À propos du projet

agentmemory est un moteur de mémoire persistante auto-hébergé conçu pour les agents de codage IA. Il résout le problème de la perte de contexte entre les sessions en capturant silencieusement ce que fait un agent, en le compressant en mémoire consultable, et en injectant le contexte pertinent au début de la session suivante. Le projet est basé sur le moteur iii (épinglé à la version v0.11.2) et nécessite Node.js 20 ou plus récent. L'installation se fait en une seule commande : `npx -y @agentmemory/agentmemory@latest`. La première exécution est interactive, vous permettant de choisir les agents à connecter (Claude Code, Cursor, Codex, Gemini CLI, OpenCode, et plus), de sélectionner un fournisseur LLM ou de rester sans clé, et éventuellement d'installer globalement. Une commande de démonstration génère des sessions d'exemple et exerce le rappel pour vérifier la configuration. Le système fonctionne avec tout agent prenant en charge les hooks, MCP ou l'API REST. Il inclut des plugins et hooks natifs pour Claude Code (12 hooks), Codex CLI (6 hooks), OpenCode (22 hooks), Devin (6 hooks), et d'autres, ainsi qu'un support serveur MCP pour GitHub Copilot CLI, Cursor, Gemini CLI, Cline, Goose, Kilo Code, Claude Desktop, Roo Code, et plus. Un serveur mémoire unique est partagé entre tous les agents connectés, de sorte que les souvenirs persistent quel que soit l'agent utilisé. La recherche utilise une approche hybride combinant la recherche par mots-clés BM25, les embeddings vectoriels et la correspondance structurelle de graphes, fusionnés via Reciprocal Rank Fusion (RRF). En mode sans clé (aucune clé API), les embeddings vectoriels sont désactivés et BM25 gère la récupération. Pour un rappel sémantique gratuit sur appareil, définir `EMBEDDING_PROVIDER=local` télécharge le modèle Xenova/all-MiniLM-L6-v2 localement après la première requête. Le projet rapporte 95,2% R@5 sur LongMemEval-S (500 questions) et un taux de réussite top-5 de 100% sur son corpus interne coding-agent-life-v1. Le cycle de vie de la mémoire comprend une consolidation à quatre niveaux, une décroissance et un oubli automatique, de sorte que les informations obsolètes sont élaguées automatiquement. Le système fournit 54 outils MCP et 12 hooks automatiques pour une capture sans effort manuel. Un visualiseur en temps réel s'exécute sur le port 3113 pour inspecter les souvenirs stockés. Le runtime utilise quatre ports : 3111 pour REST/MCP HTTP, 3112 pour les flux iii, 3113 pour le visualiseur, et 49134 pour le WebSocket du worker iii. L'état persistant réside dans des répertoires spécifiques à la plateforme (macOS : ~/Library/Application Support/agentmemory, Linux : $XDG_DATA_HOME/agentmemory, Windows : %APPDATA%\agentmemory) et peut être remplacé avec --data-dir ou AGENTMEMORY_DATA_DIR. Le projet met l'accent sur l'efficacité des tokens, affirmant environ 170K tokens par an contre 19,5M+ pour coller le contexte complet, avec des coûts d'environ 10 $/an ou 0 $ avec des embeddings locaux. Il ne nécessite aucune base de données externe au-delà de SQLite et du moteur iii inclus. Le projet inclut un harnais d'évaluation reproductible pour LongMemEval-S et son corpus interne, avec des tableaux de scores publiés dans le répertoire docs/benchmarks. Il s'associe également à codegraph, Understand Anything et Graphify pour des capacités de couche de contexte plus larges.