Каждый, кто пользовался Claude Code или Codex, сталкивался с такой ситуацией: вчера вы потратили полчаса, объясняя ему структуру проекта, стандарты кодирования и технологический стек, а сегодня открываете новую сессию — и он всё забыл. Начинаем с нуля.
AgentMemory призван решить эту проблему.
Краткий вывод
Если вы используете AI-агентов для программирования более 2 часов в день и одновременно переключаетесь между тремя и более проектами, AgentMemory сэкономит ваше время. Если же вы лишь изредка просите AI написать небольшой скрипт — устанавливать его нет смысла.
Как это работает
Основная идея AgentMemory проста: извлечь «память» агента из сессии, сохранить её во внешнем хранилище и внедрять по мере необходимости через протокол MCP.
Конкретно это работает так:
- После того как агент в ходе диалога усваивает информацию о проекте (структура файлов, соглашения об именовании, технический долг), AgentMemory автоматически извлекает и сохраняет её.
- При открытии новой сессии AgentMemory автоматически загружает релевантную память для текущего проекта.
- Память изолирована по проектам, поэтому данные не смешиваются.
Технически решение построено на MCP (Model Context Protocol), поэтому к нему можно подключить любые инструменты с поддержкой MCP, такие как Claude Code, Codex, Cursor и другие.
Результаты тестирования
Я провел двухнедельное сравнительное тестирование на двух проектах:
Проект A: приложение на Next.js среднего размера (около 150 файлов)
- Без AgentMemory: в среднем требуется 8–10 раундов диалога в каждой новой сессии, чтобы агент понял проект
- С AgentMemory: после первой сессии память загружается автоматически, что экономит в среднем 5–6 раундов диалога
- Потребление токенов снижается примерно на 35% (в основном за счет исключения повторных описаний проекта и контекста кода)
Проект B: пайплайн обработки данных на Python (около 50 файлов)
- Без AgentMemory: около 5–7 раундов за сессию
- С AgentMemory: экономия около 3–4 раундов в последующих сессиях
- Потребление токенов снижается примерно на 28%
Практические впечатления
Плюсы:
- Установка действительно проста: подключение через MCP сводится к настройке одного JSON-файла
- Точность извлечения памяти на достойном уровне: корректно распознаются структура проекта, зависимости и стиль кодирования
- Качественная изоляция между проектами: правила проекта A не попадают в проект B
Минусы:
- Механизм «забывания» памяти довольно грубый. Устаревшая информация (например, вы изменили эндпоинт API, но агент не понимает, что старая память всё ещё актуальна) может загрязнять последующие диалоги
- Поддержка крупных monorepo требует доработки: слишком большой объем загружаемой памяти замедляет время первого ответа
- Показатели бенчмарков выглядят впечатляюще, но они основаны на стандартизированных задачах. В реальных проектах плотность информации и уровень шума значительно выше
Сравнение с нативными решениями для памяти
В самом Claude Code уже есть функция памяти на уровне проекта (через CLAUDE.md), а в Cursor реализовано аналогичное индексирование кодовой базы. Зачем тогда нужен AgentMemory?
- Кроссплатформенность:
CLAUDE.mdработает только в Claude Code, тогда как AgentMemory через MCP может обслуживать несколько инструментов - Структурированность: память в AgentMemory имеет структуру (информация о проекте, стандарты кодирования, известные проблемы), а не представляет собой просто текстовые заметки
- Автоматическое обновление: не нужно вручную поддерживать
CLAUDE.md, память обновляется автоматически в процессе работы агента
Однако если ваш рабочий процесс привязан только к одному инструменту, нативного решения для памяти может быть вполне достаточно.
Стоит ли использовать?
Мои рекомендации:
- Активные пользователи (2+ часа AI-программирования в день): устанавливайте, это сэкономит время
- Умеренные пользователи (несколько раз в неделю): сначала попробуйте нативную память проекта, и если её не хватит, переходите на AgentMemory
- Новички/редкие пользователи: нет необходимости
Кроме того, в бенчмарках проекта заявляется статус «#1», но, изучив методику тестирования, я заметил, что базовый вариант для сравнения (чистый диалог без памяти) довольно слаб. По сравнению с решением на основе ручного ведения CLAUDE.md преимущество не столь велико. Тем не менее, направление верное: управление памятью агентов будет становиться всё важнее, и за этой сферой стоит следить.
Основные источники:
- rohitg00/agentmemory GitHub
- Официальная документация по протоколу MCP