agentmemory: حافظه دائمی برای ایجنتهای هوش مصنوعی
هوش مصنوعیخلاصهٔ کاملتر
یه مشکل رایج در کار با ایجنتهای هوش مصنوعی اینه که هر جلسه باید از صفر شروع کنی — معماری پروژه، تصمیمهای فنی، ترجیحاتت رو دوباره توضیح بدی. فایلهایی مثل CLAUDE.md یا .cursorrules هم محدودیت دارن: حدود ۲۰۰ خط ظرفیت، و خیلی زود قدیمی میشن. agentmemory برای حل همین مشکل ساخته شده.
agentmemory یه موتور حافظه مستقله که در پسزمینه اجرا میشه، رفتار ایجنت رو ردیابی میکنه، اطلاعات مفید رو فشرده میکنه، و موقع شروع جلسه بعدی، کانتکست مناسب رو بهصورت خودکار تزریق میکنه. مثلاً اگه جلسه اول JWT Auth راه انداختی، جلسه دوم وقتی از Rate Limiting حرف میزنی، ایجنت دیگه میدونه که از کتابخونه jose در مسیر src/middleware/auth.ts استفاده کردی و چرا.
برای شروع کافیه یه دستور بزنی:
npx @agentmemory/agentmemoryاین ابزار با طیف گستردهای از ایجنتها کار میکنه: Claude Code، Cursor، Gemini CLI، Codex CLI، Windsurf، Cline، و هر کلاینتی که پروتکل MCP یا REST API رو پشتیبانی کنه. همه ایجنتها هم از یه سرور مشترک حافظه استفاده میکنن.
از نظر کارایی، agentmemory روی بنچمارک LongMemEval-S (ارائهشده در ICLR 2025) به دقت بازیابی R@5 برابر ۹۵.۲٪ رسیده — در مقایسه با ۶۸.۵٪ برای mem0 و ۸۳.۲٪ برای Letta. از نظر هزینه هم چشمگیره: جایگزین پیست کردن کانتکست کامل (که ۱۹.۵ میلیون توکن در سال میخواد و عملاً غیرممکنه)، agentmemory مصرف رو به حدود ۱۷۰ هزار توکن در سال کاهش میده؛ یعنی حدود ۱۰ دلار در سال.
موتور جستوجو ترکیبیه: BM25 (جستوجوی کلمهکلیدی)، Vector Search (جستوجوی معنایی با مدل محلی all-MiniLM-L6-v2 که رایگانه)، و Graph Search — و نتایج هر سه با روش RRF ادغام میشن. یعنی مثلاً اگه دنبال «بهینهسازی پایگاه داده» بگردی، «رفع مشکل N+1 query» رو هم پیدا میکنه، چیزی که جستوجوی کلمهکلیدی ساده از عهدهاش برنمیاد.
یه امکان جالب دیگه Session Replay یا پخش مجدد جلسات هستش. میتونی از طریق ویور وب (پورت ۳۱۱۳) جلسات قبلی رو با کنترل سرعت و ناوبری گامبهگام مرور کنی. حتی میشه فایلهای JSONL قدیمی Claude Code رو هم ایمپورت کرد و در کنار جلسات بومی نمایش داد.
نکات کلیدی:
- حافظه دائمی برای ایجنتهای هوش مصنوعی بدون نیاز به تنظیم دستی
- سازگار با Claude Code، Cursor، Gemini CLI، و هر کلاینت MCP
- دقت بازیابی ۹۵.۲٪ روی بنچمارک LongMemEval-S
- کاهش مصرف توکن به ~۱۷۰ هزار توکن در سال (~۱۰ دلار)
- جستوجوی ترکیبی BM25 + Vector + Graph
- ویور وب لحظهای و قابلیت پخش مجدد جلسات
- کاملاً self-hosted بدون نیاز به سرویس خارجی
