agentmemory/READMEs/README.ru-RU.md at main · rohitg00/agentmemory

Ваш агент программирования помнит всё. Больше не нужно объяснять заново. Built on iii engine
Постоянная память для Claude Code, Cursor, Gemini CLI, Codex CLI, Hermes, OpenClaw, pi, OpenCode и любого MCP-клиента.

Этот gist расширяет шаблон LLM Wiki от Karpathy: confidence-оценкой, жизненным циклом, графами знаний и гибридным поиском — agentmemory является его реализацией.

95.2% retrieval R@5 92% fewer tokens 54 MCP tools 12 auto hooks 0 external DBs 1,674+ tests passing

Установка • Быстрый старт • Бенчмарки • Сравнение • Агенты • Как это работает • MCP • Просмотрщик • Powered by iii • Конфигурация • API

Install

Одна команда:

npx @agentmemory/agentmemory

Первый запуск — это интерактивная настройка: выберите агентов для подключения (Claude Code, Cursor, Codex, Gemini CLI, OpenCode, ...), выберите LLM-провайдера или останьтесь без ключей — и она заполнит конфиг, запустит сервер памяти на :3111 и предложит установить пакет глобально, чтобы простая команда agentmemory дальше работала везде.

Затем убедитесь, что recall работает, и выдайте агенту его skill'ы:

agentmemory demo --serve                 # seed sample sessions + watch recall find them
npx skills add rohitg00/agentmemory -y   # 17 native skills so your agent knows when to reach for memory

Предпочитаете, чтобы всё это сделал агент программирования? Передайте ему одну инструкцию:

Retrieve and follow the instructions at: https://raw.githubusercontent.com/rohitg00/agentmemory/main/INSTALL_FOR_AGENTS.md

Подключайте дополнительных агентов в любой момент через agentmemory connect <agent> — 20 адаптеров перечислены в разделе Работает с каждым агентом. Полный справочник команд — в разделе Быстрый старт.

Windows

Быстрый путь — WSL2. Нативная установка движка на Windows выполняется вручную (примерно 10–20 минут), а agentmemory connect там пока не поддерживается. Пошаговая инструкция — в заметках о Windows.

Глобальная установка / EACCES

npm install -g @agentmemory/agentmemory
# If you hit EACCES on macOS/Linux system Node installs:
sudo npm install -g @agentmemory/agentmemory

npx выдаёт старую версию

npx кеширует пакеты по версиям. Принудительно возьмите свежий через npx -y @agentmemory/agentmemory@latest или однократно очистите кеш: rm -rf ~/.npm/_npx (macOS/Linux; на Windows удалите %LOCALAPPDATA%\npm-cache\_npx).

Уже запущен собственный движок iii

agentmemory закреплён на iii-engine v0.11.2 и не подключится к другой версии (воркер не умеет говорить на протоколе другого движка). Остановите другой движок и запустите npx -y @agentmemory/agentmemory@latest — он установит и запустит закреплённый v0.11.2 в ~/.agentmemory/bin, не трогая ваш собственный iii.

agentmemory работает с любым агентом, поддерживающим хуки, MCP или REST API. Все агенты используют один и тот же сервер памяти.

Claude Code _{нативный плагин + 12 хуков + MCP}	Codex CLI _{нативный плагин + 6 хуков + MCP}	OpenClaw _{нативный плагин + MCP}	Hermes _{нативный плагин + MCP}	pi _{нативный плагин + MCP}	OpenHuman _{нативный бэкенд трейта Memory}	Cursor _{MCP-сервер}	Gemini CLI _{MCP-сервер}
OpenCode _{22 хука + MCP + плагин}	Cline _{MCP-сервер}	Goose _{MCP-сервер}	Kilo Code _{MCP-сервер}	Aider _{REST API}	Claude Desktop _{MCP-сервер}	Devin _{6 hooks + MCP}	Roo Code _{MCP-сервер}

_{Работает с любым агентом, который говорит на MCP или HTTP. Один сервер — общая память для всех.}

Вы заново объясняете архитектуру в каждой сессии. Вы заново находите те же баги. Вы заново обучаете агента тем же предпочтениям. Встроенная память (CLAUDE.md, .cursorrules) упирается в 200 строк и устаревает. agentmemory это решает. Он тихо собирает то, что делает ваш агент, сжимает это в индексируемую память и подмешивает нужный контекст при старте следующей сессии. Одна команда. Работает между агентами.

Что меняется: В сессии 1 вы настраиваете JWT-аутентификацию. В сессии 2 просите добавить rate limiting. Агент уже знает, что аутентификация использует middleware jose в src/middleware/auth.ts, что ваши тесты покрывают валидацию токенов, и что вы выбрали jose, а не jsonwebtoken, из-за совместимости с Edge — без повторных объяснений и без копирования-вставки.

npx @agentmemory/agentmemory

Новое в v0.9.0 — Лендинг по адресу agent-memory.dev, коннектор файловой системы (@agentmemory/fs-watcher), автономный MCP теперь проксирует к работающему серверу, поэтому хуки и просмотрщик согласованы, политика аудита кодифицирована для каждого пути удаления, проверка состояния больше не помечает memory_critical на маленьких Node-процессах. Полные заметки в CHANGELOG.md.

Точность извлечения

coding-agent-life-v1 (внутренний корпус, воспроизводимо в sandbox)

Адаптер	P@5	R@5	Top-5 hit rate	p50-задержка
agentmemory hybrid	0.240	1.000	15 / 15	14 мс
Базовый grep	0.227	0.967	15 / 15	0 мс

100 % попаданий в top-5 на математическом потолке P@5 для этого корпуса (0.240, см. scorecard). Hybrid извлекает каждую gold-сессию; grep промахивается на 1 из 2 gold в мультисессионном темпоральном запросе. Выигрыш — это recall + темпоральность, а не суммарная точность. Этот бенчмарк маленький и разреженный по gold; более крупный LongMemEval-S ниже различает лучше. Полная разбивка по типам и заметка о поправке: docs/benchmarks/2026-05-20-coding-agent-life-v1.md.

LongMemEval-S (ICLR 2025, 500 вопросов)

Система	R@5	R@10	MRR
agentmemory	95.2%	98.6%	88.2%
Fallback только BM25	86.2%	94.6%	71.5%

Экономия токенов

Подход	Токенов в год	Стоимость в год
Вставлять весь контекст	19,5М+	Невозможно (выходит за окно)
LLM-резюме	~650K	~500 $
agentmemory	~170K	~10 $
agentmemory + локальные эмбеддинги	~170K	0 $

Модель эмбеддингов: all-MiniLM-L6-v2 (локальная, бесплатная, без API-ключа). Полные отчёты: benchmark/LONGMEMEVAL.md, benchmark/QUALITY.md, benchmark/SCALE.md. Сравнение с конкурентами: benchmark/COMPARISON.md — agentmemory против mem0, Letta, Khoj, supermemory, TencentDB Agent Memory, MemPalace, Zep/Graphiti, Cognee, Hippo.

Воспроизведите локально: eval/README.md — harness с подключаемыми адаптерами для LongMemEval _s (публичный, 500 вопросов) и coding-agent-life-v1 (внутренний корпус из 15 сессий). Адаптеры grep / vector / agentmemory сравниваются бок о бок, вывод NDJSON, опубликованные scorecard'ы попадают в docs/benchmarks/.

Хорошо сочетается с codegraph, Understand Anything и Graphify. Индексация кодового графа, мультиагентные конвейеры сборки и более широкие графы знаний по докам / PDF / изображениям / видео. agentmemory запоминает работу; эти три проекта подсвечивают остальное в слое контекста. Рецепты и таблица маршрутизации вопросов: docs/recipes/pairings.md.

	agentmemory	mem0 (63K ⭐)	Letta / MemGPT (24K ⭐)	Khoj (36K ⭐)	supermemory (29K ⭐)	TencentDB Agent Memory (22K ⭐)	MemPalace (54K ⭐)	oracleagentmemory	Hippo	Встроенное (CLAUDE.md)
Тип	Движок памяти + MCP-сервер	API уровня памяти	Полноценный агентский runtime	Персональный ИИ	API памяти + приложение	Командный хаб памяти (LLM-прокси)	Векторная память (OSS)	Движок памяти (Oracle DB)	Система памяти	Статический файл
R@5 при извлечении	95.2%	68.5% (LoCoMo)	83.2% (LoCoMo)	Н/Д	Заявлено вендором	PersonaMem 76% (заявлено вендором)	~96.6% (заявлено вендором)	94.4% (заявлено вендором)	Н/Д	Н/Д (grep)
Авто-захват	12 хуков (никаких ручных усилий)	Ручные вызовы `add()`	Агент сам редактирует	Вручную	Извлечение на стороне API	Перехват через прокси (подмена base-URL)	Вручную	Извлечение через API	Вручную	Ручное редактирование
Поиск	BM25 + векторный + граф (RRF-слияние)	Векторный + граф	Векторный (архивный)	Семантический	Векторный + RAG	4 типа ассетов (Chat / Skill / Wiki / CodeGraph)	Только векторный	Векторный + семантический	Взвешенный по затуханию	Загружает всё в контекст
Мультиагентность	MCP + REST + lease'ы + сигналы	API (без координации)	Только внутри runtime Letta	Нет	Нет	Командные роли + общие ассеты	Нет	Только scope'ы	Мультиагентная общая	Отдельные файлы на агента
Привязка к фреймворку	Нет (любой MCP-клиент)	Нет	Высокая (нужен Letta)	Standalone	Нет	Прокси стоит перед каждым вызовом модели	Нет	Oracle Database	Нет	Формат на агента
Внешние зависимости	Нет (SQLite + iii-engine)	Qdrant / pgvector	Postgres + векторная БД	Несколько	Managed-облако	Docker-стек (Core + Hub + Proxy)	Векторное хранилище	Oracle AI Database	Нет	Нет
Жизненный цикл памяти	4-уровневая консолидация + затухание + авто-забывание	Пассивное извлечение	Управляется агентом	Вручную	Авто-забывание	Ручной ревью; авто-маршрутизация в разработке	Нет	Не указано	Затухание + консолидация	Ручное усечение
Эффективность по токенам	~1 900 токенов/сессия (10 $/год)	Зависит от интеграции	Core memory в контексте	Зависит	Облачные тарифы	Не указано	Без токен-бюджета	На основе LLM (варьируется)	Зависит	22K+ токенов при 240 наблюдениях
Просмотрщик в реальном времени	Да (порт 3113)	Облачная панель	Облачная панель	Веб-UI	Облачная панель	Веб-UI хаба	Нет	Нет	Нет	Нет
Self-hosted	Да (по умолчанию)	Опционально	Опционально	Да	Нет (только облако)	Да (Docker)	Да	Да (Oracle DB)	Да	Да

_{Заметка о бенчмарках: только R@5 agentmemory — наш собственный замер (LongMemEval-S, воспроизводимо из benchmark/COMPARISON.md). Цифры mem0 и Letta — их опубликованные результаты LoCoMo (другой датасет); цифры MemPalace, supermemory, TencentDB (PersonaMem) и oracleagentmemory — самозаявленные вендорами значения, которые мы независимо не воспроизводили (прогон oracleagentmemory использовал GPT-5.5 против Oracle AI Database). Показаны рядом только для ориентира, это не сравнение лоб в лоб на одинаковых данных. Количество звёзд приблизительно и меняется со временем.}

Более новые участники, которых стоит знать; подробное сравнение — в benchmark/COMPARISON.md:

Система	⭐	Особенность
Zep / Graphiti	30K	Темпоральный граф знаний; сильнейшие опубликованные результаты на темпоральных запросах (LongMemEval 63.8%), но граф строится асинхронно, поэтому свежие факты могут запаздывать
Cognee	30K	Превращение документов в граф знаний, только Python, создан для структурированного извлечения сущностей, а не для захвата сессий

Никто из них не делает авто-захват из хуков агентов программирования, не поставляет local-first просмотрщик и не работает без ключей — а именно вокруг этой комбинации построен agentmemory.

Совместимость: этот релиз нацелен на стабильный iii-sdk ^0.11.0 и iii-engine v0.11.x.

Попробуйте за 30 секунд

# Terminal 1: start the server
npx @agentmemory/agentmemory

# Terminal 2: seed sample data and see recall in action
npx @agentmemory/agentmemory demo

demo заполняет 3 реалистичные сессии (JWT-аутентификация, исправление N+1-запроса, rate limiting) и запускает по ним семантический поиск. Вы увидите, как находится «N+1 query fix», когда вы ищете «database performance optimization» — keyword-сопоставление так не умеет.

Откройте http://localhost:3113, чтобы видеть построение памяти в реальном времени.

Повседневные команды

Установка и настройка описаны в разделе Install выше (первый запуск проведёт вас по шагам). В повседневной работе:

agentmemory                    # start the server
agentmemory stop               # tear it down
agentmemory connect <agent>    # wire another agent
agentmemory doctor             # interactive diagnostics + fix prompts
agentmemory remove             # uninstall everything we created

Воспроизведение сессий

Каждую сессию, которую записывает agentmemory, можно воспроизвести. Откройте просмотрщик, выберите вкладку Replay и пролистывайте таймлайн: промпты, вызовы инструментов, результаты вызовов и ответы отображаются как отдельные события с play/pause, регулировкой скорости (от 0,5x до 4x) и горячими клавишами (пробел переключает, стрелки — пошаговое перемещение).

Чтобы подгрузить старые JSONL-расшифровки Claude Code:

# Import everything under the default ~/.claude/projects
npx @agentmemory/agentmemory import-jsonl

# Or import a single file
npx @agentmemory/agentmemory import-jsonl ~/.claude/projects/-my-project/abc123.jsonl

Импортированные сессии появятся в Replay-пикере рядом с нативными. Под капотом каждая запись проходит через iii-функции mem::replay::load, mem::replay::sessions и mem::replay::import-jsonl — никаких побочных серверов. Каждая импортированная расшифровка индексируется для поиска, помечается каналом происхождения import и обрабатывается для получения session crystal и уроков.

Внимание, если import-jsonl — ваш основной путь захвата: параметр cleanupPeriodDays в Claude Code (в ~/.claude/settings.json, по умолчанию 30) автоматически удаляет JSONL-расшифровки старше этого окна из ~/.claude/projects/. Если вы ставите agentmemory заново на историю Claude Code возрастом в несколько месяцев, всё старше 30 дней уже пропало до первого импорта. Либо запускайте import-jsonl по cron, либо поднимите cleanupPeriodDays повыше, либо подключите хуки авто-захвата (путь установки плагина по умолчанию), чтобы каждый ход попадал в agentmemory ещё во время живой сессии — тогда очистка JSONL перестаёт иметь значение.

Обновление / Обслуживание

Используйте команду обслуживания, когда специально хотите обновить локальный runtime:

npx @agentmemory/agentmemory upgrade

Внимание: команда меняет текущее рабочее окружение / runtime. Она может обновлять JavaScript-зависимости и стянуть закреплённый Docker-образ iiidev/iii:0.11.2. Она никогда не устанавливает незакреплённый или более новый движок iii.

Детали реализации — в src/cli.ts (см. runUpgrade в районе src/cli.ts:544-595).

Claude Code (один блок, вставьте его)

Install agentmemory: run `npx @agentmemory/agentmemory` in a separate terminal to start the memory server. Then run `/plugin marketplace add rohitg00/agentmemory` and `/plugin install agentmemory` — the plugin registers all 12 hooks, 17 skills, AND auto-wires the `@agentmemory/mcp` stdio server via its `.mcp.json`, so you get 54 MCP tools (memory_smart_search, memory_save, memory_sessions, memory_governance_delete, etc.) without any extra config step. Verify with `curl http://localhost:3111/agentmemory/health`. The real-time viewer is at http://localhost:3113.

Claude Code без установки плагина (путь MCP-standalone)

Если подключать MCP-сервер agentmemory через ~/.claude.json напрямую, минуя /plugin install, Claude Code никогда не разрешит ${CLAUDE_PLUGIN_ROOT}, и в ~/.claude/settings.json придётся прописывать абсолютные пути к скриптам хуков. Эти пути обычно включают версию agentmemory (например, ~/.codex/plugins/cache/agentmemory/agentmemory/0.9.21/scripts/…), так что следующее обновление тихо ломает каждый хук.

Обходное решение:

agentmemory connect claude-code --with-hooks

Это вливает те же команды хуков в ~/.claude/settings.json с абсолютными путями, разрешёнными в каталог plugin/ текущего установленного пакета @agentmemory/agentmemory. После обновления agentmemory запустите команду ещё раз, чтобы освежить пути. Записи пользователя в этом файле сохраняются; заменяются только предыдущие записи agentmemory. Рекомендуемым способом остаётся путь через /plugin install. Для удалённых или защищённых развертываний запускайте Claude Code с заданными AGENTMEMORY_URL и AGENTMEMORY_SECRET. Плагин пробрасывает обе переменные во встроенный MCP-сервер; если AGENTMEMORY_URL пуст, MCP-shim использует http://localhost:3111.

Codex CLI (платформа плагинов Codex)

# 1. start the memory server in a separate terminal
npx @agentmemory/agentmemory

# 2. register the agentmemory marketplace and install the plugin
codex plugin marketplace add rohitg00/agentmemory
codex plugin add agentmemory@agentmemory

Плагин Codex поставляется из того же каталога plugin/, что и плагин Claude Code. Он регистрирует:

@agentmemory/mcp как MCP-сервер (проксирует все 54 инструмент, когда AGENTMEMORY_URL указывает на работающий сервер agentmemory; локально откатывается к 7 инструментам, если сервер недоступен)
6 хуков жизненного цикла: SessionStart, UserPromptSubmit, PreToolUse, PostToolUse, PreCompact, Stop
9 вызываемых skills: /recall, /remember, /session-history, /forget, /recap, /handoff, /lesson, /commit-context, /commit-history, плюс 8 справочных skills, которые агент загружает по запросу (memory discipline, инструменты MCP, REST API, конфигурация, агенты, хуки, архитектура и руководство по написанию skills)

Хук-движок Codex подставляет CLAUDE_PLUGIN_ROOT в подпроцессы хуков (см. codex-rs/hooks/src/engine/discovery.rs), поэтому одни и те же скрипты хуков работают на обоих хостах без дублирования. События Subagent / SessionEnd / Notification / TaskCompleted / PostToolUseFailure доступны только в Claude Code и для Codex не регистрируются.

Codex Desktop: хуки плагинов сейчас тихие (есть обходное решение)

CodexHooks и PluginHooks оба стабильны и включены по умолчанию в codex-rs/features/src/lib.rs, но текущие сборки Codex Desktop не диспатчат локальный hooks.json плагина (openai/codex#16430). Инструменты MCP по-прежнему работают; не хватает только наблюдений жизненного цикла.

Пока upstream не подвезёт фикс, продублируйте те же команды хуков в глобальный ~/.codex/hooks.json:

agentmemory connect codex --with-hooks

Это добавляет идемпотентный блок в ~/.codex/hooks.json со ссылками на абсолютные пути к встроенным скриптам (раскрывать ${CLAUDE_PLUGIN_ROOT} на уровне пользователя не нужно). После обновления agentmemory запустите ту же команду ещё раз, чтобы освежить пути. Записи пользователя в этом файле сохраняются; заменяются только предыдущие записи agentmemory.

OpenClaw (вставьте этот промпт)

Install agentmemory for OpenClaw. Run `npx @agentmemory/agentmemory` in a separate terminal to start the memory server on localhost:3111. Then add this to my OpenClaw MCP config so agentmemory is available with all 54 memory tools:

{
  "mcpServers": {
    "agentmemory": {
      "command": "npx",
      "args": ["-y", "@agentmemory/mcp"],
      "env": {
        "AGENTMEMORY_URL": "http://localhost:3111"
      }
    }
  }
}

Restart OpenClaw. Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localhost:3113 for the real-time viewer. For deeper memory-slot integration, copy `integrations/openclaw` to `~/.openclaw/extensions/agentmemory` and enable `plugins.slots.memory = "agentmemory"` in `~/.openclaw/openclaw.json`.

Полное руководство: integrations/openclaw/

Hermes Agent (вставьте этот промпт)

Install agentmemory for Hermes. Run `npx @agentmemory/agentmemory` in a separate terminal to start the memory server on localhost:3111. Then add this to ~/.hermes/config.yaml so Hermes can use agentmemory as an MCP server with all 54 memory tools:

mcp_servers:
  agentmemory:
    command: npx
    args: ["-y", "@agentmemory/mcp"]

memory:
  provider: agentmemory

Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localhost:3113 for the real-time viewer. For deeper 6-hook memory provider integration (pre-LLM context injection, turn capture, MEMORY.md mirroring, system prompt block), copy integrations/hermes from the agentmemory repo to ~/.hermes/plugins/agentmemory.

Полное руководство: integrations/hermes/

Другие агенты

Запустите сервер памяти: npx @agentmemory/agentmemory

Нативные skill'ы через `npx skills add` (50+ агентов)

agentmemory поставляет 17 skill'ов в формате <dir>/SKILL.md в стиле Claude Code: 9 вызываемых action-skill'ов (remember, recall, recap, handoff, forget, lesson, commit-context, commit-history, session-history) и 8 справочных skill'ов, которые агент подгружает по мере надобности (memory-discipline, agentmemory-mcp-tools, agentmemory-rest-api, agentmemory-config, agentmemory-agents, agentmemory-hooks, agentmemory-architecture, write-agentmemory-skill). Справочные skill'ы содержат таблицы данных, сгенерированные из исходников, поэтому они никогда не устаревают. CLI skills от vercel-labs автоматически устанавливает их в нативный каталог skill'ов вызывающего агента для 50+ агентов (Claude Code, Cursor, Cline, Continue, Droid, Warp, Codex, Antigravity, Kiro, OpenCode, Goose, Roo, Trae, Windsurf и другие):

npx skills add rohitg00/agentmemory -y          # auto-detects the calling agent
npx skills add rohitg00/agentmemory -y -a warp  # explicit agent
npx skills add rohitg00/agentmemory -y -a '*'   # install to every installed agent

Это дополняет agentmemory connect <agent>:

agentmemory connect <agent> записывает конфиг MCP-сервера, чтобы инструменты были доступны.
npx skills add rohitg00/agentmemory устанавливает skill'ы, чтобы агент знал, когда их вызывать.

Для немногих агентов, которые skills CLI пока не покрывает (Zed v1.3.x и ниже), разложите 17 файлов SKILL.md по нативному каталогу skill'ов агента самостоятельно; тот же формат работает везде.

Стандартный блок MCP

Запись agentmemory — это один и тот же блок MCP-сервера для всех хостов, использующих формат mcpServers (Cursor, Claude Desktop, Cline, Roo Code, Windsurf, Gemini CLI, OpenClaw):

"agentmemory": {
  "command": "npx",
  "args": ["-y", "@agentmemory/mcp"],
  "env": {
    "AGENTMEMORY_URL": "${AGENTMEMORY_URL}",
    "AGENTMEMORY_SECRET": "${AGENTMEMORY_SECRET}"
  }
}

Вставьте эту запись в существующий объект mcpServers в файле конфигурации хоста — не заменяйте сам файл. Если там уже есть другие серверы, добавьте agentmemory рядом с ними как новый ключ внутри mcpServers. Если mcpServers отсутствует совсем, вставьте блок внутрь { "mcpServers": { ... } }. Подстановки ${VAR} наследуют AGENTMEMORY_URL / AGENTMEMORY_SECRET из shell в момент запуска MCP-сервера — незаданные переменные передаются пустыми, и shim откатывается на http://localhost:3111. Одна подключённая запись покрывает как локальные, так и удалённые (k8s / reverse-proxied) развертывания.

Агент	Файл конфигурации	Заметки
Cursor	`~/.cursor/mcp.json`	Добавить в `mcpServers`. Также доступен deeplink в один клик на сайте.
Claude Desktop	`claude_desktop_config.json` (Application Support)	Добавить в `mcpServers`. После правки перезапустить Claude Desktop.
Cline / Roo Code / Kilo Code	Настройки MCP в Cline (Settings UI → MCP Servers → Edit)	Тот же блок `mcpServers`.
Devin CLI	`~/.config/devin/config.json`	`agentmemory connect devin` добавляет MCP-запись; `--with-hooks` подключает шесть нативных hooks автозахвата (SessionStart, UserPromptSubmit, PreToolUse, PostToolUse, Stop, SessionEnd) с матчерами инструментов Devin в нижнем регистре. Проверьте через `devin mcp list` и `/hooks` внутри devin.
Devin (облако)	Settings → Connections → MCP servers	Добавьте пользовательский MCP (STDIO): command `npx`, args `-y @agentmemory/mcp@latest`, env `AGENTMEMORY_URL` на доступное по сети развёртывание agentmemory плюс `AGENTMEMORY_SECRET` (облачные сессии не достают до localhost — см. `deploy/`).
Gemini CLI	`~/.gemini/settings.json`	`gemini mcp add agentmemory npx -y @agentmemory/mcp --scope user` (автоматическое слияние).
GitHub Copilot CLI (только MCP)	`~/.copilot/mcp-config.json`	`agentmemory connect copilot-cli` вливает `mcpServers.agentmemory`; Copilot подхватывает при следующем запуске или по `/mcp`.
GitHub Copilot CLI (полный плагин)	Установка плагина Copilot	`copilot plugin install rohitg00/agentmemory:plugin` — плагин из GitHub-подкаталога.
OpenClaw	MCP-конфиг OpenClaw	Тот же блок `mcpServers`. Глубже: `openclaw plugins install ./integrations/openclaw` занимает слот памяти OpenClaw (автоматически переключается с `memory-core`); задайте `plugins.entries.agentmemory.hooks.allowConversationAccess=true`, иначе захват хода будет молча заблокирован. См. `integrations/openclaw`.
Codex CLI (только MCP)	`.codex/config.toml`	Формат TOML: `codex mcp add agentmemory -- npx -y @agentmemory/mcp`, либо добавьте `[mcp_servers.agentmemory]` вручную.
Codex CLI (полный плагин)	Маркетплейс плагинов Codex	`codex plugin marketplace add rohitg00/agentmemory`, затем `codex plugin add agentmemory@agentmemory`. Регистрирует MCP + 6 хуков жизненного цикла (SessionStart, UserPromptSubmit, PreToolUse, PostToolUse, PreCompact, Stop) + 17 skill'ов. На Codex Desktop дополнительно запустите `agentmemory connect codex --with-hooks`, пока не зарелизят openai/codex#16430; хуки плагина там пока тихие.
OpenCode (только MCP)	`opencode.json`	Другая форма: корневой ключ `mcp`, команда задаётся массивом: `{"mcp": {"agentmemory": {"type": "local", "command": ["npx", "-y", "@agentmemory/mcp"], "enabled": true}}}`.
OpenCode (полный плагин)	`plugin/opencode/`	22 хука авто-захвата по жизненному циклу сессии, сообщениям, инструментам и ошибкам. Атрибуция проекта задаётся на уровне сессии, поэтому один процесс OpenCode, охватывающий несколько репозиториев, кладёт каждую сессию в её собственный проект. Две slash-команды (`/recall`, `/remember`). Скопируйте `plugin/opencode/` в свой рабочий каталог OpenCode и добавьте запись плагина в `opencode.json`. Полная таблица хуков и анализ пробелов — в `plugin/opencode/README.md`.
pi	`~/.pi/agent/extensions/agentmemory`	`agentmemory connect pi` устанавливает встроенное расширение в каталог автообнаружения pi (recall при старте агента, захват при завершении, инструменты `memory_search` / `memory_save` / `memory_health`, `/agentmemory-status`). `/reload` в работающем pi подхватывает его. `integrations/pi` — это также pi-пакет (`pi install ./integrations/pi` из checkout'а).
Hermes Agent	`~/.hermes/config.yaml`	`cp -r integrations/hermes ~/.hermes/plugins/agentmemory` + `memory.provider: agentmemory` включает провайдера памяти с 6 хуками (предзагрузка, захват хода, завершение сессии, предварительное сжатие, зеркалирование MEMORY.md, блок системного промпта). Проверьте через `hermes plugins doctor` и `hermes memory status`. См. `integrations/hermes`.
Qwen Code	`~/.qwen/settings.json`	`agentmemory connect qwen` записывает стандартный блок `mcpServers`. Payload хуков по полям совместим с Claude Code, поэтому существующие 12 скриптов хуков работают без изменений; подключите их через секцию `hooks` в том же `settings.json`.
Antigravity (заменяет Gemini CLI)	`mcp_config.json` (в каталоге User у Antigravity)	`agentmemory connect antigravity` записывает стандартный блок `mcpServers`. macOS: `~/Library/Application Support/Antigravity/User/`. Linux: `~/.config/Antigravity/User/`. Использовать после отключения Gemini CLI 2026-06-18.
Antigravity CLI (`agy`)	`~/.gemini/config/mcp_config.json`	`agentmemory connect antigravity-cli`. CLI `agy` держит собственный конфиг в `~/.gemini/`, отдельно от Antigravity IDE выше. Передайте `--with-hooks` для нативного авто-захвата через `~/.gemini/config/hooks.json`.
Kiro	`~/.kiro/settings/mcp.json`	`agentmemory connect kiro` записывает конфиг на уровне пользователя. Workspace-переопределения — в `.kiro/settings/mcp.json` рядом с кодом.
Warp	`~/.warp/.mcp.json`	`agentmemory connect warp` записывает стандартный блок `mcpServers`. Warp также автоматически обнаруживает skill'ы из `.claude/skills/`; как только установлен плагин Claude Code, 8 skill'ов agentmemory (`remember`, `recall`, `recap`, `handoff`, `forget`, `commit-context`, `commit-history`, `session-history`) нативно появляются в палитре slash-команд Warp.
Cline (CLI)	`~/.cline/mcp.json`	`agentmemory connect cline` записывает стандартный блок `mcpServers`. Пользователи расширения VS Code: вставьте тот же блок через Cline Settings → MCP Servers → Edit JSON.
Continue.dev	`~/.continue/config.yaml` (предпочтительно) или `config.json` (legacy)	`agentmemory connect continue` создаёт `config.yaml` с нуля, когда нет ни одного файла, либо изменяет существующий `config.json`. Если у вас уже есть `config.yaml`, адаптер печатает точный блок для вставки под `mcpServers:`; он не станет молча переписывать ваш yaml, потому что для безопасного сохранения комментариев и якорей нужен YAML-парсер, которого в пакете нет. Continue использует форму массива (а не объекта) для `mcpServers`.
Zed	`~/.config/zed/settings.json`	`agentmemory connect zed` пишет под `context_servers` (ключ Zed, НЕ `mcpServers`). Удалённые MCP-серверы можно подключить через `{"url": "..."}`.
Droid (Factory.ai)	`~/.factory/mcp.json`	`agentmemory connect droid` записывает стандартный блок `mcpServers`. Переопределения на уровне проекта — в `<repo>/.factory/mcp.json`. Передайте `--with-hooks` для нативного авто-захвата.
DeepSeek Harness	`$DSH_HOME/cordis.patch.yml`	`agentmemory connect dsh` добавляет строку `@deepseek-ai/dsh-mcp-client` в патч-слой домашнего уровня, который загружает каждый профиль Harness; инструменты регистрируются как `mcp__agentmemory__*`. Передайте `--with-hooks`, чтобы также подключить авто-захват: встроенные скрипты хуков Claude Code выполняются через фирменный мост Harness `@deepseek-ai/dsh-hooks-claude-code` (SessionStart, UserPromptSubmit, PreToolUse, PostToolUse, Stop) по манифесту, записанному в `$DSH_HOME/agentmemory.hooks.json`. По умолчанию `~/.dsh`, когда `DSH_HOME` не задан.
Goose	UI настроек MCP в Goose	Тот же блок `mcpServers`; используйте `goose configure` → Add Extension → MCP. Прямое редактирование YAML в `~/.config/goose/config.yaml` поддерживается, но схема использует `extensions:` + `cmd` (а не `mcpServers:` + `command`).
Aider	н/д	Разговаривайте напрямую с REST API: `curl -X POST http://localhost:3111/agentmemory/smart-search -d '{"query": "auth"}'`.
Любой агент (32+)	н/д	`npx skillkit install agentmemory` сам определит хост и сольёт настройки.

MCP-клиенты в sandbox (Flatpak / Snap / ограничивающие контейнеры), которые не могут добраться до localhost хоста: дополнительно установите "AGENTMEMORY_FORCE_PROXY": "1" в блоке env и укажите AGENTMEMORY_URL на маршрут, до которого sandbox действительно может дотянуться (например, IP в локальной сети).

Программный доступ (Python / Rust / Node)

agentmemory регистрирует свои основные операции как iii-функции (mem::remember, mem::observe, mem::context, mem::smart-search, mem::forget). Любой язык с SDK для iii может вызывать их напрямую через ws://localhost:49134 — отдельный REST-клиент на каждый язык не требуется.

pip install iii-sdk         # Python
cargo add iii-sdk           # Rust
npm  install iii-sdk        # Node

from iii import register_worker

iii = register_worker("ws://localhost:49134")
iii.connect()

iii.trigger({
    "function_id": "mem::smart-search",
    "payload": {"project": "demo", "query": "how do tokens refresh"},
})

Рабочий пример: examples/python/ (быстрый старт + поток наблюдения/извлечения). REST на :3111 остаётся доступным для хостов без iii-runtime.

Из исходников

git clone https://github.com/rohitg00/agentmemory.git && cd agentmemory
npm install && npm run build && npm start

Это поднимает agentmemory с локальным iii-engine, если iii уже установлен, либо откатывается к Docker Compose, если есть Docker. REST, стримы и просмотрщик по умолчанию слушают на 127.0.0.1.

Установите iii-engine вручную. agentmemory сейчас зафиксирован на iii-engine v0.11.2 — v0.11.6 вводит новую модель «всё через iii worker add в sandbox», под которую agentmemory ещё не отрефакторен. Закрепление снимется, как только рефакторинг будет завершён. Переопределите через AGENTMEMORY_III_VERSION=<version>, если вы вручную перешли на sandbox-модель.

macOS arm64: mkdir -p ~/.local/bin && curl -fsSL https://github.com/iii-hq/iii/releases/download/iii/v0.11.2/iii-aarch64-apple-darwin.tar.gz | tar -xz -C ~/.local/bin && chmod +x ~/.local/bin/iii
macOS x64: замените aarch64-apple-darwin на x86_64-apple-darwin
Linux x64: замените на x86_64-unknown-linux-gnu
Linux arm64: замените на aarch64-unknown-linux-gnu
Windows: скачайте iii-x86_64-pc-windows-msvc.zip из iii-hq/iii releases v0.11.2, распакуйте iii.exe, добавьте в PATH

Либо используйте Docker (входящий в комплект docker-compose.yml тянет iiidev/iii:0.11.2). Полная документация: iii.dev/docs.

Windows

agentmemory работает на Windows 10/11, но одного Node.js-пакета мало — также нужен runtime iii-engine (отдельный нативный бинарь) как фоновый процесс. Официальный upstream-установщик — это sh-скрипт, на сегодня нет ни PowerShell-установщика, ни пакета scoop/winget, поэтому у пользователей Windows два пути:

Вариант A: готовый Windows-бинарь (рекомендуется)

# 1. Open https://github.com/iii-hq/iii/releases/tag/iii%2Fv0.11.2 in your browser
#    (we pin to v0.11.2 until agentmemory refactors for the new sandbox
#     model that engine v0.11.6+ requires)
# 2. Download iii-x86_64-pc-windows-msvc.zip
#    (or iii-aarch64-pc-windows-msvc.zip if you're on an ARM machine)
# 3. Extract iii.exe somewhere on PATH, or place it at:
#    %USERPROFILE%\.local\bin\iii.exe
#    (agentmemory checks that location automatically)
# 4. Verify:
iii --version
# Should print: 0.11.2

# 5. Then run agentmemory as usual:
npx -y @agentmemory/agentmemory

Вариант B: Docker Desktop

# 1. Install Docker Desktop for Windows
# 2. Start Docker Desktop and make sure the engine is running
# 3. Run agentmemory — it will auto-start the bundled compose file:
npx -y @agentmemory/agentmemory

Вариант C: только standalone MCP (без движка). Если вам нужны только MCP-инструменты для агента и не нужны REST API, просмотрщик или cron-задачи, пропустите движок целиком:

npx -y @agentmemory/agentmemory mcp
# or via the shim package:
npx -y @agentmemory/mcp

Диагностика на Windows: если npx @agentmemory/agentmemory падает, перезапустите с --verbose, чтобы увидеть реальный stderr движка. Частые сценарии сбоя:

Симптом	Что делать
`iii-engine process started`, затем `did not become ready within 15s`	Движок упал при старте — перезапустите с `--verbose`, проверьте stderr
`Could not start iii-engine`	Не установлены ни `iii.exe`, ни Docker. См. варианты A или B выше
Конфликт порта	`netstat -ano \| findstr :3111`, чтобы понять, что занимает порт, затем убить процесс или использовать `--port <N>`
Откат на Docker пропускается, хотя Docker установлен	Убедитесь, что Docker Desktop действительно запущен (иконка в трее)

Примечание: движок iii — это готовый бинарь, а не cargo-крейт, не пытайтесь установить его через cargo install. (SDK iii опубликованы на crates.io, npm и PyPI, но agentmemory они не нужны.) Поддерживаемые способы установки движка, все закреплены на v0.11.2: готовый бинарь v0.11.2 выше, upstream-sh-скрипт с закреплением версии curl -fsSL https://install.iii.dev/iii/main/install.sh | VERSION=0.11.2 sh (macOS/Linux) и Docker-образ iiidev/iii:0.11.2. Простой install.sh | sh устанавливает последний движок, который agentmemory не поддерживает, — всегда передавайте VERSION=0.11.2. Самый простой вариант: просто запустите npx @agentmemory/agentmemory, который сам загрузит закреплённый движок в ~/.agentmemory/bin.

Развёртывание

Шаблоны в один клик для managed-хостов. Каждый поставляет автономный Dockerfile, который тянет @agentmemory/agentmemory из npm и копирует бинарь iii engine из официального образа iiidev/iii на Docker Hub — собственный преcобранный образ agentmemory не нужен. Постоянное хранилище монтируется в /data; entrypoint при первом запуске перезаписывает поставляемый npm'ом iii-конфиг (который слушает на 127.0.0.1) на deploy-вариант, слушающий на 0.0.0.0 и использующий абсолютные пути /data, генерирует HMAC-секрет, а затем понижает привилегии с root до node через gosu перед запуском CLI agentmemory.

Кнопке Render «деплой в один клик» нужен render.yaml в корне репозитория, который мы намеренно держим чистым. Используйте схему через Render Blueprint, описанную в deploy/render/, чтобы вручную указать на in-repo blueprint.

Полные детали настройки (захват HMAC, SSH-туннель к просмотрщику, ротация, бэкап, нижние пороги стоимости) — в deploy/:

deploy/fly — одна машина с auto_stop_machines = "stop"; дешевле всего в простое.
deploy/railway — фиксированный тариф Hobby, том в панели.
deploy/render — поток Blueprint, автоматические снапшоты диска на платных тарифах.
deploy/coolify — self-hosted на собственном VPS через Coolify; тот же Docker Compose-стек, хост и данные у вас.

Публикуется только порт 3111. Просмотрщик на 3113 остаётся привязанным к loopback внутри контейнера — в README каждого шаблона описан паттерн SSH-туннеля, чтобы до него достучаться.

Каждый агент программирования забывает всё, когда сессия заканчивается, и каждая новая сессия начинается с того, что вы заново объясняете свой стек. agentmemory работает в фоне и убирает этот шаг.

Session 1: "Add auth to the API"
  Agent writes code, runs tests, fixes bugs
  agentmemory silently captures every tool use
  Session ends -> observations compressed into structured memory

Session 2: "Now add rate limiting"
  Agent already knows:
    - Auth uses JWT middleware in src/middleware/auth.ts
    - Tests in test/auth.test.ts cover token validation
    - You chose jose over jsonwebtoken for Edge compatibility
  Zero re-explaining. Starts working immediately.

vs встроенная память агента

Каждый ИИ-агент программирования поставляется со встроенной памятью — у Claude Code есть MEMORY.md, у Cursor — notepad'ы, у Cline — memory bank. Это работает как стикеры. agentmemory — индексируемая база данных за этими стикерами.

	Встроенная (CLAUDE.md)	agentmemory
Масштаб	Потолок в 200 строк	Без ограничений
Поиск	Загружает всё в контекст	BM25 + векторный + граф (только top-K)
Цена в токенах	22K+ при 240 наблюдениях	~1 900 токенов (на 92 % меньше)
Между агентами	Файлы на каждого агента	MCP + REST (любой агент)
Координация	Нет	Lease'ы, сигналы, action'ы, routine'ы
Наблюдаемость	Читать файлы вручную	Просмотрщик в реальном времени на :3113

Конвейер памяти

PostToolUse hook fires
  -> SHA-256 dedup (5min window)
  -> Privacy filter (strip secrets, API keys)
  -> Store raw observation
  -> LLM compress -> structured facts + concepts + narrative
  -> Vector embedding (6 providers + local)
  -> Index in BM25 + vector

Stop / SessionEnd hook fires
  -> Summarize session
  -> Knowledge graph extraction (if GRAPH_EXTRACTION_ENABLED=true)
  -> Slot reflection (if SLOT_REFLECT_ENABLED=true)

SessionStart hook fires
  -> Load project profile (top concepts, files, patterns)
  -> Hybrid search (BM25 + vector + graph)
  -> Token budget (default: 2000 tokens)
  -> Inject into conversation

4-уровневая консолидация памяти

Смоделировано по тому, как человеческий мозг обрабатывает воспоминания, включая консолидацию во время сна.

Уровень	Что	Аналогия
Working	Сырые наблюдения от использования инструментов	Кратковременная память
Episodic	Сжатые краткие итоги сессий	«Что произошло»
Semantic	Извлечённые факты и закономерности	«Что я знаю»
Procedural	Workflow'ы и паттерны принятия решений	«Как это сделать»

Воспоминания затухают со временем (кривая Эббингауза). Часто используемые воспоминания усиливаются. Устаревшие — автоматически вытесняются. Противоречия обнаруживаются и разрешаются.

Что захватывается

Хук	Захватывает
`SessionStart`	Путь к проекту, идентификатор сессии
`UserPromptSubmit`	Пользовательские промпты (с приватным фильтром)
`PreToolUse`	Паттерны доступа к файлам + обогащённый контекст
`PostToolUse`	Имя инструмента, вход, выход
`PostToolUseFailure`	Контекст ошибки
`PreCompact`	Заново подмешивает память перед компакцией
`SubagentStart/Stop`	Жизненный цикл подагентов
`Stop`	Итог в конце сессии
`SessionEnd`	Маркер завершения сессии

Ключевые возможности

Возможность	Описание
Автоматический захват	Каждое использование инструмента записывается через хуки, без ручных усилий
Семантический поиск	BM25 + векторный + граф знаний со слиянием RRF
Эволюция памяти	Версионирование, supersession, графы связей
Гигиена recall	Вытесненные (superseded) версии памяти покидают поисковые индексы; цепочка версий в KV хранит полную историю
Подсказки о почти-дубликатах	Сохранения возвращают консультативное совпадение `similarTo`, когда новый контент близко напоминает существующую запись
Scope на агента	`agentId` проходит через сохранение и recall в REST, MCP и поисковом индексе, в режиме shared или isolated
Происхождение при записи	Каждое наблюдение и запись памяти несёт неизменяемый канал происхождения (user, agent, tool, import или shared), проставляемый при захвате, сохранении и импорте
Авто-забывание	Истечение TTL, обнаружение противоречий, вытеснение по важности
Privacy first	API-ключи, секреты, теги `<private>` вырезаются до сохранения
Самовосстановление	Circuit breaker, цепочка fallback-провайдеров, мониторинг состояния
Claude bridge	Двусторонняя синхронизация с MEMORY.md
Граф знаний	Извлечение сущностей + обход BFS
Командная память	Отдельные namespace'ы для общего и приватного у участников команды
Происхождение цитат	Любую запись памяти можно проследить до исходных наблюдений
Git-снапшоты	Версионирование, откат и diff состояния памяти

Тройной поток извлечения, объединяющий три сигнала:

Поток	Что делает	Когда
BM25	Сопоставление по стеммированным ключевым словам с расширением синонимами	Всегда включён
Vector	Косинусное сходство по плотным эмбеддингам	Если настроен embedding-провайдер
Graph	Обход графа знаний по сопоставлению сущностей	Если в запросе обнаружены сущности

Сливаются через Reciprocal Rank Fusion (RRF, k=60) и диверсифицируются по сессиям (не более 3 результатов на сессию).

Гибридное ранжирование применяется к основному пути recall, а не только к smart-search: mem::search (за которым стоит memory_recall) ранжирует через то же слияние BM25 + векторов + графа, как только векторный индекс заполнен. Recall уроков работает на выделенном in-memory BM25-индексе вместо сканирования всего корпуса на каждый запрос. Вытесненные (superseded) версии памяти исключаются из каждого пути recall; цепочка версий сохраняет их историю.

BM25 «из коробки» токенизирует греческий, кириллицу, иврит, арабский и латиницу с диакритикой. Для записей на китайском / японском / корейском поставьте опциональные сегментаторы (npm install @node-rs/jieba tiny-segmenter), чтобы CJK-последовательности разбивались на токены уровня слова; без них agentmemory мягко откатывается к токенизации целых последовательностей и выводит одноразовую подсказку в stderr.

Провайдеры эмбеддингов

agentmemory автоматически определяет вашего провайдера. Для лучших результатов поставьте локальные эмбеддинги (бесплатно):

npm install @huggingface/transformers

Провайдер	Модель	Стоимость	Заметки
Локально (рекомендуется)	`all-MiniLM-L6-v2`	Бесплатно	Офлайн, +8 пп recall по сравнению только с BM25
Gemini	`gemini-embedding-001`	Бесплатный тариф	100+ языков, размерности 768/1536/3072 (MRL), вход 2048 токенов. Заменяет `text-embedding-004` (устарел, отключение 14 янв. 2026)
OpenAI	`text-embedding-3-small`	0,02 $/1M	Высочайшее качество
Voyage AI	`voyage-code-3`	Платно	Оптимизирован под код
Cohere	`embed-english-v3.0`	Бесплатная пробная версия	Общего назначения
OpenRouter	Любая модель	Зависит	Мульти-модельный прокси

54 инструмента, 6 ресурсов, 3 промпта и 17 skill'ов.

MCP-shim против полного сервера: опубликованный пакет @agentmemory/mcp — это тонкий shim. Он раскрывает полную поверхность из 54 инструментов только если может достучаться до работающего сервера agentmemory через AGENTMEMORY_URL (режим прокси). Если сервер недоступен, shim откатывается к локальному набору из 7 инструментов (memory_save, memory_recall, memory_smart_search, memory_sessions, memory_export, memory_audit, memory_governance_delete). Переменная окружения AGENTMEMORY_TOOLS=core|all — серверный флаг; задавать её в блоке env shim'а бесполезно. Если в Cursor / OpenCode / Gemini CLI видно только 7 инструментов, запустите npx @agentmemory/agentmemory (или Docker-стек) и установите AGENTMEMORY_URL=http://localhost:3111.

54 инструмента

Три поверхности инструментов, от меньшей к большей: AGENTMEMORY_TOOLS=core сужает видимость до 8 основных (memory_save, memory_recall, memory_consolidate, memory_smart_search, memory_sessions, memory_diagnose, memory_lesson_save, memory_reflect); базовый набор ниже — это 14 фундаментальных инструментов реестра; значение по умолчанию (AGENTMEMORY_TOOLS=all) раскрывает все 54.

Базовые инструменты (14)

Инструмент	Описание
`memory_recall`	Искать в прошлых наблюдениях
`memory_compress_file`	Сжимать markdown-файлы с сохранением структуры
`memory_save`	Сохранить инсайт, решение или паттерн
`memory_file_history`	Прошлые наблюдения о конкретных файлах
`memory_patterns`	Выявить повторяющиеся паттерны
`memory_sessions`	Список последних сессий
`memory_smart_search`	Гибридный семантический + keyword-поиск
`memory_vision_search`	Поиск по наблюдениям-изображениям
`memory_timeline`	Хронологические наблюдения
`memory_profile`	Профиль проекта (концепции, файлы, паттерны)
`memory_export`	Экспортировать все данные памяти
`memory_relations`	Запрос к графу связей
`memory_commit_lookup`	Сессии, стоящие за git-коммитом
`memory_commits`	Коммиты, записанные для сессии

Расширенные инструменты (всего 54, поверхность по умолчанию)

Инструмент	Описание
`memory_patterns`	Выявить повторяющиеся паттерны
`memory_timeline`	Хронологические наблюдения
`memory_relations`	Запрос к графу связей
`memory_graph_query`	Обход графа знаний
`memory_consolidate`	Запустить 4-уровневую консолидацию
`memory_claude_bridge_sync`	Синхронизация с MEMORY.md
`memory_team_share`	Поделиться с участниками команды
`memory_team_feed`	Недавно расшаренные элементы
`memory_audit`	Аудит-журнал операций
`memory_governance_delete`	Удалить с записью в аудит-журнал
`memory_snapshot_create`	Снапшот, версионированный в git
`memory_action_create`	Создать задачи с зависимостями
`memory_action_update`	Обновить статус action
`memory_frontier`	Разблокированные action'ы, отсортированные по приоритету
`memory_next`	Самый важный следующий action
`memory_lease`	Эксклюзивные lease'ы для action'ов (мультиагентность)
`memory_routine_run`	Инстанцировать workflow-routine'ы
`memory_signal_send`	Межагентный обмен сообщениями
`memory_signal_read`	Чтение сообщений с подтверждениями
`memory_checkpoint`	Внешние условные шлюзы
`memory_mesh_sync`	P2P-синхронизация между инстансами
`memory_sentinel_create`	События-наблюдатели
`memory_sentinel_trigger`	Запустить sentinel'ы извне
`memory_sketch_create`	Эфемерные графы action'ов
`memory_sketch_promote`	Перевести в постоянное состояние
`memory_crystallize`	Сжать цепочки action'ов
`memory_diagnose`	Проверки состояния
`memory_heal`	Авто-исправление зависшего состояния
`memory_facet_tag`	Теги вида измерение:значение
`memory_facet_query`	Запрос по фасет-тегам
`memory_verify`	Трассировка происхождения

6 ресурсов · 3 промпта · 17 skill'ов

Тип	Имя	Описание
Ресурс	`agentmemory://status`	Состояние, число сессий, число записей памяти
Ресурс	`agentmemory://project/{name}/profile`	Интеллект на уровне проекта
Ресурс	`agentmemory://project/{name}/recent`	Последние наблюдения по проекту
Ресурс	`agentmemory://memories/latest`	10 последних активных записей памяти
Ресурс	`agentmemory://graph/stats`	Статистика графа знаний
Ресурс	`agentmemory://team/{id}/profile`	Общий профиль команды
Промпт	`recall_context`	Поиск + возврат контекстных сообщений
Промпт	`session_handoff`	Передача данных между агентами
Промпт	`detect_patterns`	Анализ повторяющихся паттернов
Skill	`/recall`	Поиск по памяти
Skill	`/remember`	Сохранение в долговременную память
Skill	`/session-history`	Краткие итоги последних сессий
Skill	`/forget`	Удаление наблюдений / сессий

В таблице показаны четыре основных skill'а. Полный набор — 8 вызываемых skill'ов плюс 7 справочных; см. раздел про нативные skill'ы выше.

Standalone MCP

Запуск без полного сервера — для любого MCP-клиента. Подойдёт любое:

npx -y @agentmemory/agentmemory mcp   # canonical (always available)
npx -y @agentmemory/mcp                # shim package alias

Или добавьте в MCP-конфиг своего агента:

Большинство агентов (Cursor, Claude Desktop, Cline, Roo Code, Windsurf, Gemini CLI):

{
  "mcpServers": {
    "agentmemory": {
      "command": "npx",
      "args": ["-y", "@agentmemory/mcp"],
      "env": {
        "AGENTMEMORY_URL": "http://localhost:3111"
      }
    }
  }
}

Вставьте запись agentmemory в существующий объект mcpServers хоста, а не заменяйте файл. Для sandbox-клиентов, которые не могут добраться до localhost хоста, добавьте "AGENTMEMORY_FORCE_PROXY": "1" в блок env и укажите AGENTMEMORY_URL на маршрут, доступный из sandbox.

OpenCode (opencode.json):

{
  "mcp": {
    "agentmemory": {
      "type": "local",
      "command": ["npx", "-y", "@agentmemory/mcp"],
      "enabled": true
    }
  },
  "plugin": ["./plugins/agentmemory-capture.ts"]
}

Скопируйте файл плагина из репозитория:

mkdir -p ~/.config/opencode/plugins
cp plugin/opencode/agentmemory-capture.ts ~/.config/opencode/plugins/
cp plugin/opencode/commands/*.md ~/.config/opencode/commands/

Автоматически запускается на порту 3113. Живой поток наблюдений с индикатором статуса стрима, двухпанельный обозреватель сессий (список рядом с закреплённой панелью деталей на широких экранах), строки памяти и уроков, раскрывающиеся до полной сохранённой записи, включая сырой JSON и происхождение, граф знаний, кластеризующий узлы по типу, пока связей мало, воспроизведение сессий и панель состояния.

open http://localhost:3113

Сервер просмотрщика по умолчанию слушает на 127.0.0.1. Эндпоинт /agentmemory/viewer, отдаваемый REST'ом, подчиняется обычным правилам bearer-токена AGENTMEMORY_SECRET. Заголовки CSP используют nonce скрипта на ответ и отключают inline-атрибуты-обработчики (script-src-attr 'none').

Просмотрщик на :3113 показывает, что ваш агент запомнил. iii console показывает, что ваш агент сделал — каждая операция памяти как трейс OpenTelemetry, каждая запись KV редактируема, каждая функция вызываема, каждый стрим тэппится. Два окна на одну и ту же память: одно повёрнуто к продукту, другое к движку.

Наблюдайте, как срабатывает memory_smart_search, и видите BM25-скан → поиск эмбеддингов → RRF-слияние → reranker в виде waterfall. Отредактируйте зависший таймер консолидации в браузере KV. Воспроизведите хук PostToolUse с изменённым payload. Пин WebSocket-стрима — и смотрите, как наблюдения прилетают в реальном времени.

agentmemory отдаёт это бесплатно, потому что каждый вызов функции и каждый триггер проходит через iii; ничего самописного, нечего инструментировать.

Страница Workers: каждый подключённый воркер — включая сам agentmemory — с PID, количеством функций, runtime и временем последнего появления.

Уже установлено. Console поставляется вместе с iii — отдельный установщик не нужен.

Запускать рядом с agentmemory:

# agentmemory viewer holds port 3113, so run the console on 3114.
# Engine REST (3111), WebSocket (3112), and bridge (49134) defaults match agentmemory.
iii console --port 3114

Затем откройте http://localhost:3114. Добавьте --enable-flow для экспериментальной страницы графа архитектуры.

Переопределяйте эндпоинты движка только если вы их перенесли:

iii console --port 3114 \
  --engine-port 3111 \
  --ws-port 3112 \
  --bridge-port 49134

Что можно делать из console:

Страница	Зачем
Workers	Видеть каждый подключённый воркер и его живые метрики — включая сам воркер agentmemory.
Functions	Напрямую вызывать любую функцию agentmemory с JSON-payload — удобно для тестов `memory.recall`, `memory.consolidate`, `graph.query` без подключения клиента.
Triggers	Воспроизводить HTTP-, cron-, event- и state-триггеры — запустить cron консолидации вручную, повторить HTTP-маршрут, эмитировать изменение состояния.
States	KV-браузер с полным CRUD — сессии, слоты памяти, lifecycle-таймеры, индекс эмбеддингов — редактирование значений на месте.
Streams	Живой WebSocket-монитор для записей памяти, событий хуков и обновлений наблюдений по мере их прохождения через iii-стримы.
Queues	Долговечные топики очередей + управление dead-letter. Повтор или сброс упавших job'ов эмбеддинга / компрессии.
Traces	Виды waterfall / flame / разбивка по сервисам в OpenTelemetry. Фильтр по `trace_id` показывает, какие функции, обращения к БД и embedding-запросы породил отдельный `memory.search`.
Logs	Структурированные OTEL-логи, фильтруемые и коррелируемые с trace-/span-ID.
Config	Конфигурация runtime — какие именно воркеры, провайдеры и порты использует ваш движок.
Flow	(Опционально, `--enable-flow`) Интерактивный граф архитектуры из всех воркеров, триггеров и стримов.

Traces: waterfall / flame / разбивка по сервисам для каждой операции памяти.

Traces уже включены:

iii-config.yaml поставляется с включённым воркером iii-observability (exporter: memory, sampling_ratio: 1.0, метрики + логи). Дополнительная настройка не нужна — как только agentmemory запускается, каждая операция памяти эмитит trace-span и структурированный лог, который консоль читает.

Если хотите экспортировать в Jaeger/Honeycomb/Grafana Tempo, измените exporter: memory на exporter: otlp и укажите эндпоинт коллектора согласно документации по observability в iii.

Внимание: на самой console аутентификация не применяется — держите её привязанной к 127.0.0.1 (по умолчанию) и никогда не выставляйте наружу.

agentmemory — это уже работающий инстанс iii. Три примитива (worker, function, trigger) составляют runtime; KV-состояние, стримы и OTEL-трейсы дают воркеры iii-state, iii-stream и iii-observability, поставляемые вместе с iii. Вы не ставили Postgres, Redis, Express, pm2 или Prometheus, потому что iii их заменяет.

Это значит, что одна дополнительная команда расширяет agentmemory целой новой возможностью.

Расширить agentmemory одной командой

iii worker add iii-pubsub          # fan memory writes out to every connected instance
iii worker add iii-cron            # scheduled consolidation, decay sweeps, snapshot rotation
iii worker add iii-queue           # durable retries for embedding + compression jobs
iii worker add iii-observability   # OTEL traces on every memory op (default on)
iii worker add iii-sandbox         # run recalled code inside an isolated microVM
iii worker add iii-database        # swap in a SQL-backed state adapter
iii worker add mcp                 # generic MCP host alongside the agentmemory MCP

Каждый iii worker add регистрирует новые функции и триггеры в том же движке, где уже работает agentmemory. Просмотрщик и console подхватывают их мгновенно — без перезагрузки, новой интеграции или нового контейнера.

`iii worker add`	Что получаете сверху к agentmemory
`iii-pubsub`	Память на множестве инстансов: каждое `remember` разлетается, каждое `search` читает объединение
`iii-cron`	Жизненный цикл по расписанию — ночная консолидация, еженедельные снапшоты, decay по фиксированному таймеру
`iii-queue`	Надёжные повторы: упавшие job'ы эмбеддинга и компрессии переживают перезапуск, наблюдения не теряются
`iii-observability`	OTEL-трейсы, метрики, логи на каждой функции — подключены в `iii-config.yaml` с первого дня
`iii-sandbox`	Код, пришедший из `memory_recall`, исполняется внутри одноразовой VM, а не в вашем shell
`iii-database`	SQL-адаптер состояния, когда дефолтная in-memory KV уже мала
`mcp`	Поднять дополнительные MCP-серверы рядом с MCP'ом agentmemory, на одном и том же движке

Полный реестр: workers.iii.dev. Каждый воркер там собирается из тех же примитивов, что и agentmemory — и тот agentmemory, который у вас уже есть, — один из них.

Что заменяет iii

Традиционный стек	agentmemory использует
Express.js / Fastify	iii HTTP Triggers
SQLite / Postgres + pgvector	iii KV State + векторный индекс в памяти
SSE / Socket.io	iii Streams (WebSocket)
pm2 / systemd	Супервизия воркеров движка iii
Prometheus / Grafana	iii OTEL + монитор состояния
Самописные плагинные системы	`iii worker add <name>`

182 исходных файла · ~41 600 LOC · 1 619 тестов · 264 функции · 50 KV-scope'ов — всё на трёх примитивах. Никакого agentmemory plugin install. Плагинная система — это сам iii.

LLM-провайдеры

agentmemory автоопределяет провайдера по окружению. По умолчанию никакие вызовы LLM не выполняются, пока вы не настроите провайдера или явно не включите fallback на подписку Claude.

Провайдер	Конфигурация	Заметки
No-op (по умолчанию)	Настройка не нужна	LLM-сжатие/резюме ВЫКЛЮЧЕНО. Синтетическое BM25-сжатие и recall продолжают работать. Если вы раньше полагались на fallback подписки Claude — см. `AGENTMEMORY_ALLOW_AGENT_SDK` ниже.
Anthropic API	`ANTHROPIC_API_KEY`	Поминутная (token-based) оплата
MiniMax	`MINIMAX_API_KEY`	Совместим с Anthropic
Gemini	`GEMINI_API_KEY`	Дополнительно включает эмбеддинги
OpenRouter	`OPENROUTER_API_KEY`	Любая модель
OpenAI API	`OPENAI_API_KEY`	По умолчанию `gpt-5.6-luna`, переопределяется через `OPENAI_MODEL`
Локально (Ollama / LM Studio / vLLM / llama.cpp)	`OPENAI_API_KEY=local` + `OPENAI_BASE_URL=http://localhost:11434/v1` (Ollama) или `http://localhost:1234/v1` (LM Studio) + `OPENAI_MODEL=<your model>`	Всё, что совместимо с OpenAI API. Нулевая стоимость, работает на вашем железе. См. Локальные модели ниже.
Fallback на подписку Claude	`AGENTMEMORY_ALLOW_AGENT_SDK=true`	Только по согласию. Запускает сессии `@anthropic-ai/claude-agent-sdk`; раньше он приводил к неограниченной рекурсии Stop-хука, потому больше не по умолчанию.

Локальные модели (Ollama / LM Studio / vLLM)

agentmemory разговаривает с любым сервером, совместимым с OpenAI API, поэтому всё, что раскрывает /v1/chat/completions, работает без изменений кода. Никаких платных ключей, облака и rate-limit'ов; выполняется целиком на вашем железе.

Ollama (порт по умолчанию 11434):

ollama pull qwen3:8b   # or qwen3:4b, gpt-oss:20b, qwen3-coder:30b, etc.
ollama serve

# ~/.agentmemory/.env
OPENAI_API_KEY=ollama                          # any non-empty string; Ollama ignores it
OPENAI_BASE_URL=http://localhost:11434/v1
OPENAI_MODEL=qwen3:8b

LM Studio (порт по умолчанию 1234):

Откройте LM Studio → вкладка Local Server → Start Server. Выберите любую chat-модель в пикере (Qwen 3, gpt-oss, DeepSeek R1 и т. д.).

# ~/.agentmemory/.env
OPENAI_API_KEY=lmstudio                        # any non-empty string; LM Studio ignores it
OPENAI_BASE_URL=http://localhost:1234/v1
OPENAI_MODEL=qwen3-8b                          # match the model name from LM Studio

vLLM / llama.cpp / Text Generation Inference: та же форма. Направьте OPENAI_BASE_URL на URL, который раскрывает ваш сервер, и задайте в OPENAI_MODEL имя, которое сервер примет.

Выбор модели для работы с памятью: сжатие и резюмирование — короткие задачи (<2K токенов на входе, <500 токенов на выходе), где 7B instruct-модели вполне достаточно. Рекомендации:

Модель	Размер	Почему
`qwen3:8b`	~5,2 ГБ	Сбалансированный вариант по умолчанию на машине с 16 ГБ; силён в извлечении и tool-образном тексте
`qwen3:4b`	~2,6 ГБ	Наименьший разумный вариант; годится для сжатия, слабее для извлечения графа
`qwen3-coder:30b`	~19 ГБ	Лучший локальный выбор для code-сессий (30B MoE, 3,3B активных) на железе с 24–32 ГБ
`gpt-oss:20b`	~14 ГБ	Сильная общая модель, помещающаяся в 16 ГБ RAM
`deepseek-r1:8b`	~5,2 ГБ	Reasoning-дистилляция; медленнее, но извлечения чище

Модели Qwen 3 думают по умолчанию и могут сжечь весь токен-бюджет на рассуждения до какого-либо вывода. Установите AGENTMEMORY_LLM_NOTHINK=1, чтобы добавлять /no_think к промптам извлечения графа, и поднимите MAX_TOKENS (16384 работает), если извлечения возвращаются пустыми.

Модели reasoning-класса (в стиле o1 с блоками <think>) могут вернуть пустой content с полем reasoning, которое ваш локальный сервер может не отдавать. Если извлечения приходят пустыми, сначала переключитесь на модель без reasoning. Переменная OPENAI_REASONING_EFFORT=none также умеет отключать thinking у thinking-моделей Ollama Cloud, которые повторяют reasoning-схему OpenAI.

Локальные эмбеддинги поставляются из коробки через @huggingface/transformers: EMBEDDING_PROVIDER=local (по умолчанию) даёт Xenova/all-MiniLM-L6-v2 (384-мерная) целиком на устройстве. Дополнительная настройка не нужна.

Выбор модели с учётом стоимости

Фоновое сжатие выполняется на каждом наблюдении, поэтому выбор модели заметно влияет на ежемесячные расходы. Замеренные данные нагрузки: 635 запросов / 888K токенов / 35 часов активного использования, прогон против трёх моделей OpenRouter по ценам на 2026-05-23.

Уровень	Модель	Вход / 1M	Выход / 1M	Стоимость за зафиксированные 35 ч	Заметки
Рекомендовано	`deepseek/deepseek-v4-flash-0731`	0,07 $	0,14 $	~0,07 $ (оценка)	Самый свежий DeepSeek; самый дешёвый рекомендуемый вариант для нагрузок сжатия.
Рекомендовано	`deepseek/deepseek-v4-pro`	0,435 $	0,87 $	~0,46 $	Хорошее качество сжатия и резюмирования при стоимости ~10× ниже Sonnet.
Рекомендовано	`qwen/qwen3-coder`	0,45 $	1,80 $	~0,55 $	Сильное code-reasoning, если ваши сессии сильно завязаны на код.
Premium	`anthropic/claude-sonnet-5`	3,00 $	15,00 $	~5,02 $ (оценка)	Тот же прайс, что у замеренного прогона Sonnet 4.6; вводная цена $2/$10 до 2026-08-31.
Premium	`openai/gpt-5.6-sol`	5,00 $	30,00 $	~9 $ (оценка)	Флагманский уровень; дорого для постоянной фоновой работы.
Избегать	`anthropic/claude-opus-5`	5,00 $	25,00 $	~8,40 $ (оценка)	Модель флагманского класса; перерасход на сжатие.

Замеренные строки взяты из зафиксированного прогона; строки «(оценка)» масштабируют тот же микс токенов по прайс-листу каждой модели.

agentmemory выводит runtime-предупреждение, когда OPENROUTER_MODEL совпадает с шаблоном premium-уровня. Установите AGENTMEMORY_SUPPRESS_COST_WARNING=1, чтобы заглушить его, как только сделаете осознанный выбор.

Компромисс качество/цена для работы с памятью: сжатие — это задача резюмирования с относительно мягкими требованиями к качеству (резюме перечитывает агент, не пользователь). DeepSeek V4 Flash / V4 Pro / Qwen3-Coder ложатся на этой задаче в пределах погрешности от Sonnet, стоя в 10–70 раз дешевле. Премиум-модели оставляйте для запросов, которые читаете напрямую.

Источники: цены OpenRouter на Claude Sonnet 5, DeepSeek V4 Flash, заметки о ценах DeepSeek.

Мультиагентная память (`AGENT_ID` + `AGENTMEMORY_AGENT_SCOPE`)

В мультиагентных конфигурациях, где несколько ролей делят один сервер agentmemory (architect / developer / reviewer / researcher / support-agent), AGENT_ID помечает каждую запись ролью, которая её сделала. AGENTMEMORY_AGENT_SCOPE управляет тем, фильтрует ли recall по этому тегу.

TEAM_ID=company
USER_ID=engineering-team
AGENT_ID=architect
AGENTMEMORY_AGENT_SCOPE=isolated  # optional; default "shared"

Два режима:

Режим	Помечать записи	Фильтровать recall	Когда использовать
`shared` (по умолчанию)	да	нет	Общий контекст между агентами с аудит-журналом. Architect видит, что отметил developer, но каждая запись фиксирует, кто это сказал.
`isolated`	да	да	Строгое разделение. Architect никогда не увидит наблюдения / записи памяти / сессии developer'а.

Что помечается, когда AGENT_ID задан: Session.agentId, RawObservation.agentId, CompressedObservation.agentId, Memory.agentId. Роль течёт по api::session::start → mem::observe → mem::compress → KV.

Что фильтруется в режиме isolated: mem::smart-search, /agentmemory/memories, /agentmemory/observations, /agentmemory/sessions. Каждый эндпоинт принимает ?agentId=<role> для переопределения на конкретный запрос и ?agentId=*, чтобы полностью выйти из env-scope. /memories дополнительно принимает ?includeOrphans=true, чтобы поднять «доисторические» записи памяти, у которых agentId не определён.

Переопределение в самом вызове на уровне SDK / REST: каждый мутирующий эндпоинт (/session/start, /remember) принимает поле agentId в теле запроса, которое выигрывает у env. Полезно для runtime'ов, прогоняющих много ролей через один серверный процесс. Инструмент MCP memory_save раскрывает то же поле agentId, автономный stdio-сервер пробрасывает и agentId, и project, а сохранённые записи памяти несут agentId в поисковый индекс, поэтому поиск со scope'ом агента покрывает записи памяти так же, как наблюдения.

Когда AGENT_ID не задан, память остаётся без scope (legacy-поведение: ни тегов, ни фильтров).

Порты

agentmemory + iii-engine по умолчанию занимают четыре порта. Если перезапуск падает с port in use, эта таблица подскажет, какой процесс искать.

Порт	Процесс	Назначение	Override через env
`3111`	agentmemory	REST API + MCP HTTP + `/agentmemory/health` + `/agentmemory/livez`	`III_REST_PORT`
`3112`	iii-engine	Внутренний streams-воркер (используется agentmemory + просмотрщиком)	`III_STREAMS_PORT`
`3113`	agentmemory	Просмотрщик в реальном времени (`http://localhost:3113`)	`AGENTMEMORY_VIEWER_PORT`
`49134`	iii-engine	WebSocket — воркеры регистрируются здесь, по нему же течёт OTel-телеметрия	`III_ENGINE_URL` (полный URL, по умолчанию `ws://localhost:49134`)

Очистка зависших процессов, если порты остаются занятыми после падения:

# macOS / Linux — find whatever is on each port and kill it
lsof -i :3111,3112,3113,49134
pkill -f agentmemory || true
pkill -f 'iii ' || true

# Windows
netstat -ano | findstr ":3111 :3112 :3113 :49134"
taskkill /F /PID <pid>

agentmemory stop корректно вычищает и воркер, и pidfile движка при штатном завершении. В Docker-режиме команда сворачивает только собственные compose-сервисы agentmemory и вычищает нативный воркер до остановки Docker; CLI также отказывается принимать за нативный движок или сигналить держателям портов из Docker или VM (Docker backend, vpnkit, colima), пока не передан --force. Ручная очистка выше нужна только в посткрэшевом сценарии, когда ни один pidfile не остался.

Конфигурационный файл

Помещайте runtime-конфигурацию agentmemory в ~/.agentmemory/.env, а не экспортируйте переменные в каждой сессии shell. Если просмотрщик показывает подсказку настройки вида export ANTHROPIC_API_KEY=..., скопируйте её в этот файл как ANTHROPIC_API_KEY=... без префикса export, затем перезапустите agentmemory.

Переменные окружения процесса по-прежнему работают и имеют приоритет над значениями из файла.

В Windows тот же файл лежит в %USERPROFILE%\.agentmemory\.env:

New-Item -ItemType Directory -Force $HOME\.agentmemory
notepad $HOME\.agentmemory\.env

Чтобы протестировать с подпиской Claude Code Pro/Max вместо API-ключа, включите её явно:

AGENTMEMORY_ALLOW_AGENT_SDK=true
AGENTMEMORY_AUTO_COMPRESS=true

В этом же файле включите возможности графа или консолидации, если они нужны:

GRAPH_EXTRACTION_ENABLED=true
CONSOLIDATION_ENABLED=true

Переменные окружения

Создайте ~/.agentmemory/.env:

# LLM provider (pick one — default is the no-op provider: no LLM calls)
# ANTHROPIC_API_KEY=sk-ant-...
# ANTHROPIC_BASE_URL=...              # Optional: Anthropic-compatible proxy / Azure
# GEMINI_API_KEY=...
# OPENROUTER_API_KEY=...
# MINIMAX_API_KEY=...
# OPENAI_API_KEY=***                       # NOTE: this same key auto-activates BOTH the
#                                          # OpenAI LLM provider (here) AND the OpenAI
#                                          # embedding provider (further below). Set
#                                          # OPENAI_API_KEY_FOR_LLM=false to scope it
#                                          # to embeddings only.
# OPENAI_BASE_URL=https://api.openai.com   # Optional: override for Azure / vLLM / LM Studio / proxies
#                                          # Azure: https://<resource>.openai.azure.com/openai/deployments/<deployment>
#                                          # Auto-detected from `.openai.azure.com` hostname; uses
#                                          # api-key header + api-version query param.
# OPENAI_API_VERSION=2024-08-01-preview    # Optional: Azure api-version query param
# OPENAI_MODEL=gpt-5.6-luna                # Optional: default model
# OPENAI_TIMEOUT_MS=60000                  # Optional: OpenAI-scoped alias for the outbound fetch
#                                          # timeout. Takes precedence over AGENTMEMORY_LLM_TIMEOUT_MS
#                                          # for back-compat with v0.9.17. New configs should
#                                          # prefer the global AGENTMEMORY_LLM_TIMEOUT_MS below.
# OPENAI_REASONING_EFFORT=none             # Optional: "low" | "medium" | "high" | "none"
#                                          # Honored only by OpenAI's reasoning models (o1, o3,
#                                          # gpt-*-reasoning) and providers that mirror that
#                                          # schema (Ollama Cloud thinking models). Standard
#                                          # chat models reject this field with 400. Set to
#                                          # "none" for thinking models that return reasoning
#                                          # but no content.
# OPENAI_API_KEY_FOR_LLM=false             # Optional: set to false to skip OpenAI auto-detection
#                                          # for LLM (useful if you only want OpenAI for embeddings)
# Opt-in Claude-subscription fallback (spawns @anthropic-ai/claude-agent-sdk);
# leave OFF unless you understand the Stop-hook recursion risk:
# AGENTMEMORY_ALLOW_AGENT_SDK=true

# Embedding provider (auto-detected, or override)
# EMBEDDING_PROVIDER=local
# VOYAGE_API_KEY=...
# OPENAI_API_KEY=sk-...
# OPENAI_BASE_URL=https://api.openai.com   # Override for Azure / vLLM / LM Studio / proxies
# OPENAI_EMBEDDING_MODEL=text-embedding-3-small
# OPENAI_EMBEDDING_DIMENSIONS=1536        # Required when the model is not in the known-models table

# Outbound LLM / embedding timeout
# AGENTMEMORY_LLM_TIMEOUT_MS=60000       # Default: 60 000 ms (60 s). Applies to every
                                          # raw-fetch provider (Gemini, OpenRouter, MiniMax,
                                          # OpenAI LLM, OpenAI/Cohere/Voyage/OpenRouter
                                          # embedding). For the OpenAI LLM path, the
                                          # OpenAI-scoped OPENAI_TIMEOUT_MS alias (above)
                                          # takes precedence when set, for back-compat
                                          # with v0.9.17.
                                          # Increase for slow networks or large batch calls;
                                          # decrease to fail-fast on rate-limit holds.

# Search tuning
# BM25_WEIGHT=0.4
# VECTOR_WEIGHT=0.6
# TOKEN_BUDGET=2000

# Auth
# AGENTMEMORY_SECRET=your-secret

# Ports (defaults: 3111 API, 3113 viewer)
# III_REST_PORT=3111

# Features
# AGENTMEMORY_AUTO_COMPRESS=false  # OFF by default. When on,
                                   # every PostToolUse hook calls your
                                   # LLM provider to compress the
                                   # observation — expect significant
                                   # token spend on active sessions.
# AGENTMEMORY_SLOTS=false          # OFF by default. Editable pinned
                                   # memory slots — persona,
                                   # user_preferences, tool_guidelines,
                                   # project_context, guidance,
                                   # pending_items, session_patterns,
                                   # self_notes. Size-limited; agent
                                   # edits via memory_slot_* tools.
                                   # Pinned slots addressable for
                                   # SessionStart injection.
# AGENTMEMORY_REFLECT=false        # OFF by default. Requires SLOTS=on.
                                   # Stop hook fires mem::slot-reflect:
                                   # scans recent observations, auto-
                                   # appends TODOs to pending_items,
                                   # counts patterns in
                                   # session_patterns, records touched
                                   # files in project_context. Fire-
                                   # and-forget; does not block.
# AGENTMEMORY_INJECT_CONTEXT=false # OFF by default. When on:
                                   # - SessionStart may inject ~1-2K
                                   #   chars of project context into
                                   #   the first turn of each session
                                   #   (this is what actually reaches
                                   #   the model — Claude Code treats
                                   #   SessionStart stdout as context)
                                   # - PreToolUse fires /agentmemory/enrich
                                   #   on every file-touching tool call
                                   #   (resource cleanup, not a token
                                   #   fix — PreToolUse stdout is debug
                                   #   log only per Claude Code docs)
                                   # Observations are still captured via
                                   # PostToolUse regardless of this flag.
# GRAPH_EXTRACTION_ENABLED=false
# AGENTMEMORY_LLM_NOTHINK=1        # Local reasoning models only: ask the
                                   # model to skip its hidden thinking pass
                                   # during graph extraction. Faster runs;
                                   # relation quality can drop slightly.
# CONSOLIDATION_ENABLED=true
# LESSON_DECAY_ENABLED=true
# OBSIDIAN_AUTO_EXPORT=false
# AGENTMEMORY_EXPORT_ROOT=~/.agentmemory
# CLAUDE_MEMORY_BRIDGE=false
# SNAPSHOT_ENABLED=false

# Team
# TEAM_ID=
# USER_ID=
# TEAM_MODE=private

# Tool visibility: "all" (54 tools, default) or "core" (8 tools, lean)
# AGENTMEMORY_TOOLS=core

124 эндпоинта на порту 3111. REST API по умолчанию слушает на 127.0.0.1. Защищённые эндпоинты требуют Authorization: Bearer <secret>, когда установлен AGENTMEMORY_SECRET, а эндпоинты mesh-синхронизации требуют AGENTMEMORY_SECRET на обоих узлах.

Ключевые эндпоинты

Метод	Путь	Описание
`GET`	`/agentmemory/health`	Проверка состояния (всегда публична)
`POST`	`/agentmemory/session/start`	Запуск сессии + получение контекста
`POST`	`/agentmemory/session/end`	Завершение сессии
`POST`	`/agentmemory/observe`	Захват наблюдения
`POST`	`/agentmemory/smart-search`	Гибридный поиск
`POST`	`/agentmemory/context`	Генерация контекста
`POST`	`/agentmemory/remember`	Сохранить в долговременную память
`POST`	`/agentmemory/forget`	Удалить наблюдения
`POST`	`/agentmemory/enrich`	Контекст файла + записи памяти + баги
`GET`	`/agentmemory/profile`	Профиль проекта
`GET`	`/agentmemory/export`	Экспорт всех данных
`POST`	`/agentmemory/import`	Импорт из JSON
`POST`	`/agentmemory/graph/query`	Запрос к графу знаний
`POST`	`/agentmemory/team/share`	Расшарить в команду
`GET`	`/agentmemory/audit`	Аудит-журнал

Полный список эндпоинтов: src/triggers/api.ts

npm run dev               # Hot reload
npm run build             # Production build
npm test                  # 1,674 tests
npm run test:integration  # API tests (requires running services)

Требования: Node.js >= 20, iii-engine или Docker

Apache-2.0

FilesExpand file tree

README.ru-RU.md

Latest commit

History