13.8k 星 ai-memory：让 Claude Code 切到 Codex 接着干的开源记忆层

让所有 AI 编程助手共用同一个脑子，而且这脑子还会自己忘掉不用的记忆。

要说最让我头疼的事，换 AI 工具绝对排得上号。

在 Claude Code 里跟它来回拉扯四十多分钟，需求边界总算摸清了，哪个文件为什么不能动、上个方案为什么被否，全聊明白了。可额度用完，或者它开始胡言乱语，我就寻思换个 Codex 试试。结果打开 Codex，第一句话是：你想做什么项目。那感觉就像换了个新大夫，得从头讲病史。而且你还讲不全，因为自己都可能忘了当时为什么否掉那个方案。

AI 编程最费劲的地方，不是它写错代码，而是你每换一次工具，就得重新交代一遍自己是谁。

日本有位老哥 Fabio Akita，写 Ruby 出名的，今年五月开了一个仓库叫 ai-memory，现在已经 13,895 星。一句话说清楚它干什么：给所有 AI 编程助手接一个共用的记忆层。

它不是又一个 RAG

先得说它不干什么，这块最容易误会。

它默认不调用任何大模型。整理记忆这活儿，同类项目大多扔给 GPT 做摘要，它不，它走规则、走压缩，全程在本地跑，所以你不会有额外的 token 账单。它也没有向量库，没有 embedding，没有 ANN 索引，没有那套“先切片再检索”的重活。

最反常识的是这个：你的记忆就是硬盘上一个文件夹，里头全是 Markdown，用 git 管着。

我第一反应是，这不就是个笔记文件夹吗，凭什么 13.8k 星？用完我改口了。真正值钱的不是“存”，是它怎么决定该忘什么。

四个动作

它的流水线是一条线：

capture → consolidate → recall → handoff

抓取、整理、召回、交接。前三个词你大概都见过，第四个才是命门。

capture 是把你跟 AI 的对话捞出来。二十多个 harness 上都有它的钩子，Claude Code、Codex、Cursor、Gemini CLI 都在支持矩阵里。你正常干活，它在后面闷头记。

consolidate 是把一堆碎对话压成能用的东西。这步不需要模型，所以便宜、快，也不会有模型瞎编的风险。

recall 是下次开工时把相关的捞出来塞进上下文。捞的是相关的内容，不是把上周所有对话一股脑灌进去，那样上下文当场就爆了。

handoff 才是真正解决问题的那个动作：把这边的会话状态，原样交给另一个工具。招牌用法就一行：

ai-memory run codex

你在 Claude Code 里干到一半，敲这一行，Codex 起来了接着干。它知道刚才在改哪个文件，知道哪个方案已经被否了。

这不是复制粘贴上下文。复制粘贴带过去的是“我们聊了什么”，它带过去的是“我们现在在哪”。前者是聊天记录，后者是工作状态。

记忆会烂掉

这是我最喜欢的设计，也是我觉得它配得上这么多星的原因。

大部分记忆类工具的思路是记得越多越好。结果用上三个月，记忆库成了一坨谁也不敢删的垃圾场，召回质量一路往下掉。

ai-memory 反过来：记忆是有权重的，你不用的记忆会慢慢衰减。

一条记忆被召回、被引用、被证明还有用，权重就往上走；一直没人碰的，权重往下掉，沉底，最后清掉。跟人脑一个道理：昨天中午吃了什么你记不住，因为没用；三年前某个 bug 为什么那么难查，你记得死死的，因为疼过。它把这套机制写成了代码，所以那个 wiki 文件夹不会越用越肿，它自己会新陈代谢。

还有个可选的 dream 阶段，名字起得挺中二，在你不用的时候跑一遍，把零散记忆重新关联、合并、去重。跟睡觉时大脑整理白天的事情是一回事。

装起来有多麻烦

本来我做好了大折腾的准备，毕竟要跨二十多个工具的钩子，听着就头大。结果是这样：

curl -fsSL .../install.sh | sh
ai-memory setup

setup 自己去认你机器上装了哪些 AI 工具，挨个把钩子接上。接完你在任何一个里面正常干活就行，它自己记。

数据落在哪，它写得很直白：

<data_dir>/wiki      # 就是那堆 Markdown，git 管着
<data_dir>/db        # 索引
<data_dir>/models    # 本地模型
<data_dir>/raw       # 原始对话
<data_dir>/logs

wiki 是唯一的真相来源，而且本身是个 git 仓库。这带来两件事。你能用 git log 看自己的记忆是怎么长出来的，哪条记忆哪天加的、被谁改过，一条不落。还有一件更实在的：你可以把它推到自己的私有仓库，换台电脑 clone 下来，记忆跟着人走。

用过的都懂。那些把数据锁在自家云端的记忆工具，等你哪天不想用了，东西一样都带不走。

该说的坑

不吹过头，说几个实际问题。

它认工具。你要是只用 Claude Code 一个，收益没那么大，它的价值全在“跨”这个字上。单工具用户装它，属于给自己找事。

Markdown 当记忆库，对中文长文本的检索质量我没做严格测试。它默认那套不走 embedding，纯靠结构化召回，好处是可控，坏处是语义相近但用词不同的情况可能捞不出来。

这项目今年五月才开，迭代很快，接口和目录结构都在变。打算长期用的话，最好盯一眼 release。

最后，它解决的是“跨工具”的问题，不解决“AI 记性差”这回事。上下文窗口就那么大，它只是让你把那点窗口用在刀刃上。

写在最后

我一直觉得 AI 工具这块现在有点怪。大家都在比谁的模型强、谁的上下文长、谁的 agent 更能自己跑，但没人管一件事：你换了工具，之前攒下的那点默契全没了。

ai-memory 干的是脏活。不炫技，不调大模型，不搞向量库，就是老老实实把你的工作状态存成文件，下次原样还给你。13.8k 星不是给它的技术，是给这个痛点的。

项目在 GitHub 上搜 akitaonrails/ai-memory，MIT 协议。装之前先看一眼它支持的工具清单，确认里头有你常用的那个。