RepoRadar agent-memory: среда долгосрочной памяти для AI-агентов на Markdown
agent-memory — это среда долгосрочной памяти для AI-агентов, основанная на Markdown-файлах. Она позволяет сохранять знания агентов без привязки к API и базам данных, обеспечивая локальный ранжированный доступ к информации.
Основная задача проекта — устранение проблемы забывания: если агент завершает сессию, он теряет все полученные знания. agent-memory хранит все данные в одном хранилище и предоставляет простой интерфейс для извлечения информации. Поддержка множества агентов, таких как Claude Code и Codex CLI, делает этот инструмент универсальным. Система хранения данных использует SQLite для индексации, что обеспечивает быструю работу без необходимости постоянного доступа к удалённым серверам.
Проект написан на Python 3.12 и не требует API-ключей для функционирования. Однако помни, что он все еще на ранней стадии разработки (версия 0.1.0), поэтому могут быть скрытыми некоторые баги или недоработки. Если ты работаешь с AI-агентами и ищешь простой, но мощный способ долгосрочного хранения их памяти, agent-memory может тебя заинтересовать.
Проект agent-memory предоставляет возможность создания долговременной памяти для AI-агентов, что позволяет сохранить информацию после завершения сессии. Обычно агенты забывают всё, что они узнали в ходе исполнения, но данный инструмент позволяет им сохранять необходимые данные в файловой системе в формате Markdown. Все они хранятся в едином хранилище, что делает их доступными для дальнейшего использования разными агентами, такими как Claude Code и Codex CLI.
Установка и запуск
Для установки требуется Python версии 3.12 или выше и модуль uv. Так как на PyPI пока нет релиза, установка производится напрямую из репозитория:
git clone https://github.com/tigerless-labs/agent-memory.git
cd agent-memory
uv sync --all-packagesЭто создаст исполняемые файлы mem, mem-mcp и mem-hook в подпапке .venv/bin. Чтобы сделать их доступными из командной строки, добавь каталог в переменную PATH:
export PATH="$PWD/.venv/bin:$PATH"Для инициализации памяти используй команду:
mem initПо умолчанию хранилище будет находиться в ~/agent-memory-store.
Основные возможности
Agent-memory предлагает несколько ключевых функций:
- Управление памятью: Все записи сохраняются в формате Markdown, что делает их простыми для чтения и управления.
- Локальный поиск: Память не просто копирует текст, а предоставляет доступ к записям по пути, что позволяет эффективно их использовать.
- Интеграция: Система может работать с любым агентом, который способен выполнять команды в оболочке.
Как это работает
Система использует двухуровневую архитектуру, сочетая движок поиска и файловую систему. С одной стороны, движок находит нужные записи, а с другой — предоставляет доступ к файлам. Как следствие, можно легко перемещаться по связям между записями и обращаться к ним быстро и без задержек.
Реализация памяти требует управления через команды, такие как mem record для создания записей и mem recall для получения доступа к ним. Память может обновляться автоматически по времени, что улучшает её качество и согласованность.
Ограничения
Несмотря на множество возможностей, проект имеет и свои ограничения:
- На данный момент для использования системы требуется настройка и интеграция с агентами, способными взаимодействовать с командной строкой.
- Необходимость в Python 3.12 и отсутствии релизов на PyPI может затруднить установку для некоторых пользователей.
- Поддержка векторного поиска является опциональной и требует дополнительной установки, что может усложнить настройку.
Дополнительные возможности
Система предлагает возможность использования векторного поиска, что может улучшить результаты извлечения информации. Для этого нужно установить дополнительные компоненты и настроить их в конфигурации.
Также можно следить за работой системы и её действиями, создавать отчёты о выполненных операциях и управлять архивом, что делает agent-memory гибким инструментом для разработки AI-агентов.
Радар проекта: 65 из 100 — крепкий проект
- Импульс 83 ≈ 79 звёзд в день
- Темп разработки 96 234 коммита за 12 недель
- Зрелость 17 проекту 2 месяца, релизов нет
- Сообщество 61 22 участника, 204 форка
- Свежесть 96 последний коммит — 6 дней назад
- Быстрый старт 20 инструкции по запуску не нашли
- Готовность к продакшену 50 автосборка, тесты
- Безопасность и доверие 60 лицензия MIT, организация
- Документация 93 README 14.7 тыс. знаков, 15 разделов, папка docs
- Экосистема 78 95 подписчиков на обновления, 12 тем
Как считаем
Только открытые данные GitHub на 07.11.2026, без оценок нейросети. Каждая ось — от 0 до 100, итог — среднее.
- Импульс — звёзд в день: за время наших замеров, а пока их нет — за всю жизнь проекта; 200 в день — максимум.
- Темп разработки — коммитов за последние 12 недель; 300 — максимум. Пока GitHub не досчитал статистику, ось не учитывается.
- Зрелость — возраст проекта (3 года — максимум) и число релизов (30 — максимум), поровну.
- Сообщество — участников с коммитами (200 — максимум) и форков (5000 — максимум), поровну.
- Свежесть — дней с последнего коммита: сегодня — 100, полгода и больше или архив — 0.
- Быстрый старт — в README есть команда установки, раздел «быстрый старт» или примеры использования, в репозитории — Docker и папка примеров, у проекта есть сайт или демо.
- Готовность к продакшену — релизы, версия 1.0 и выше, автосборка (GitHub Actions), тесты, лицензия, журнал изменений.
- Безопасность и доверие — открытая лицензия (своя — половина балла), политика безопасности (SECURITY.md), проект организации, правила для участников, не в архиве.
- Документация — объём и структура README, папка docs или сайт, оценка «здоровья сообщества» GitHub.
- Экосистема — звёзды (50 тыс. — максимум), подписчики на обновления (1000 — максимум), темы репозитория.
Открыть на GitHub: tigerless-labs/agent-memory →
