Главная боль при работе с ИИ-кодерами не в том, что они иногда ошибаются. К этому уже все привыкли. Гораздо раздражает другое: вчера вы полчаса объясняли агенту структуру проекта, показывали, где лежит авторизация, почему выбран именно такой пакет, какие файлы лучше не трогать. Сегодня открываете новый сеанс — и всё начинается заново.
Для человека это выглядит странно. Проект тот же, папки те же, ошибки те же, но помощник снова как новый сотрудник в первый день. Он вежливо кивает, быстро пишет код, а потом может наступить на тот же самый гвоздь, который вы уже вытаскивали вчера.
agentmemory как раз пытается закрыть эту дыру. Это open-source инструмент для памяти ИИ-агентов, которые пишут код. Его идея простая: агент должен не просто отвечать в текущем чате, а помнить, что уже происходило в проекте. Какие решения принимались. Какие баги чинились. Какие файлы важны. Какие команды падали. Какие предпочтения есть у владельца проекта.
Работает это не как обычный файл с заметками. В Claude Code есть MEMORY.md, в Cursor есть свои заметки, в других инструментах тоже появляются похожие костыли. Но такие заметки быстро превращаются в кладовку: что-то устарело, что-то забыли дописать, что-то грузится целиком и съедает контекст. agentmemory делает другой подход — запускает отдельный сервер памяти и подключает к нему агента через MCP, REST или хуки.
Самый понятный сценарий такой. В первом сеансе ИИ добавлял авторизацию, трогал middleware, запускал тесты, исправлял ошибки. agentmemory тихо записывает эти действия, убирает дубли, фильтрует секреты, сжимает события в более полезные факты и складывает их в поисковую память. Во втором сеансе вы просите добавить ограничение запросов, а агент уже может получить подсказку: авторизация лежит там-то, тесты проверяют то-то, раньше выбрали такую-то библиотеку по такой-то причине.
То есть это не «магическая память обо всём». Скорее журнал проекта, который умеет сам превращаться в справочник для ИИ.
Мне здесь понравилась не сама громкая идея, а практичный поворот. Память не привязана только к одному редактору. В описании заявлена работа с Claude Code, Cursor, Codex CLI, Gemini CLI, GitHub Copilot CLI, OpenCode, Cline и другими клиентами, которые понимают MCP или HTTP. Для тех, кто прыгает между инструментами, это важнее, чем кажется. Сегодня вы пробуете Cursor, завтра возвращаетесь в Claude Code, послезавтра гоняете Codex в терминале — а память проекта может оставаться общей.
Поиск внутри этой памяти тоже сделан не только по словам. Используются несколько сигналов: обычный текстовый поиск, векторный поиск по смыслу и граф связей. На практике это нужно для типичной ситуации: вы не помните точную фразу из прошлой сессии, но помните смысл. Например, «та проблема с медленными запросами». Обычный поиск может промахнуться, а смысловой поиск должен вытащить нужный эпизод.
Ещё один плюс — локальность. Проект можно поднять через npm, открыть локальный просмотрщик и смотреть, как память наполняется. Для сжатия и эмбеддингов можно подключать облачные API, но также предусмотрены локальные варианты через Ollama, LM Studio и совместимые OpenAI-серверы. Это не превращает инструмент в «абсолютно приватный сейф» автоматически, но даёт выбор: платить облаку или держать обработку у себя.
Теперь про холодный душ. agentmemory не стоит ставить как красивую игрушку «на всякий случай». Он записывает много служебной информации: промпты, вызовы инструментов, результаты, ошибки, историю сессий. В README отдельно указана фильтрация ключей и секретов, но я бы всё равно не подключал такой инструмент к рабочему закрытому проекту без чтения настроек, проверки папок и понимания, куда именно сохраняются данные.
Второй момент — порог входа. Обычному пользователю, который иногда просит ИИ написать скрипт, это избыточно. Нужно понимать, что такое npm, локальный сервер, порты, MCP, переменные окружения. На Windows могут всплыть нюансы с Docker или бинарником iii-engine. Для разработчика это нормально. Для человека «просто хочу, чтобы нейросеть помнила» — уже тяжеловато.
Третий момент — деньги и ресурсы. Базовый режим может работать без LLM-сжатия, но самая интересная часть памяти раскрывается, когда события сжимаются и превращаются в аккуратные факты. А это либо локальная модель, либо платный API. В активной разработке фоновая обработка может набрать немало запросов, поэтому здесь лучше начинать с локального варианта или дешёвой модели, а не сразу подключать дорогой флагман.
Кому это может пригодиться? Тем, кто реально работает с ИИ-кодером каждый день. Пет-проект разрастается. Агент постоянно забывает архитектуру. Вы устали копировать одни и те же правила в каждый чат. В проекте несколько агентов: один пишет код, другой проверяет, третий ищет ошибки. В такой схеме общая память уже не роскошь, а способ не терять контекст.
А вот если вы используете ИИ как разовую справку, лучше пройти мимо. Пользы будет мало, а настройки добавятся.
Главная мысль у agentmemory здравая: ИИ-агент без памяти похож на помощника, которому каждый день стирают блокнот. Он может быть умным, быстрым и вежливым, но без истории проекта снова задаёт старые вопросы и повторяет старые ошибки. agentmemory пытается дать ему не просто блокнот, а поисковую картотеку с датами, связями, решениями и забыванием устаревшего.
Мне кажется, именно такие инструменты будут становиться важнее самих «умных чатов». Модель можно заменить. Редактор можно заменить. А накопленный контекст проекта — это уже капитал. Если он лежит только в голове разработчика и обрывках чатов, половина пользы от ИИ просто испаряется.
Источник: rohitg00/agentmemory
Похожие статьи
Если вам интересны инструменты для ИИ-агентов, памяти проекта и локальной работы с кодом, посмотрите также:
- AI-агент, который помнит всё и работает на твоём компьютере