC_API_KEY=sk-ant-...
# ANTHROPIC_BASE_URL=...              # Optional: Anthropic-compatible proxy / Azure
# GEMINI_API_KEY=...
# OPENROUTER_API_KEY=...
# MINIMAX_API_KEY=...
# OPENAI_API_KEY=***                       # NOTE: this same key auto-activates BOTH the
#                                          # OpenAI LLM provider (here) AND the OpenAI
#                                          # embedding provider (further below). Set
#                                          # OPENAI_API_KEY_FOR_LLM=false to scope it
#                                          # to embeddings only.
# OPENAI_BASE_URL=https://api.openai.com   # Optional: override for Azure / vLLM / LM Studio / proxies
#                                          # Azure: https://<resource>.openai.azure.com/openai/deployments/<deployment>
#                                          # Auto-detected from `.openai.azure.com` hostname; uses
#                                          # api-key header + api-version query param.
# OPENAI_API_VERSION=2024-08-01-preview    # Optional: Azure api-version query param
# OPENAI_MODEL=gpt-5.6-luna                # Optional: default model
# OPENAI_TIMEOUT_MS=60000                  # Optional: OpenAI-scoped alias for the outbound fetch
#                                          # timeout. Takes precedence over AGENTMEMORY_LLM_TIMEOUT_MS
#                                          # for back-compat with v0.9.17. New configs should
#                                          # prefer the global AGENTMEMORY_LLM_TIMEOUT_MS below.
# OPENAI_REASONING_EFFORT=none             # Optional: "low" | "medium" | "high" | "none"
#                                          # Honored only by OpenAI's reasoning models (o1, o3,
#                                          # gpt-*-reasoning) and providers that mirror that
#                                          # schema (Ollama Cloud thinking models). Standard
#                                          # chat models reject this field with 400. Set to
#                                          # "none" for thinking models that return reasoning
#                                          # but no content.
# OPENAI_API_KEY_FOR_LLM=false             # Optional: set to false to skip OpenAI auto-detection
#                                          # for LLM (useful if you only want OpenAI for embeddings)
# Opt-in Claude-subscription fallback (spawns @anthropic-ai/claude-agent-sdk);
# leave OFF unless you understand the Stop-hook recursion risk:
# AGENTMEMORY_ALLOW_AGENT_SDK=true

# Embedding provider (auto-detected, or override)
# EMBEDDING_PROVIDER=local
# VOYAGE_API_KEY=...
# OPENAI_API_KEY=sk-...
# OPENAI_BASE_URL=https://api.openai.com   # Override for Azure / vLLM / LM Studio / proxies
# OPENAI_EMBEDDING_MODEL=text-embedding-3-small
# OPENAI_EMBEDDING_DIMENSIONS=1536        # Required when the model is not in the known-models table

# Outbound LLM / embedding timeout
# AGENTMEMORY_LLM_TIMEOUT_MS=60000       # Default: 60 000 ms (60 s). Applies to every
                                          # raw-fetch provider (Gemini, OpenRouter, MiniMax,
                                          # OpenAI LLM, OpenAI/Cohere/Voyage/OpenRouter
                                          # embedding). For the OpenAI LLM path, the
                                          # OpenAI-scoped OPENAI_TIMEOUT_MS alias (above)
                                          # takes precedence when set, for back-compat
                                          # with v0.9.17.
                                          # Increase for slow networks or large batch calls;
                                          # decrease to fail-fast on rate-limit holds.

# Search tuning
# BM25_WEIGHT=0.4
# VECTOR_WEIGHT=0.6
# TOKEN_BUDGET=2000

# Auth
# AGENTMEMORY_SECRET=your-secret

# Ports (defaults: 3111 API, 3113 viewer)
# III_REST_PORT=3111

# Features
# AGENTMEMORY_AUTO_COMPRESS=false  # OFF by default. When on,
                                   # every PostToolUse hook calls your
                                   # LLM provider to compress the
                                   # observation — expect significant
                                   # token spend on active sessions.
# AGENTMEMORY_SLOTS=false          # OFF by default. Editable pinned
                                   # memory slots — persona,
                                   # user_preferences, tool_guidelines,
                                   # project_context, guidance,
                                   # pending_items, session_patterns,
                                   # self_notes. Size-limited; agent
                                   # edits via memory_slot_* tools.
                                   # Pinned slots addressable for
                                   # SessionStart injection.
# AGENTMEMORY_REFLECT=false        # OFF by default. Requires SLOTS=on.
                                   # Stop hook fires mem::slot-reflect:
                                   # scans recent observations, auto-
                                   # appends TODOs to pending_items,
                                   # counts patterns in
                                   # session_patterns, records touched
                                   # files in project_context. Fire-
                                   # and-forget; does not block.
# AGENTMEMORY_INJECT_CONTEXT=false # OFF by default. When on:
                                   # - SessionStart may inject ~1-2K
                                   #   chars of project context into
                                   #   the first turn of each session
                                   #   (this is what actually reaches
                                   #   the model — Claude Code treats
                                   #   SessionStart stdout as context)
                                   # - PreToolUse fires /agentmemory/enrich
                                   #   on every file-touching tool call
                                   #   (resource cleanup, not a token
                                   #   fix — PreToolUse stdout is debug
                                   #   log only per Claude Code docs)
                                   # Observations are still captured via
                                   # PostToolUse regardless of this flag.
# GRAPH_EXTRACTION_ENABLED=false
# AGENTMEMORY_LLM_NOTHINK=1        # Local reasoning models only: ask the
                                   # model to skip its hidden thinking pass
                                   # during graph extraction. Faster runs;
                                   # relation quality can drop slightly.
# CONSOLIDATION_ENABLED=true
# LESSON_DECAY_ENABLED=true
# OBSIDIAN_AUTO_EXPORT=false
# AGENTMEMORY_EXPORT_ROOT=~/.agentmemory
# CLAUDE_MEMORY_BRIDGE=false
# SNAPSHOT_ENABLED=false

# Team
# TEAM_ID=
# USER_ID=
# TEAM_MODE=private

# Tool visibility: "all" (54 tools, default) or "core" (8 tools, lean)
# AGENTMEMORY_TOOLS=core

連接埠 3111 上的 124 個端點。REST API 預設繫結 127.0.0.1。當 AGENTMEMORY_SECRET 已設定時,受保護端點需要 Authorization: Bearer <secret>,網狀同步端點要求兩端都設定 AGENTMEMORY_SECRET。

關鍵端點

方法	路徑	描述
`GET`	`/agentmemory/health`	健康檢查(始終公開)
`POST`	`/agentmemory/session/start`	開始會話 + 取得上下文
`POST`	`/agentmemory/session/end`	結束會話
`POST`	`/agentmemory/observe`	擷取觀測
`POST`	`/agentmemory/smart-search`	混合搜尋
`POST`	`/agentmemory/context`	產生上下文
`POST`	`/agentmemory/remember`	儲存到長期記憶
`POST`	`/agentmemory/forget`	刪除觀測
`POST`	`/agentmemory/enrich`	檔案上下文 + 記憶 + bugs
`GET`	`/agentmemory/profile`	專案檔案
`GET`	`/agentmemory/export`	匯出所有資料
`POST`	`/agentmemory/import`	從 JSON 匯入
`POST`	`/agentmemory/graph/query`	知識圖譜查詢
`POST`	`/agentmemory/team/share`	與團隊共享
`GET`	`/agentmemory/audit`	稽核軌跡

完整端點列表:src/triggers/api.ts

npm run dev               # 熱重新載入
npm run build             # 生產建置
npm test                  # 1,619 測試
npm run test:integration  # API 測試(需要服務執行中)

先決條件: Node.js >= 20、iii-engine 或 Docker

Apache-2.0

85 KiB Raw Blame History

安裝