Agent Memory System
Agent Memory System – это открытый, ориентированный на безопасность слой контекста и памяти, который сканирует репозитории в постоянные индексы Markdown/JSON, поддерживает актуальность с помощью Git-ориентированных обновлений и CI-шлюзов, а также обеспечивает передачу между агентами с помощью журналов работы и интеллектуального графа зависимостей.
https://ravbyte-ai.github.io/agent-memory-system?ref=producthunt&utm_source=aipure
Информация о продукте
Обновлено:18/05/2026
Что такое Agent Memory System
Agent Memory System – это инструмент с открытым исходным кодом, "инфраструктура контекста", который добавляет постоянный слой памяти в репозитории кода, чтобы AI-помощники могли сохранять и восстанавливать контекст проекта между сессиями и между инструментами. Поддерживаемый RAVBYTE TECHNOLOGIES PRIVATE LIMITED (лицензия MIT и открытый для вклада сообщества), он генерирует структурированную папку `memory/` (например, индекс контекста, руководства, журналы работы и заметки о передаче), которую любой агент – Codex, Claude, Cursor, Antigravity и другие – может прочитать, чтобы быстро понять кодовую базу, недавнюю историю выполнения и текущее состояние работы.
Ключевые особенности Agent Memory System
Система памяти агента — это "инфраструктурный" уровень с открытым исходным кодом, который сканирует репозитории (и целые рабочие пространства с несколькими репозиториями) для создания долговечных, читаемых агентами артефактов памяти — индексов, руководств, архитектурных карт и журналов работы — чтобы агенты ИИ-кодирования (Codex, Claude, Cursor и т. д.) могли быстрее ориентироваться в кодовых базах, возобновлять работу между сеансами и передавать задачи без повторного чтения всего. Он делает акцент на автоматическом обслуживании с помощью git-ориентированного обслуживания, интеллектуального анализа зависимостей на основе графов для понимания радиуса поражения изменений и защитных механизмов, которые предотвращают утечку секретов, сохраняя при этом полезный операционный контекст.
Сканирование рабочего пространства и репозитория в структурированную память: Сканирование одной командой обнаруживает манифесты, API, конфигурации, тесты, подсказки по хранению, документацию и ключевую структуру во многих папках/репозиториях, затем записывает переносимые файлы памяти Markdown плюс индекс тем (например, context-index.json), который может использовать любой агент.
Git-ориентированное обслуживание и шлюзы свежести: Режим обслуживания (например, `--since main`) обновляет память на основе структурных изменений и проверяет выходные данные, чтобы контекст не отклонялся; проверки CI могут требовать обновленной памяти в PR.
Меж-агентная непрерывность (журнал работы + передача): Записывает контрольные точки, команды, затронутые файлы, блокировки и следующие шаги в журнал работы JSONL и генерирует документ передачи агенту, чтобы новый агент мог мгновенно возобновить работу с минимальными токенами восстановления.
Графовый интеллект для анализа радиуса поражения: Встроенный статический анализ отображает зависимости и архитектурные уровни, обеспечивая быстрые запросы о том, что сломается, если изменится API или модуль, и уменьшая навигацию методом проб и ошибок.
Собственные для агента соглашения и оболочка навыков: Предоставляет переносимые рекомендации о том, какую память читать, когда ее обновлять и как выполнять передачи — разработан для работы с несколькими помощниками и будущими хостами агентов.
Генерация памяти с приоритетом безопасности: Избегает сгенерированных/поставщицких путей, записывает имена переменных среды (но не секретные значения), помечает очевидные секретные шаблоны и маркирует выведенный контент, чтобы агенты знали, что требует проверки.
Варианты использования Agent Memory System
Команды разработчиков программного обеспечения (многорепозиторные монорепозитории): Создайте долговечный контекстный уровень для больших рабочих пространств, чтобы агенты и разработчики могли быстро находить нужные файлы, понимать архитектуру и сокращать повторяющееся "повторное обнаружение кодовой базы" при выполнении задач.
Проверка кода с помощью ИИ и рабочие процессы CI: Используйте шлюзы свежести PR, чтобы гарантировать соответствие памяти изменениям кода, улучшая качество проверки и уменьшая регрессии, вызванные устаревшими архитектурными предположениями.
Передача дел при консалтинге и в агентствах: Генерируйте стандартизированные артефакты передачи дел (журнал работы + документ передачи), чтобы новые инженеры или новые агенты могли приступать к клиентским проектам без длительного онбординга или повторных объяснений.
Программы модернизации и рефакторинга предприятий: Используйте графы зависимостей/архитектуры для оценки радиуса поражения, планирования безопасных рефакторингов и направления агентов к правильным уровням и модулям в устаревших системах.
Поддержка клиентов / инженерные решения для продуктов для разработчиков: Поддерживайте структурированную, безопасную для обмена внутреннюю память о структуре репозитория, общих командах и проверенных рабочих процессах, чтобы инженеры поддержки и агенты могли быстрее воспроизводить проблемы и предлагать исправления.
Преимущества
Открытый исходный код и независимость от агентов: разработан для работы с Codex, Claude, Cursor и другими/будущими агентами с помощью переносимых артефактов памяти.
Сильные примитивы непрерывности: журнал работы + передача сокращают время восстановления и затраты токенов при возобновлении задач или смене агентов.
Разработан с учетом безопасности: избегает секретных значений и сгенерированных путей, при этом захватывая операционно полезный контекст.
Осведомленность о влиянии изменений: интеллектуальный анализ зависимостей на основе графов помогает агентам рассуждать о радиусе поражения вместо того, чтобы гадать.
Недостатки
Требует операционной дисциплины: командам может потребоваться постоянно настраивать проверки CI и запускать рабочие процессы обслуживания, чтобы предотвратить отклонения.
Статический анализ и сканирование могут упускать поведение, проявляющееся только во время выполнения: некоторые архитектурные истины все еще могут требовать проверки в коде/тестах.
Артефакты памяти могут стать шумными без настройки: большие или быстро меняющиеся репозитории могут нуждаться в конфигурации/валидации для поддержания высокой информативности выходных данных.
Как использовать Agent Memory System
1) Инициализируйте Agent Memory System в вашем репозитории: Из корня репозитория запустите: `npx @ravbyte/agent-memory-system@latest init`. Это создаст папку `memory/` и ключевые начальные артефакты, такие как `memory/context-index.json`, `memory/09-agent-guidelines.md` и `memory/10-agent-worklog.md`.
2) (Необязательно) Установите CLI глобально для многократного использования: Если вы предпочитаете постоянную команду `agent-memory`, запустите: `npm install -g @ravbyte/agent-memory-system@latest`.
3) Просканируйте репозиторий для создания/обновления слоя памяти: Запустите сканирование, чтобы сопоставить репозиторий (манифесты, маршруты, API, конфигурации, тесты, подсказки по хранению, документацию и т.д.) и записать Markdown + индекс тем, которые агенты могут прочитать. Пример: `agent-memory scan --json`.
4) Используйте сгенерированные артефакты памяти в качестве начального контекста вашего агента: Направьте вашего кодирующего агента (Codex/Claude/Cursor/и т.д.) на выходные данные `memory/` – особенно на `memory/context-index.json` – чтобы он мог быстро найти нужные файлы и понять архитектуру без повторного обхода кодовой базы.
5) Поддерживайте актуальность памяти по мере изменения репозитория (режим обслуживания): После структурных изменений Git обновите память, чтобы избежать расхождений: `agent-memory maintain --since main`. Это обнаруживает изменения с момента указанной ссылки/ветки и соответствующим образом обновляет `memory/`, с валидацией, чтобы устаревший контекст не сохранялся незаметно.
6) Записывайте прогресс во время сессии агента (журнал работы контрольных точек): По мере выполнения агентом значимой работы, записывайте запись контрольной точки в журнал работы JSONL, чтобы будущие сессии могли точно возобновиться. Пример: `agent-memory worklog checkpoint --agent codex --message "implemented scanner"`.
7) Создайте передачу для следующего агента/сессии: Когда вы прекращаете работу (или хотите, чтобы другой агент продолжил), сгенерируйте сводку передачи: `agent-memory worklog handoff --agent codex --message "tests pass; next publish pages"`. Это создает `memory/agent-handoff.md` для быстрого восстановления между сессиями.
8) Используйте передачу для возобновления работы в новой сессии: В следующей сессии (тот же или другой агент) начните с чтения `memory/agent-handoff.md` плюс соответствующие записи в `memory/agent-worklog.jsonl` (или ссылки на файлы), чтобы продолжить без повторного объяснения предыдущих решений, команд и блокировок.
9) Добавьте дисциплину CI/ревью, чтобы память оставалась точной: Примите рабочий процесс, при котором PR, изменяющие структуру, также обновляют `memory/` (через `agent-memory maintain --since main`) и запускают проверки проекта (проверка типов/тесты/сборка плюс любые шлюзы валидации памяти) перед слиянием, предотвращая попадание устаревшего контекста в ревью.
Часто задаваемые вопросы о Agent Memory System
Agent Memory System — это инфраструктура контекста с открытым исходным кодом, которая предоставляет репозиториям в рабочем пространстве постоянный слой памяти, чтобы контекст проекта, история выполнения и передача данных сохранялись между сеансами и между агентами/инструментами (например, Codex, Claude, Cursor).
Популярные статьи
Nano Banana SBTI: Что это такое, как это работает и как это использовать в 2026 году
Apr 15, 2026
Обзор Atoms — AI Product Builder, переопределяющий цифровое творчество в 2026 году
Apr 10, 2026
Kilo Claw: Как развернуть и использовать настоящего AI-агента "Сделай-Это-За-Вас" (Обновление 2026)
Apr 3, 2026
OpenAI закрывает приложение Sora: что ждет будущее генерации AI-видео в 2026 году
Mar 25, 2026
Последние ИИ-инструменты, похожие на Agent Memory System
Gait
Gait — это инструмент для сотрудничества, который интегрирует генерацию кода с поддержкой ИИ с системой контроля версий, позволяя командам эффективно отслеживать, понимать и делиться контекстом кода, сгенерированного ИИ.
invoices.dev
invoices.dev - это автоматизированная платформа для выставления счетов, которая генерирует счета напрямую из коммитов Git разработчиков, с возможностями интеграции с GitHub, Slack, Linear и Google-услугами.
EasyRFP
EasyRFP — это ИИ-технология для вычислений на краю, которая упрощает ответы на RFP (запросы предложений) и позволяет проводить реальное время полевой фенотипизации с использованием технологий глубокого обучения.
Cart.ai
Cart.ai — это платформа на основе ИИ, предоставляющая комплексные решения для автоматизации бизнеса, включая программирование, управление отношениями с клиентами, редактирование видео, настройку электронной коммерции и разработку пользовательских решений на основе ИИ с поддержкой 24/7.
Популярные ИИ-инструменты, похожие на Agent Memory System
GitHub Copilot Chat
GitHub Copilot Chat — это помощник по кодированию на базе искусственного интеллекта, который обеспечивает взаимодействия на естественном языке, реальные предложения кода и контекстную поддержку непосредственно в поддерживаемых IDE и на GitHub.com.
CopilotForXcode
CopilotForXcode — это расширение редактора исходного кода Xcode, которое интегрирует GitHub Copilot, Codeium и ChatGPT для предоставления предложений по коду на основе искусственного интеллекта, чат-помощи и функциональности prompt-to-code в Xcode.
BrowserAI
BrowserAI — это библиотека с открытым исходным кодом, которая позволяет запускать локальные большие языковые модели (LLM) непосредственно в веб-браузерах с ускорением WebGPU, предлагая возможности ИИ, ориентированные на конфиденциальность, без необходимости в серверной инфраструктуре.
OpenAI Codex CLI
OpenAI Codex CLI - это легкий агент для кодирования с открытым исходным кодом, который работает в вашем терминале, позволяя разработчикам переводить естественный язык в выполнение кода, обеспечивая при этом рассуждения на уровне ChatGPT с возможностью запуска кода, манипулирования файлами и итерации под контролем версий.