终极指南：如何在 3 分钟内为 Codex 添加“无限记忆”

你知道给 Codex 添加“第二大脑”以便对话中断后上下文依然存在的机制吗？它的名字叫 Agentmemory。我从安装步骤、配置到常见陷阱，把相关内容全部总结了出来。对于那些每次都厌烦解释同样事情、以及不想浪费 token 的人来说，这是一篇必读文章。

每天早晨，我启动 Claude Code 输入“从昨天继续”，结果总是被回复“请告诉我上次会话的内容”。这几乎是每天都在发生的事。

一旦会话中断，项目上下文就会被重置。虽然 CLAUDE.md 里写的内容会被读取，但“上下文的权重”——比如三天前关于某个 bug 的讨论、上周决定的设计策略背后的理由——会完全消失。

一位开发者写道：

默认情况下，你的电脑上只保存 30 天的 Claude Code 会话历史记录，如果你想在所有会话间拥有记忆，就必须把保留时间设置得更长。

会话历史的默认保留期限是 30 天。而且，保存的只是“字符串形式的记录”，并不是可以作为上下文调用的机制。

Codex 那边也基本一样。GPT-5.5 的上下文长度通过 API 为 100 万 token，在 Codex CLI 中限制为 40 万 token。物理容量看起来足够，但实际上，在约 20 万 token 时准确率就开始下降。

就在这时，突破 4000 Stars 后备受关注的 Agentmemory 出现了。我已经重度使用了一周。这是我的结论：

用“给 Codex/Claude Code 添加无限记忆”来形容它，一半是夸张，一半是事实。

在这篇文章中，我会解释如何最大化“事实”部分，以及遇到“夸张”部分时如何避开。

1. 为什么 Codex/Claude Code 会“失忆”？

在讨论 Agentmemory 之前，先说明现有的工具为什么不够。如果跳过这部分，最后只会变成“我加了个好用的记忆工具”，而抓不住本质。

即使上下文窗口很大，在实践中也无法完全利用。

截至 2026 年 5 月，主要模型的上下文窗口如下：

● Claude Opus 4.7：100 万 token（从 20 万扩展而来）

● GPT-5.5：100 万 token（API）/ Codex CLI 中40 万限制

● Gemini 3.1 Pro：100 万 token

换成日文字符约 141 万字。容量大到不仅装得下一本书，甚至能装下一套丛书。光看数字，感觉“什么都能装下”。

然而，Anthropic 在官方工程博客中写道：

随着上下文窗口中 token 数量的增加，模型从该上下文中准确回忆信息的能力会下降。

物理容量并不等于保持准确性的能力。经验表明，在约 20 万到 40 万 token 时，Claude 开始“忘记刚刚说过的话”。这通常被称为上下文腐烂。

甚至在官方 Claude Code 中也发生过“思维崩塌”

举一个实际例子。2026 年 4 月 23 日，Anthropic 官方发布了一份事故分析报告。

3 月 26 日推出的一个 bug 导致“闲置 1 小时后清除旧思维”的功能在会话恢复后每轮都触发。

结果，可见思维长度的中位数如下变化：

● 1 月：2,200 个字符

● 3 月：600 个字符

降低了 73%。 长达一个月的时间里，官方 Claude Code 在随意削减自己的上下文。

这很重要，因为它说明上下文腐烂不仅是“用户错误”，也可能是由服务端情况引起的。无论你把 CLAUDE.md 写得多么清晰，工具端的一次调优调整就能让“上周的上下文”变成废纸。

现有解决方案（CLAUDE.md / auto-memory）的局限

Anthropic 正在采取措施。Claude Code 的 auto-memory 功能是一种机制，会记住会话之间学到的内容并在重启时回忆起来。Claude Code 团队在 5 月宣布了这一点。

然而，这是与压缩协同设计的。它执行“压缩上下文 → 将重要信息移动到记忆”的内部流程，AI 在每次压缩时决定“保留什么”。用户无法干预这个决策逻辑。

此外，auto-memory 是 Claude Code 独有的。没有 API 可以供 Codex、Cursor、Cline、Hermes 等其他 Agent 读取它。对于使用多个 Agent 的人来说，“把同样的前提解释三遍”就变成了常态。

2. Agentmemory 有何不同

现在进入正题。Agentmemory（官方仓库：rohitg00/agentmemory）是一个开源记忆引擎，截至 2026 年 5 月 15 日达到了 8.8k Stars。相比最初报道的“4,000+ Stars”增长了一倍多。它基于 Apache 2.0 许可，使用 TypeScript，最新版本是 v0.9.12（5 月 13 日）。完全自托管，零数据发送到外部 SaaS。

开发者的理念

首席开发者 Rohit Ghumare（@ghumare64）用一句话概括了 Agentmemory 的本质：

6 个月前用 agentmemory 构建了这个：为 AI 编码 agent 提供持久记忆。同样的核心理念：停止重新推导，开始编译。

“停止重新推导，开始编译。”这就是它与现有工具的理念差异。

CLAUDE.md 是“每次重新推导的输入”。项目结构、约定、过去的决策。AI 每个会话都会重新读取、重新解释，然后遗忘。Agentmemory 通过将“重新推导循环”替换为“编译后的记忆层”来改变这一点。

3 层架构（从 README 总结）

根据官方 README，内部结构分为三个阶段：

首先是 捕获。它使用 12 个 Claude Code 生命周期钩子自动捕获数据，因此无需手动运行 memory_save。

其次是 管道。通过去重 → 隐私过滤器（自动移除 API 密钥/个人身份信息）→ 基于 AI 的压缩流程来组织观察结果。

第三是 检索。使用 RRF k=60 融合三种混合搜索（BM25 / 向量 / 图）。BM25 处理词干关键词和同义词扩展，向量处理稠密嵌入的余弦相似度，图处理知识图谱遍历。通过倒数排序融合，如果一种方法漏掉了，另一种会补上。结果按会话分散返回（每个会话最多 3 条），解决了只从同一会话获取结果的问题。

4 层记忆（受艾宾浩斯启发）

另一个有趣的方面是将记忆分为四层的设计，这些层会随时间“成长”。

最底层是工作记忆，即原始工具执行观察、错误日志、命令历史等短期记忆。向上到情景记忆，变成“发生了什么”的会话摘要。到了语义记忆级别，变成“我知道什么”——提取的知识和模式。最顶层是程序记忆，由关于“如何推进”的工作流和程序组成。

经常访问的记忆会被强化，未被引用的记忆按照艾宾浩斯遗忘曲线衰减。这是一种模仿人类记忆结构的机制。这就是“停止重新推导，开始编译”的实质。

与竞争对手的定位

说实话，仅从 GitHub Stars 来看，Agentmemory 与竞争对手相比仍然很小。

● Mem0：55.7k Stars，通用记忆层，API/云优先

● Letta（原 MemGPT）：22.7k Stars，Agent 操作系统，虚拟上下文管理

● Agentmemory：8.8k Stars，专为编码 Agent 设计，本地 SQLite

在数量上落败。然而，Agentmemory 的优势在于对编码 Agent 的专门化和解耦设计。Rohit 本人写道：

如果你想要真正的扩展记忆架构，跨 Agent、可移植、不锁定在特定 Agent 上，看看 agentmemory。它被设计为一个可以在不同 harness 上工作的解耦记忆层。

你可以使用相同的记忆连接到 Cursor、Cline、Claude Code、Codex 和 Hermes。这就是与 Mem0 和 Letta 的差异。Mem0 太过通用，对编码上下文的自动捕获能力弱；而 Letta 是一个 Agent 操作系统，很难单独提取出记忆层。

Agentmemory 精准命中了“同时使用多个编码 Agent 的开发者”这一细分需求。

3. 3 分钟上手 — 安装和初始设置

我们来动手操作。只要你有 Node.js 环境，Mac、Linux、Windows 的基本流程都一样。

步骤 1：启动记忆服务器

打开终端，运行以下命令：

启动记忆服务器（保持运行）

npx @agentmemory/agentmemory

首次运行需要 1–2 分钟下载依赖。成功后会启动一个 REST API，地址为 http://localhost:3111。可以通过以下命令检查健康状态：

curl http://localhost:3111/agentmemory/health

→ {"status":"ok","version":"0.9.12"}

同时还会启动一个查看器，在浏览器中打开 http://localhost:3113 即可可视化记忆内容。

步骤 2：插入演示数据

空数据不好想象，所以添加一些示例数据。

在另一个终端中运行

npx @agentmemory/agentmemory demo

这会将虚拟的会话历史写入 SQLite，你可以在查看器中观察到。

步骤 3：集成到 Claude Code

从 Claude Code 侧最快的方式是通过插件市场。

在 Claude Code 中执行

/plugin marketplace add rohitg00/agentmemory

/plugin install agentmemory

这会自动注册以下内容：

● 12 个钩子（包括 SessionStart / PostToolUse / Stop 等所有生命周期）

● 4 项技能（recall / consolidate / export / governance）

● 51 个 MCP 工具（AGENTMEMORY_TOOLS=all 会启用全部，默认是 15 个核心工具）

步骤 4：集成到 Codex CLI

Codex 的集成方式类似。

codex plugin marketplace add rohitg00/agentmemory

codex plugin install agentmemory

对于 Codex，AGENTMEMORY_URL=http://localhost:3111 会自动设置为环境变量。注意，Codex 对 MCP 同步性比 Claude Code 更严格，如果服务器关闭，它会立即报错。别忘了保持服务器运行。

步骤 5：连接到 Cursor / Cline 等

要通过 Cursor 使用，将其添加到 ~/.cursor/mcp.json：

{

"mcpServers": {

"agentmemory": {

"command": "npx",

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

"env": { "AGENTMEMORY_URL": "http://localhost:3111" }

}

}

}

Cline、Hermes 和其他支持 MCP 的编辑器采用相同的连接模式。有一个陷阱：仅仅关闭并重新打开 Cursor，MCP 设置不会生效；我会在“5 个陷阱”部分详细说明。

步骤 6：健康检查仪式

设置完成后，必须执行以下检查清单：

1. 记忆服务器连接

curl http://localhost:3111/agentmemory/health

2. 检查 iii-engine 版本（需要 v0.11.2）

iii --version

3. 在查看器中检查记忆

open http://localhost:3113

如果在查看器中看到了观察记录，说明设置成功。如果已经安装了 Node.js，整个过程不到 3 分钟。

4. 3 个基本操作 — 保存、搜索、自动压缩

Agentmemory 的使用可以归纳为三个主要操作。

操作 1：保存（默认自动捕获）

在 Mem0 或 Letta 中，通常使用 memory_add(...) 等手动命令来保存。Agentmemory 的理念不同：它使用 12 个钩子自动捕获所有内容。

例如，以下观察记录会在你没有任何操作的情况下自动录入：

● Bash 工具执行时的命令和输出（PostToolUse 钩子）

● 文件编辑前后的差异（PreToolUse / PostToolUse 钩子）

● 会话启动时自动注入相关记忆（SessionStart 钩子）

● 会话结束时压缩摘要（Stop 钩子）

最大的价值在于“用户决定保存什么”的负担降为零。过去我们在 CLAUDE.md 中会想“这个很重要，记下来”或“删掉这个”，现在把决策逻辑交给 AI。

你也可以手动保存。通过 MCP 工具调用 memory_save，可以明确标记“这个很重要”。对于关键设计决策，手动保存比完全依赖自动捕获更安全。

操作 2：搜索（3 系统混合 + RRF）

搜索通过 MCP 工具或直接调用 REST API 进行。以下是代表性的 MCP 工具：

● memory_recall — 使用自然语言检索相关记忆

● memory_smart_search — 混合搜索的完整版

● memory_sessions — 按会话列出

● memory_timeline — 按时间排序

● memory_relations — 图遍历相关实体

如果直接调用 REST API：

搜索“之前关于 Supabase auth 的修复”

curl -X POST http://localhost:3111/agentmemory/search \

-H "Content-Type: application/json" \

-d '{"query": "supabase auth fix", "limit": 5}'

返回的结果通过 RRF k=60 融合了 BM25 / 向量 / 图。延迟在 P50 下低于 20ms（因为是本地 SQLite，速度很快）。

官方基准测试（LongMemEval-S，500 个问题，ICLR 2025）中的准确率如下：

● R@5：95.2%（正确答案出现在前 5 个候选中的概率）

● R@10：98.6%

● MRR：88.2%

请注意，这是“搜索准确率”，而不是“端到端问答准确率”。正确答案出现在候选中，与 Claude 是否利用它正确回答是两回事。不要混淆这两点而过度依赖。

操作 3：自动压缩（随时间成长的 4 层）

每次 Stop 钩子运行时，会依次进行三个阶段的压缩：

首先，工作记忆 → 情景记忆将原始工具日志压缩为会话摘要。接着，情景记忆 → 语义记忆从多个会话事件中提取“模式”和“知识”。最后，语义记忆 → 程序记忆将频繁重复的步骤固化为“工作流”。

这自动解决了“保存所有内容造成搜索噪音”的问题。会话启动时注入的 token 预算默认为 2,000 token。这是为了以必要且充分的形式恢复“之前的上下文”。

5. 双持 Codex / Claude Code 的工作流

现在进入实际应用。针对认真同时使用 Codex 和 Claude Code 的人，这里有三种工作流模式。

模式 1：单人开发的日常流程

保持 agentmemory 服务器运行，Claude Code 启动时 SessionStart 钩子会触发，自动注入前一天的 Episodic 记忆。即使不说“从昨天继续”，对话也会从 Claude 已经理解“继续讨论关于 Supabase RLS 卡住的问题”开始。

编码过程中，PostToolUse 钩子持续将命令、输出和差异写入 SQLite。会话关闭时，Stop 钩子将 Working 压缩为 Episodic。第二天早上，这部分内容被自动读取，形成闭环。

模式 2：管理多个项目

Agentmemory 可以将记忆划分为三种范围。user 范围与个人绑定，包含编码约定偏好等“个人习惯”。project 范围按项目独立管理，使用单独的 SQLite 文件。local 范围仅保留在本地机器上，即使在团队共享模式下也不会外传。

切换项目时，通过更改环境变量 AGENTMEMORY_PROJECT=foo-app 来引用不同的 SQLite 文件。这对于并行运行多个项目的人来说极为有效。之前用 CLAUDE.md 时，项目 A 的设计决策经常渗入项目 B 的讨论中。有了 Agentmemory，它们物理分离，不会串话。

模式 3：团队共享与上市公司联合开发

我们目前正在与上市公司联合开发 AI Agent，MCP 服务器共享模式在这里非常有效。通过设置 collab=true 标志，多个 Codex / Claude Code 实例可以引用同一个记忆服务器。

服务器端

AGENTMEMORY_COLLAB=true npx @agentmemory/agentmemory --bind 0.0.0.0

通过团队 VPN 引用，多个人可以在共享“同一项目的记忆”的同时工作。但是，必须强化隐私过滤器。如果 API 密钥或个人信息混入，就会共享给整个团队，因此必须在 .agentmemoryignore 中进行排除设置。这一点我会在“陷阱”部分提到。

双持时的特有陷阱

在同一个项目上切换 Codex 和 Claude Code 时，记忆是共享的，但提示语法不同。Claude Code 的 /plugin 命令在 Codex 中无效，Codex 的 codex plugin install 在 Claude Code 中也无效。即使它是“两者都适用的工具”，也需要分别进行设置。很多人在第一周就在这里卡住。

6. 如何阅读基准测试 — 将数字转化为“实际体验”

我来把官方数字转化为实际感觉。

“92% Token 减少”背后的真相

新闻快讯和 Medium 文章中宣传的“92% 减少”是基于每个会话的。

● 传统的 CLAUDE.md 手动操作：每个会话约 22,000 token

● 通过 Agentmemory：每个会话约 1,900 token

● 减少率：约 91–92%

会话启动时的上下文注入 token 大幅减少。按年度计算，数字会变化，README 中的 Token 节省表显示：

● LLM 摘要操作：约 65 万 token / 年（约 $500 / 年）

● Agentmemory：约 17 万 token / 年（约 $10 / 年）

从 token 数量看，减少了约 74%，但从成本看，减少了 98%。500 美元变成了 10 美元。差异的原因在于 Agentmemory 运行在本地 SQLite + 本地嵌入上。与 Mem0 或 Letta 每次运行基于 LLM 的压缩不同，它的运行成本极低。

“LongMemEval-S R@5 95.2%”的含义

LongMemEval-S 是 ICLR 2025 上发布的长期记忆基准测试（500 个问题，每个问题约 48 个会话，约 11.5 万 token 上下文）。主要工具的对比：

Mem0 凭借新算法正在逼近，因此仅凭数字说“压倒性胜利”并不公平。不过，由于 Agentmemory 结合了专为编码 Agent 设计的自动捕获机制达到了 95.2%，目前的评价是它在“准确率 vs. 操作负担”的权衡中处于非常有利的位置。

再次强调，R@5 是搜索准确率，而不是 Claude 或 Codex 最终给出正确答案的概率。混淆这两点会导致估值过高。

Codex 40 万 vs Opus 4.7 100 万：“物理 vs. 实际”

看基准测试数字时，我还注意到另一个重要点。

Claude Opus 4.7 将上下文扩展到了 100 万 token。GPT-5.5 在 API 上也是 100 万 token。仅看这一点，似乎“不需要记忆工具了”。

然而，Codex CLI 实际上限制在 40 万。物理限制与实际限制不一致。此外，正如 Anthropic 自己所写，随着上下文增加，上下文腐烂从 20 万–40 万 token 开始。

换句话说，即使物理尺寸增加，对记忆引擎的需求也不会减少。 相反，“如何高效利用宽上下文窗口”已成为一个新的技术挑战。

7. 5 个陷阱 — 我实际踩过的地雷

这里我要说实话。以下是我在实际运行中踩到的、在官方 README 或网红推文中没有出现的 5 个地雷。我只从 GitHub Issues 中选取了可复现的问题。

陷阱 1：iii-engine v0.11.2 版本不匹配

刚设置完，有些人会遇到这个错误：

iii: command not found

或者

Version mismatch: expected v0.11.2, got v0.11.0

Agentmemory 内部依赖一个名为 iii-engine 的二进制文件，并且版本锁定为 v0.11.2。如果已经安装了其他版本，启动阶段就会失败。解决方法是针对各操作系统从 releases 获取固定版本。

macOS arm64

curl -fsSL https://github.com/iii-hq/iii/releases/download/iii/v0.11.2/iii-aarch64-apple-darwin.tar.gz \

chmod +x ~/.local/bin/iii

Linux x64

curl -fsSL https://github.com/iii-hq/iii/releases/download/iii/v0.11.2/iii-x86_64-unknown-linux-gnu.tar.gz \

验证

iii --version # 应该显示 v0.11.2

如果跳过这一步，后面的一切都会失败，所以务必先处理好。

陷阱 2：Issue #181 — 通过无限循环批量生成幽灵会话

这个很危险。v0.9.1 中报告的一个致命 bug：如果没有设置 API 密钥，从 Stop 钩子调用 /summarize 会导致无限的子会话生成。

Stop 钩子 → /summarize → 生成子会话

↓

子会话的 Stop 钩子也触发 → /summarize → 生成更多子会话

↓

（无限循环）

GitHub Issue #181 中有报告称，几分钟内生成了约 579 个幽灵会话。有三种解决方法：

选项 1：禁用 agent-sdk 模式（推荐）

export AGENTMEMORY_ALLOW_AGENT_SDK=false

选项 2：用虚假 API 密钥强制报错

export AGENTMEMORY_ANTHROPIC_API_KEY="fake-key"

选项 3：设置真实的 API 密钥

export AGENTMEMORY_ANTHROPIC_API_KEY="sk-ant-..."

对于生产环境，选项 1 或 3 是安全的。选项 2 仅适用于“先让它跑起来”的第一天。

陷阱 3：Issue #159 — MCP 和 REST API 运行在独立的 KV 上

这是另一个你不知道就会挠头的问题。调用 MCP 工具（如 memory_search）每次都返回空结果，但 REST API（POST /agentmemory/search）用相同的数据却能找到结果。

REST API: GET /agentmemory/sessions → 69 条观察记录

MCP 工具: memory_sessions → []（空）

原因是 @agentmemory/mcp 包和 Agentmemory 服务器被设计为拥有完全独立的 KV 存储（Issue #159）。MCP 是“本地 KV”，服务器是“另一个 KV”，两者之间没有通信代码路径。截至 2026 年 5 月，该问题仍未关闭。解决方法：

● 选项 1：直接使用 REST API（通过 curl 或 fetch 代替 MCP 工具）

● 选项 2：临时禁用 /mcp 钩子，仅运行服务器

未来有计划修复这个问题，但目前你必须围绕这个设计来构建。

陷阱 4：MCP 在 Cursor / VSCode 中不生效

你编辑了 ~/.cursor/mcp.json 并重启了 Cursor，但 Agentmemory 没有出现在 /mcp list 中。这不仅发生在 Cursor 上，也普遍出现在 Windows Store 应用中。

通过 GUI “X”按钮关闭窗口默认会保留 WindowsApps 后台进程。旧进程继续运行，持有旧设置。需要完整的终止仪式。

macOS

pkill -9 Cursor

open /Applications/Cursor.app

Windows (PowerShell)

→ 重启

如果你在怀疑配置文件之前，先默认检查“是否有残留进程”，你会省下不少时间。

陷阱 5：隐私过滤器悄悄丢弃观测数据

“服务器在运行，但观测数据没有出现在查看器中”这种情况在第一周也很常见。查看日志时，你会看到类似这样的警告：

[warn] observation dropped: private_tag detected

[warn] observation dropped: private_email detected

这是设计如此，不是 Bug。Agentmemory 的隐私过滤器会自动检测 API 密钥、密码、电子邮件地址和 PII，并丢弃这些观测数据而不记录它们。这对安全来说是个很棒的功能，但如果你不知道它，就会觉得“系统坏了”。共存策略是：

通过 .agentmemoryignore 按文件排除

echo ".env" >> .agentmemoryignore

echo ".env.local" >> .agentmemoryignore

echo "*/.key" >> .agentmemoryignore

echo "*/password*" >> .agentmemoryignore

特别是在运行包含 API 密钥的实验代码时，提前放置这个文件是安全的。

8. 总结——“无限记忆”不只是上下文窗口的扩展

重度使用 Agentmemory 一周后，最深刻的感受是：“无限记忆”这个说法，并不是指上下文窗口的物理扩展。

就算扩展到 100 万个 token，如果在 20 万 token 时精度就下降，那最终还是没意义。我觉得物理尺寸的竞争已经结束了。相反，Agentmemory 让你获得的是一个语义外部大脑。

把结构化记忆保存在会话之外，而不是会话之内。需要的时候才调取所需内容，用完后关闭。值得记住的东西随时间增长，可以遗忘的东西悄悄衰减。这和人类使用记忆的结构一样。

开发者心态上的转变可以用一句话描述：从“会话一断就结束”转变为“记忆在会话间增长”。

整个行业都在朝这个方向走。DeepLearning.AI 的代理记忆课程、Mem0 的“让无状态 Agent 变得有状态”的理念、MemGPT 论文“LLMs as Operating Systems”——归根结底，这些都是关于外部记忆的，而 Agentmemory 是编码 Agent 场景下的一个解决方案。

无论是 Mem0、Letta，还是你自己实现的方案，对于那些认真使用 Codex / Claude Code 的人来说，目前它是体验“无限记忆”感觉的最快工具。坦白说，值得安装。

9. 关于本账号

给读到这里的读者：本账号 @Codestudiopjbk 由三位硬核 Codex 用户运营。

● 参与研究生及博士后的开发项目

● 赢得 30 万日元奖金

● 目前与上市公司共同开发 AI Agent

我们日常分享的内容包括：

● 使用 GPT-5.5 / OpenAI Codex 的实现示例

● Codex 使用技巧、CLI 自动化及开发趋势

● 最新海外 GPT-5.5 / Codex 信息的翻译与验证

● 与 Claude Code 的实际对比（基于数百小时使用经验）

● 与上市公司联合开发的心得

我们每天发布从开发理念、设计、实现到改进的完整流程，让产品走向世界。如果感兴趣，请关注并查看我们的内容。一定值得。

开发相关的咨询请私信。 欢迎就 Codex 入门、自动化设计或 AI Agent 实现联系我们。

参考文献与引用

● [Rohit Ghumare (rohitg00/agentmemory)] (2026-05-13) Agentmemory v0.9.12 — 编码 Agent 的记忆引擎 — 官方仓库，Apache-2.0，8.8k Stars，TypeScript

● [Rohit Ghumare] (2026-04) “我 6 个月前用 agentmemory 构建了这个：AI 编码代理的持久记忆” — 开发者理念

● [GitHub Issue #181] Stop-hook → /summarize → agent-sdk 无限递归 — 陷阱 2 的主要来源

● [GitHub Issue #159] 独立 MCP 工具不代理到运行的 agentmemory 服务器 — 陷阱 3 的主要来源

● [Anthropic Engineering] AI Agent 的有效上下文工程 — 上下文工程的官方指南

● [Anthropic] (2026-04-23) 4 月 23 日事后分析 — Claude Code 思考长度崩溃事件的社会证明

● [Mem0] 介绍 Mem0 — Mem0 理念与 Taranjeet Singh 引用

● [Letta] 基准测试 AI Agent 记忆 — Letta 基准测试数据来源

● [Charles Packer 等] (2023-10) MemGPT: 迈向 LLM 即操作系统 — 虚拟上下文管理论文，Agentmemory 的理论前身

● [DeepLearning.AI] Agent 记忆：构建具有记忆能力的 Agent — Andrew Ng / Oracle 课程