Agentmemory
Agentmemory ist eine lokale, speicherinterne Laufzeitumgebung ohne externe Datenbank für Codierungsagenten, die Sitzungen automatisch über Hooks erfasst, Kontext in Millisekunden mit BM25+Vektor+Wissensgraphen-Abruf abruft und Rohprotokolle kontinuierlich in dauerhafte semantische Speicher konsolidiert – zugänglich über MCP und HTTP mit einem integrierten Viewer.
https://agent-memory.dev/?ref=producthunt&utm_source=aipure
Produktinformationen
Aktualisiert:May 18, 2026
Was ist Agentmemory
Agentmemory ist eine persistente Speicherschicht, die für KI-Codierungsagenten entwickelt wurde, die sonst zwischen den Sitzungen alles vergessen würden. Es läuft lokal als einzelner Node-Prozess (keine Postgres/Redis/Kafka/Vektordatenbank erforderlich) und erfasst, was während der Arbeit Ihres Agenten geschieht – Prompts, Tool-Aufrufe, Sitzungsereignisse – so dass zukünftige Sitzungen diesen Kontext wiederverwenden können, ohne dass Sie Architektur, Präferenzen oder frühere Entscheidungen erneut erklären müssen. Es unterstützt MCP und eine HTTP-first API-Oberfläche (jedes MCP-Tool hat ein REST-Pendant) und wird mit einem Echtzeit-Viewer und einer Konsole geliefert, so dass Sie Sitzungen, Speicher und Systemzustand überprüfen können, während alle Daten auf Ihrem Computer bleiben.
Hauptfunktionen von Agentmemory
Agentmemory ist eine lokale, einprozessige persistente Speicherlaufzeit für KI-Codierungsagenten, die jede Sitzung über automatische Hooks erfasst, Rohbeobachtungen in dauerhafte semantische Erinnerungen konsolidiert und relevante Kontexte in Millisekunden mithilfe hybrider Triple-Stream-Retrieval (BM25 + Vektor + Wissensgraph) mit On-Device-Reranking abruft. Es bietet eine breite MCP-Oberfläche (51 Tools) mit REST-Äquivalenten (121 Endpunkte), enthält integrierte Viewer-/Konsolen-UIs, unterstützt den Import vergangener Transkripte, den Export nach Markdown/Obsidian und kann Erinnerungen über Knoten hinweg über authentifiziertes HTTPS synchronisieren – während externe Datenbanken wie Redis/Postgres/Neo4j vermieden und Daten als JSON auf der Festplatte gespeichert werden.
Automatische Erfassungshooks (12 Hooks): Zeichnet automatisch Prompts, Tool-Aufrufe, Sitzungslebenszyklusereignisse (z. B. PreToolUse/PostToolUse/Stop) auf und komprimiert sie zu Beobachtungen, ohne dass benutzerdefinierter Klebstoffcode erforderlich ist.
Hybrider Abruf in Millisekunden: Verwendet Triple-Stream-Retrieval (lexikalisches BM25 + semantische Vektoren + Wissensgraph-Signale) und On-Device-Reranking, um den relevantesten früheren Kontext anzuzeigen (gemeldet 95,2% R@5 auf LongMemEval-S; p50 < 20ms auf einem Laptop).
Konsolidierungspipeline (roh → semantisch): Führt periodische Sweeps aus, die Beobachtungen in semantische Erinnerungen komprimieren, Duplikate zusammenführen, veraltete Zeilen mit Retention-Scoring verfallen lassen und Audit-Datensätze bei Löschungen für die Governance ausgeben.
MCP-nativ + HTTP-First API: Bietet 51 MCP-Tools (Speichern/Abrufen/Suchen/Sitzungen/Governance/Audit/Export/Graph) und spiegelt jedes Tool mit REST-Endpunkten unter /agentmemory/* für eine einfache Integration und Fehlerbehebung wider.
Integrierte UIs und Beobachtbarkeit: Liefert einen Echtzeit-Viewer (Port 3113) für Live-Streams, Sitzungswiedergabe, Speicher-Browsing und Graphvisualisierung sowie eine Engine-Level-Konsole und OpenTelemetry-Traces/Logs für die operative Sichtbarkeit.
Lokale Speicherung + Föderation/Export: Läuft als einzelner Node-Prozess mit JSON-Zustand auf der Festplatte (keine externen Datenbanken), unterstützt JSONL-Sitzungsimport, Obsidian-bereiten Markdown-Export und authentifizierte Peer-to-Peer-Synchronisierung zwischen Agentmemory-Knoten.
Anwendungsfälle von Agentmemory
Kontinuität der Softwareentwicklung: Persistieren Sie Projektkonventionen, frühere architektonische Entscheidungen und vergangene Debugging-Ergebnisse über Codierungssitzungen hinweg, damit Agenten wie Claude Code/Cursor/Codex die Arbeit ohne erneute Erklärung des Kontexts aufnehmen können.
Team-Wissenserfassung für Ingenieurorganisationen: Erfassen und konsolidieren Sie wiederholte Schritte zur Fehlerbehebung, Runbooks und Vorfall-Erkenntnisse in durchsuchbare semantische Erinnerungen, wodurch die Einarbeitungszeit und der wiederholte Untersuchungsaufwand reduziert werden.
Multi-Agenten-Koordination in komplexen Builds: Ermöglichen Sie mehreren Agenten/Tools, eine konsistente Speicherschicht (über MCP/REST und optionale Föderation) zu teilen, sodass parallele Aufgaben auf dasselbe sich entwickelnde Projektwissen zugreifen können.
Regulierte oder datenschutzsensible Umgebungen: Halten Sie den Speicher lokal auf der Festplatte ohne externe Datenbanken und verwenden Sie Audit-/Governance-Oberflächen, um Löschungen zu verfolgen und die Aufbewahrung zu verwalten – nützlich für Unternehmen mit Anforderungen an die Datenlokalität.
Persönliche Produktivität und Notizen-Hydrierung: Exportieren Sie mit Frontmatter versehenes Markdown in einen Obsidian-Tresor, um Agenteninteraktionen in eine navigierbare persönliche Wissensbasis mit Graphvisualisierung umzuwandeln.
Agentenplattform-Integration über APIs: Betten Sie das Speichern/Abrufen von Erinnerungen in benutzerdefinierte Entwicklertools oder interne Plattformen mithilfe der REST-Endpunkte (curl/Browser/Proxy-freundlich) ein, ohne an ein bestimmtes Agenten-Framework gebunden zu sein.
Vorteile
Lokales, Einzelprozess-Design mit 0 externen Datenbanken vereinfacht die Bereitstellung und hält Daten auf der Entwicklermaschine.
Starke Integrationsfläche: 12 Auto-Hooks, 51 MCP-Tools und REST-Zwillinge erleichtern die Anbindung an viele Agenten-Clients und Workflows.
Schneller und robuster Abruf über hybrides BM25+Vektor+Graph mit On-Device-Reranking; enthält integrierten Viewer und OTEL-Beobachtbarkeit.
Nachteile
Das Ausführen von allem in einem Node-Prozess kann trotz Gesundheitsverbesserungen für kleine Prozesse ein sorgfältiges Ressourcenmanagement auf kleinen Maschinen erfordern.
Einige Anbieteroptionen und Konfigurationen (z. B. optionaler Claude-Agent-SDK-Fallback) können bei Missbrauch operationelle Risiken einführen (rekursives Risiko wurde festgestellt).
Primär optimiert für Codierungsagenten-Workflows; Nicht-Codierungsdomänen benötigen möglicherweise zusätzliche Anpassungen der Erfassungs-/Konsolidierungsstrategien.
Wie verwendet man Agentmemory
1) Starten Sie den lokalen Agentmemory-Server: Führen Sie in einem separaten Terminal aus: npx @agentmemory/agentmemory. Dies startet die Speicherlaufzeit unter http://localhost:3111 und den Echtzeit-Viewer unter http://localhost:3113.
2) Überprüfen Sie, ob der Server fehlerfrei ist: Überprüfen Sie den Health-Endpunkt: curl http://localhost:3111/agentmemory/health. Bestätigen Sie, dass er als 'healthy' gemeldet wird, bevor Sie Clients anschließen.
3) Öffnen Sie den Echtzeit-Viewer (optional, aber empfohlen): Navigieren Sie zu http://localhost:3113, um Live-Beobachtungsströme anzusehen, Speicher zu durchsuchen, Sitzungen wiederzugeben und den Wissensgraphen zu überprüfen.
4) Verbinden Sie einen MCP-fähigen Client (universelle MCP-Konfiguration): Fügen Sie in der MCP-Konfiguration Ihres Clients einen MCP-Server-Eintrag hinzu mit: command=npx, args=["-y","@agentmemory/mcp"], und env AGENTMEMORY_URL=http://localhost:3111. Dies stellt dem Client die vollständige MCP-Tool-Oberfläche von Agentmemory zur Verfügung.
5) (Hermes) Agentmemory als MCP-Server konfigurieren: Fügen Sie in ~/.hermes/config.yaml einen mcp_servers-Eintrag für agentmemory hinzu, der npx mit den Argumenten ["-y","@agentmemory/mcp"] ausführt, und setzen Sie AGENTMEMORY_URL auf http://localhost:3111, damit Hermes auf den vollständigen Satz von Speicherwerkzeugen zugreifen kann.
6) (Hermes) Agentmemory als Speicheranbieter aktivieren: Stellen Sie in derselben Hermes-Konfiguration memory.provider auf agentmemory ein, damit Hermes Agentmemory zum Speichern/Abrufen über Sitzungen hinweg verwendet.
7) Speicherwerkzeuge während der Arbeit verwenden: Rufen Sie von Ihrem MCP-Client aus Agentmemory-Tools auf, um Informationen zu speichern und abzurufen (z. B. wichtige Entscheidungen/Ergebnisse speichern und später abrufen). Agentmemory unterstützt auch intelligente/hybride Abrufe und Sitzungsbrowsing über seine MCP-Tool-Oberfläche.
8) Die REST-API direkt verwenden (optional): Wenn Sie HTTP-Aufrufe bevorzugen, verwenden Sie die REST-Endpunkte unter /agentmemory/* auf localhost:3111 (jedes MCP-Tool hat ein REST-Pendant). Dies ist nützlich für Skripterstellung, Debugging oder Proxying von Ihrem eigenen Agenten.
9) Vergangene Sitzungen importieren (optional): Wenn Sie vorhandene Transkripte von Codierungsagenten (z. B. JSONL) haben, verwenden Sie die Sitzungsimportfunktion von Agentmemory, um frühere Sitzungen in den Speicher zu rehydrieren, damit sie durchsuchbar und wiedergebbar werden.
10) Lassen Sie den Server laufen, während Sie Ihren Agenten verwenden: Lassen Sie den Agentmemory-Server im Hintergrund laufen. Während Sie arbeiten, erfasst er Sitzungen (über Hooks/Plugins, wo unterstützt) und stellt sie für einen schnellen Abruf in zukünftigen Sitzungen zur Verfügung.
11) (Tiefere Hermes-Integration) Installieren Sie das Hermes-Plugin (optional): Für Hook-gesteuerte Erfassung und eine reichhaltigere Integration (Pre-Context-Injektion, Turn-Erfassung, MEMORY.md-Spiegelung, System-Prompt-Block) kopieren Sie das Hermes-Integrations-Plugin aus dem agentmemory-Repo nach ~/.hermes/plugins/agentmemory.
12) Erfassung + Abruf End-to-End bestätigen: Führen Sie eine kurze Aufgabe in Ihrem Agenten aus und verwenden Sie dann den Viewer (3113) oder einen Abruf-/Such-Tool-Aufruf, um zu bestätigen, dass die Sitzung erfasst wurde und in einer späteren Sitzung ohne erneute Erklärung des vorherigen Kontexts abgerufen werden kann.
Agentmemory FAQs
agentmemory ist eine persistente Speicherlaufzeit für KI-Codierungsagenten, die Sitzungen erfasst, relevante Kontexte schnell abruft und Rohbeobachtungen zu längerlebigen semantischen Erinnerungen konsolidiert. Es wird als „die Speicherschicht, die Ihr Codierungsagent von Anfang an hätte haben sollen“ positioniert und ist nicht nur eine Bibliothek oder ein Vektorspeicher.
Beliebte Artikel
Nano Banana SBTI: Was es ist, wie es funktioniert und wie man es im Jahr 2026 einsetzt
Apr 15, 2026
Atoms Review – Der KI-Produkt-Builder, der die digitale Erstellung im Jahr 2026 neu definiert
Apr 10, 2026
Kilo Claw: Wie man einen echten "Do-It-For-You" KI-Agenten bereitstellt und verwendet (2026 Update)
Apr 3, 2026
OpenAI schaltet Sora App ab: Was die Zukunft der KI-Videogenerierung im Jahr 2026 bereithält
Mar 25, 2026
Neueste KI-Tools ähnlich wie Agentmemory
Gait
Gait ist ein Collaboration-Tool, das KI-unterstützte Codegenerierung mit Versionskontrolle integriert und es Teams ermöglicht, KI-generierten Codekontext effizient zu verfolgen, zu verstehen und zu teilen.
invoices.dev
invoices.dev ist eine automatisierte Rechnungsplattform, die Rechnungen direkt aus den Git-Commits der Entwickler generiert und Integrationsmöglichkeiten für GitHub, Slack, Linear und Google-Dienste bietet.
EasyRFP
EasyRFP ist ein KI-gestütztes Edge-Computing-Toolkit, das RFP (Request for Proposal)-Antworten optimiert und eine Echtzeit-Feldphänotypisierung durch Deep-Learning-Technologie ermöglicht.
Cart.ai
Cart.ai ist eine KI-gestützte Dienstleistungsplattform, die umfassende Lösungen zur Automatisierung von Geschäftsprozessen bietet, einschließlich Programmierung, Kundenbeziehungsmanagement, Videobearbeitung, E-Commerce-Setup und benutzerdefinierter KI-Entwicklung mit 24/7 Unterstützung.
Beliebte KI-Tools wie Agentmemory
GitHub Copilot Chat
GitHub Copilot Chat ist ein KI-gestützter Codierungsassistent, der Interaktionen in natürlicher Sprache, Echtzeit-Codevorschläge und kontextuelle Unterstützung direkt innerhalb unterstützter IDEs und GitHub.com bietet.
CopilotForXcode
CopilotForXcode ist eine Xcode-Quell-Editor-Erweiterung, die GitHub Copilot, Codeium und ChatGPT integriert, um KI-gestützte Codevorschläge, Chat-Unterstützung und Prompt-to-Code-Funktionalität innerhalb von Xcode bereitzustellen.
BrowserAI
BrowserAI ist eine Open-Source-Bibliothek, die die Ausführung lokaler Large Language Models (LLMs) direkt in Webbrowsern mit WebGPU-Beschleunigung ermöglicht und datenschutzorientierte KI-Funktionen bietet, ohne dass eine Serverinfrastruktur erforderlich ist.
OpenAI Codex CLI
OpenAI Codex CLI ist ein schlanker Open-Source-Coding-Agent, der in Ihrem Terminal ausgeführt wird und es Entwicklern ermöglicht, natürliche Sprache in Codeausführung zu übersetzen und gleichzeitig ChatGPT-ähnliche Argumentation mit der Möglichkeit, Code auszuführen, Dateien zu bearbeiten und unter Versionskontrolle zu iterieren, bereitzustellen.