Agentmemory
Agentmemory adalah runtime memori lokal-pertama, tanpa database eksternal untuk agen pengkodean yang secara otomatis menangkap sesi melalui kait, mengingat konteks dalam milidetik dengan pengambilan BM25+vektor+grafik pengetahuan, dan terus-menerus mengkonsolidasikan log mentah menjadi memori semantik yang tahan lama—diekspos melalui MCP dan HTTP dengan penampil bawaan.
https://agent-memory.dev/?ref=producthunt&utm_source=aipure
Informasi Produk
Diperbarui:May 18, 2026
Apa itu Agentmemory
Agentmemory adalah lapisan memori persisten yang dirancang untuk agen pengkodean AI yang akan melupakan segalanya di antara sesi. Ini berjalan secara lokal sebagai proses Node tunggal (tidak diperlukan Postgres/Redis/Kafka/vector DB) dan menangkap apa yang terjadi selama pekerjaan agen Anda—prompt, panggilan alat, peristiwa sesi—sehingga sesi mendatang dapat menggunakan kembali konteks tersebut tanpa Anda menjelaskan ulang arsitektur, preferensi, atau keputusan sebelumnya. Ini mendukung MCP dan permukaan API HTTP-first (setiap alat MCP memiliki kembaran REST), dan dilengkapi dengan penampil dan konsol real-time sehingga Anda dapat memeriksa sesi, memori, dan kesehatan sistem sambil menyimpan semua data di mesin Anda.
Fitur Utama Agentmemory
Agentmemory adalah runtime memori persisten lokal-pertama, satu-proses untuk agen pengkodean AI yang menangkap setiap sesi melalui kait otomatis, mengonsolidasikan pengamatan mentah menjadi memori semantik yang tahan lama, dan mengingat konteks yang relevan dalam milidetik menggunakan pengambilan tiga-aliran hibrida (BM25 + vektor + grafik pengetahuan) dengan reranking pada perangkat. Ini mengekspos permukaan MCP yang luas (51 alat) dengan ekuivalen REST (121 titik akhir), termasuk UI penampil/konsol bawaan, mendukung impor transkrip sebelumnya, ekspor ke markdown/Obsidian, dan dapat menyinkronkan memori antar node melalui HTTPS terautentikasi—sambil menghindari basis data eksternal seperti Redis/Postgres/Neo4j dan menyimpan data di disk sebagai JSON.
Kait penangkapan otomatis (12 kait): Secara otomatis merekam prompt, panggilan alat, peristiwa siklus hidup sesi (misalnya, PreToolUse/PostToolUse/Stop), dan mengompresnya menjadi pengamatan tanpa memerlukan kode lem kustom.
Pemanggilan hibrida dalam milidetik: Menggunakan pengambilan tiga-aliran (BM25 leksikal + vektor semantik + sinyal grafik pengetahuan) dan reranking pada perangkat untuk menampilkan konteks sebelumnya yang paling relevan (dilaporkan 95,2% R@5 pada LongMemEval-S; p50 < 20ms pada laptop).
Saluran konsolidasi (mentah → semantik): Menjalankan sapuan berkala yang mengompres pengamatan menjadi memori semantik, menggabungkan duplikat, mengurangi baris yang usang dengan penilaian retensi, dan mengeluarkan catatan audit tentang penghapusan untuk tata kelola.
API MCP-native + HTTP-first: Menyediakan 51 alat MCP (simpan/panggil/cari/sesi/tata kelola/audit/ekspor/grafik) dan mencerminkan setiap alat dengan titik akhir REST di bawah /agentmemory/* untuk integrasi dan debugging yang mudah.
UI bawaan dan observabilitas: Mengirimkan penampil real-time (port 3113) untuk aliran langsung, pemutaran ulang sesi, penjelajahan memori, dan visualisasi grafik, ditambah konsol tingkat mesin dan jejak/log OpenTelemetry untuk visibilitas operasional.
Penyimpanan lokal-pertama + federasi/ekspor: Berjalan sebagai proses Node tunggal dengan status JSON di disk (tanpa DB eksternal), mendukung impor sesi JSONL, ekspor markdown siap Obsidian, dan sinkronisasi peer-to-peer terautentikasi antara node agentmemory.
Kasus Penggunaan Agentmemory
Kontinuitas pengembangan perangkat lunak: Mempertahankan konvensi proyek, keputusan arsitektur sebelumnya, dan hasil debugging sebelumnya di seluruh sesi pengkodean sehingga agen seperti Claude Code/Cursor/Codex dapat melanjutkan pekerjaan tanpa menjelaskan ulang konteks.
Pengambilan pengetahuan tim untuk organisasi teknik: Merekam dan mengonsolidasikan langkah-langkah pemecahan masalah berulang, runbook, dan pembelajaran insiden ke dalam memori semantik yang dapat dicari, mengurangi waktu orientasi dan upaya investigasi berulang.
Koordinasi multi-agen dalam pembangunan kompleks: Memungkinkan beberapa agen/alat untuk berbagi lapisan memori yang konsisten (melalui MCP/REST dan federasi opsional) sehingga tugas paralel dapat merujuk pada pengetahuan proyek yang sama yang berkembang.
Lingkungan yang diatur atau sensitif privasi: Menyimpan memori secara lokal di disk tanpa basis data eksternal dan menggunakan permukaan audit/tata kelola untuk melacak penghapusan dan mengelola retensi—berguna untuk perusahaan dengan persyaratan lokalitas data.
Produktivitas pribadi dan hidrasi catatan: Mengekspor markdown yang diberi tag frontmatter ke dalam vault Obsidian untuk mengubah interaksi agen menjadi basis pengetahuan pribadi yang dapat dinavigasi dengan visualisasi grafik.
Integrasi platform agen melalui API: Menyematkan penyimpanan/pemanggilan memori ke dalam alat pengembang kustom atau platform internal menggunakan titik akhir REST (ramah curl/browser/proxy) tanpa terkunci dalam kerangka agen tertentu.
Kelebihan
Desain lokal-pertama, satu-proses dengan 0 basis data eksternal menyederhanakan penyebaran dan menyimpan data di mesin pengembang.
Permukaan integrasi yang kuat: 12 kait otomatis, 51 alat MCP, dan kembaran REST memudahkan untuk dihubungkan ke banyak klien dan alur kerja agen.
Pengambilan yang cepat dan kuat melalui hibrida BM25+vektor+grafik dengan reranking pada perangkat; termasuk penampil bawaan dan observabilitas OTEL.
Kekurangan
Menjalankan semuanya dalam satu proses Node mungkin memerlukan manajemen sumber daya yang cermat pada mesin kecil meskipun ada peningkatan kesehatan untuk proses kecil.
Beberapa opsi dan konfigurasi penyedia (misalnya, fallback SDK agen Claude opsional) dapat menimbulkan risiko operasional jika disalahgunakan (risiko rekursi yang dicatat).
Terutama dioptimalkan untuk alur kerja agen pengkodean; domain non-pengkodean mungkin memerlukan penyesuaian tambahan strategi penangkapan/konsolidasi.
Cara Menggunakan Agentmemory
1) Mulai server Agentmemory lokal: Di terminal terpisah, jalankan: npx @agentmemory/agentmemory. Ini memulai runtime memori di http://localhost:3111 dan penampil real-time di http://localhost:3113.
2) Verifikasi server sehat: Periksa titik akhir kesehatan: curl http://localhost:3111/agentmemory/health. Konfirmasikan bahwa itu melaporkan sehat sebelum menghubungkan klien apa pun.
3) Buka penampil real-time (opsional tetapi disarankan): Navigasi ke http://localhost:3113 untuk menonton aliran observasi langsung, menelusuri memori, memutar ulang sesi, dan memeriksa grafik pengetahuan.
4) Hubungkan klien yang mendukung MCP (konfigurasi MCP universal): Tambahkan entri server MCP dalam konfigurasi MCP klien Anda menggunakan: command=npx, args=["-y","@agentmemory/mcp"], dan env AGENTMEMORY_URL=http://localhost:3111. Ini mengekspos seluruh permukaan alat MCP Agentmemory ke klien.
5) (Hermes) Konfigurasi Agentmemory sebagai server MCP: Di ~/.hermes/config.yaml, tambahkan entri mcp_servers untuk agentmemory yang menjalankan npx dengan argumen ["-y","@agentmemory/mcp"], dan atur AGENTMEMORY_URL ke http://localhost:3111 agar Hermes dapat mengakses seluruh set alat memori.
6) (Hermes) Aktifkan Agentmemory sebagai penyedia memori: Dalam konfigurasi Hermes yang sama, atur memory.provider ke agentmemory agar Hermes menggunakan Agentmemory untuk menyimpan/mengingat di seluruh sesi.
7) Gunakan alat memori selama bekerja: Dari klien MCP Anda, panggil alat Agentmemory untuk menyimpan dan mengambil informasi (misalnya, menyimpan keputusan/hasil penting, lalu mengingatnya nanti). Agentmemory juga mendukung penarikan cerdas/hibrida dan penelusuran sesi melalui permukaan alat MCP-nya.
8) Gunakan REST API secara langsung (opsional): Jika Anda lebih suka panggilan HTTP, gunakan titik akhir REST di bawah /agentmemory/* di localhost:3111 (setiap alat MCP memiliki kembaran REST). Ini berguna untuk scripting, debugging, atau proxy dari agen Anda sendiri.
9) Impor sesi sebelumnya (opsional): Jika Anda memiliki transkrip agen pengkodean yang ada (misalnya, JSONL), gunakan kemampuan impor sesi Agentmemory untuk menghidrasi ulang sesi sebelumnya ke dalam penyimpanan sehingga dapat dicari dan diputar ulang.
10) Biarkan server berjalan saat Anda menggunakan agen Anda: Biarkan server Agentmemory berjalan di latar belakang. Saat Anda bekerja, ia menangkap sesi (melalui kait/plugin jika didukung) dan membuatnya tersedia untuk penarikan cepat di sesi mendatang.
11) (Integrasi Hermes yang lebih dalam) Instal plugin Hermes (opsional): Untuk pengambilan berbasis kait dan integrasi yang lebih kaya (injeksi pra-konteks, pengambilan giliran, pencerminan MEMORY.md, blok prompt sistem), salin plugin integrasi Hermes dari repo agentmemory ke ~/.hermes/plugins/agentmemory.
12) Konfirmasi pengambilan + penarikan end-to-end: Jalankan tugas singkat di agen Anda, lalu gunakan penampil (3113) atau panggilan alat penarikan/pencarian untuk mengonfirmasi bahwa sesi telah ditangkap dan dapat diambil di sesi selanjutnya tanpa menjelaskan ulang konteks sebelumnya.
FAQ Agentmemory
agentmemory adalah runtime memori persisten untuk agen pengkodean AI yang menangkap sesi, mengingat konteks yang relevan dengan cepat, dan mengonsolidasikan pengamatan mentah menjadi memori semantik yang lebih tahan lama. Ini diposisikan sebagai “lapisan memori yang seharusnya dimiliki agen pengkodean Anda sejak hari pertama,” dan bukan hanya pustaka atau penyimpanan vektor.
Artikel Populer
Nano Banana SBTI: Apa Itu, Bagaimana Cara Kerjanya, dan Cara Menggunakannya di Tahun 2026
Apr 15, 2026
Ulasan Atoms — Pembuat Produk AI yang Mendefinisikan Ulang Kreasi Digital di Tahun 2026
Apr 10, 2026
Kilo Claw: Cara Menerapkan dan Menggunakan Agen AI "Lakukan-Untuk-Anda" Sejati (Pembaruan 2026)
Apr 3, 2026
OpenAI Menutup Aplikasi Sora: Apa yang Akan Terjadi pada Generasi Video AI di Tahun 2026
Mar 25, 2026
Alat AI Terbaru Serupa dengan Agentmemory
Gait
Gait adalah alat kolaborasi yang mengintegrasikan generasi kode yang dibantu AI dengan kontrol versi, memungkinkan tim untuk melacak, memahami, dan membagikan konteks kode yang dihasilkan AI dengan efisien.
invoices.dev
invoices.dev adalah platform penagihan otomatis yang menghasilkan faktur langsung dari komit Git pengembang, dengan kemampuan integrasi untuk layanan GitHub, Slack, Linear, dan Google.
EasyRFP
EasyRFP adalah toolkit komputasi tepi yang didukung AI yang memperlancar respons RFP (Permintaan Proposal) dan memungkinkan fenotip lapangan waktu nyata melalui teknologi pembelajaran mendalam.
Cart.ai
Cart.ai adalah platform layanan bertenaga AI yang menyediakan solusi otomatisasi bisnis yang komprehensif termasuk pengkodean, manajemen hubungan pelanggan, pengeditan video, pengaturan e-commerce, dan pengembangan AI kustom dengan dukungan 24/7.
Alat AI Populer Seperti Agentmemory
GitHub Copilot Chat
GitHub Copilot Chat adalah asisten pengkodean bertenaga AI yang menyediakan interaksi bahasa alami, saran kode waktu nyata, dan dukungan kontekstual langsung di dalam IDE yang didukung dan GitHub.com.
CopilotForXcode
CopilotForXcode adalah Ekstensi Editor Sumber Xcode yang mengintegrasikan GitHub Copilot, Codeium, dan ChatGPT untuk memberikan saran kode yang didukung AI, bantuan obrolan, dan fungsionalitas prompt-to-code di dalam Xcode.
BrowserAI
BrowserAI adalah pustaka sumber terbuka yang memungkinkan menjalankan Model Bahasa Besar (LLM) lokal langsung di browser web dengan akselerasi WebGPU, menawarkan kemampuan AI yang berfokus pada privasi tanpa memerlukan infrastruktur server.
OpenAI Codex CLI
OpenAI Codex CLI adalah agen pengkodean sumber terbuka ringan yang berjalan di terminal Anda, memungkinkan pengembang untuk menerjemahkan bahasa alami ke dalam eksekusi kode sambil memberikan penalaran tingkat ChatGPT dengan kemampuan untuk menjalankan kode, memanipulasi file, dan melakukan iterasi di bawah kontrol versi.