agentmemory

agentmemory é um motor de memória persistente auto-hospedado projetado para agentes de codificação de IA. Ele resolve o problema dos agentes perderem contexto entre sessões ao capturar silenciosamente o que um agente faz, comprimir isso em memória pesquisável e injetar contexto relevante quando a próxima sessão começa. O projeto é construído sobre o motor iii (fixado na v0.11.2) e requer Node.js 20 ou mais recente. A instalação é um único comando: `npx -y @agentmemory/agentmemory@latest`. A primeira execução é interativa, permitindo escolher quais agentes conectar (Claude Code, Cursor, Codex, Gemini CLI, OpenCode e outros), selecionar um provedor de LLM ou permanecer sem chave, e opcionalmente instalar globalmente. Um comando de demonstração cria sessões de exemplo e exercita a recuperação para verificar a configuração. O sistema funciona com qualquer agente que suporte hooks, MCP ou API REST. Ele inclui plugins e hooks nativos para Claude Code (12 hooks), Codex CLI (6 hooks), OpenCode (22 hooks), Devin (6 hooks) e outros, além de suporte a servidor MCP para GitHub Copilot CLI, Cursor, Gemini CLI, Cline, Goose, Kilo Code, Claude Desktop, Roo Code e mais. Um único servidor de memória é compartilhado entre todos os agentes conectados, para que as memórias persistam independentemente de para qual agente você alternar. A busca usa uma abordagem híbrida que combina busca por palavras-chave BM25, embeddings vetoriais e correspondência estrutural de grafos, fundidos via Reciprocal Rank Fusion (RRF). No modo sem chave (sem chave de API), os embeddings vetoriais são desativados e o BM25 cuida da recuperação. Para recuperação semântica gratuita no dispositivo, definir `EMBEDDING_PROVIDER=local` baixa o modelo Xenova/all-MiniLM-L6-v2 localmente após a primeira solicitação. O projeto relata 95,2% de R@5 no LongMemEval-S (500 perguntas) e 100% de taxa de acerto top-5 em seu corpus interno coding-agent-life-v1. O ciclo de vida da memória inclui consolidação em quatro níveis, decaimento e esquecimento automático, de modo que informações obsoletas são podadas automaticamente. O sistema fornece 54 ferramentas MCP e 12 hooks automáticos para captura sem esforço manual. Um visualizador em tempo real roda na porta 3113 para inspecionar memórias armazenadas. O runtime usa quatro portas: 3111 para REST/MCP HTTP, 3112 para streams iii, 3113 para o visualizador e 49134 para o WebSocket do worker iii. O estado persistente vive em diretórios específicos da plataforma (macOS: ~/Library/Application Support/agentmemory, Linux: $XDG_DATA_HOME/agentmemory, Windows: %APPDATA%\agentmemory) e pode ser sobrescrito com --data-dir ou AGENTMEMORY_DATA_DIR. O projeto enfatiza eficiência de tokens, alegando cerca de 170 mil tokens por ano contra 19,5 milhões+ para colar contexto completo, com custos em torno de US$ 10/ano ou US$ 0 com embeddings locais. Não requer bancos de dados externos além do SQLite e do iii-engine incluído. O projeto inclui uma estrutura de avaliação reproduzível para LongMemEval-S e seu corpus interno, com scorecards publicados no diretório docs/benchmarks. Ele também se integra a codegraph, Understand Anything e Graphify para capacidades mais amplas da camada de contexto.