終極指南：如何在 3 分鐘內為 Codex 增添「無限記憶」

了解 Codex 新增「第二個大腦」的機制嗎？即使對話中斷，也能保留上下文，它的名字叫做 Agentmemory。我從安裝步驟、設定方式到常見陷阱，全部都整理好了。對於每次都要重複說明相同內容而感到厭煩，以及不想浪費 Tokens 的人，這篇文章是必讀的。

每天早上，我啟動 Claude Code 並輸入「從昨天繼續」，卻總是得到「請告訴我前次會話的內容」的回應。這幾乎是每天都會發生的現象。

一旦工作階段中斷，專案上下文就會被重置。雖然 CLAUDE.md 中的內容會被讀取，但「上下文的份量」——例如三天前討論過的某個 Bug、上週決定的設計政策背後的理由——會完全消失。

一位開發者寫道：

你的 Claude Code 工作階段歷史記錄預設只會在電腦上保存 30 天，如果你想要所有工作階段的記憶，就需要將這個期限設定得更長。

工作階段歷史記錄的預設保留期限是 30 天。而且，儲存的僅僅是「字串形式的記錄」，並非一個可以作為上下文呼叫的機制。

在 Codex 這邊基本上也是如此。GPT-5.5 的上下文在 API 上是 1M Tokens，在 Codex CLI 中則是 400K。物理大小看起來足夠，但在實務上，準確度大約在 200K Tokens 左右就會開始下降。

就在那時，在突破 4,000 顆星後引起話題的 Agentmemory 登場了。我實際大量使用了一個星期。以下是我的結論：

「為 Codex / Claude Code 增加無限記憶」這個說法，一半是誇大，一半是事實。

在這篇文章中，我將說明如何最大化「事實」的部分，以及當你遇到「誇大」的部分時該如何避開。

1. 為什麼 Codex / Claude Code 會「失憶」？

在討論 Agentmemory 之前，讓我先釐清為什麼現有的工具還不夠。如果跳過這一點，只會變成「我加了個方便的記憶工具」，而錯失了核心本質。

即使上下文視窗很大，也無法在實務上完全利用。

截至 2026 年 5 月，主要模型的上下文視窗如下：

● Claude Opus 4.7：1M Tokens（從 200K 擴展）

● GPT-5.5：1M Tokens（API）/ Codex CLI 限制 400K

● Gemini 3.1 Pro：1M Tokens

以日文字數來算，大約是 141 萬字。這容量不僅能放下一本書，甚至能容納整個系列。光看數字，似乎「什麼都裝得下」。

然而，Anthropic 自己在官方工程部落格中寫道：

隨著上下文視窗中的 Token 數量增加，模型從該上下文中準確回憶資訊的能力就會下降。

物理容量並不等於維持準確度的能力。經驗顯示，大約在 200K 到 400K Tokens 左右，Claude 就會開始「忘記剛剛說過的話」。這通常被稱為上下文腐化。

官方 Claude Code 也曾發生的「思維崩壞」

我舉一個真實的例子。2026 年 4 月 23 日，Anthropic 官方發布了一份事後檢討報告。

3 月 26 日推出的一個 Bug，導致「空閒 1 小時後清除舊思維」的功能，在恢復工作階段後每回合都觸發。

結果，可見思維長度的中位數變化如下：

● 1 月：2,200 字符

● 3 月：600 字符

崩壞了 73%。 長達約一個月的時間，官方 Claude Code 都在任意裁剪自己的上下文。

這點之所以重要，是因為它顯示了上下文腐化不僅是「使用者端的錯誤」，也可能因為服務端的情況而發生。無論你把 CLAUDE.md 寫得多麼乾淨，工具端只要一個調校調整，就可能讓「上週的上下文」變成廢紙。

現有解決方案的限制（CLAUDE.md / auto-memory）

Anthropic 正在採取措施。Claude Code 的 auto-memory 功能，是一種記住工作階段之間學到的內容，並在重啟時回憶的機制。Claude Code 團隊在 5 月宣布了這項功能。

然而，這個功能的設計是與壓縮協同運作的。它執行「壓縮上下文 → 將重要資訊移至記憶」的內部流程，而「保留什麼」是由 AI 在每次壓縮時決定的。使用者無法碰觸這個判斷邏輯。

此外，auto-memory 是 Claude Code 專屬的功能。沒有 API 可以從 Codex、Cursor、Cline 或 Hermes 等其他 Agent 讀取它。對於使用多個 Agent 的人來說，必須「把同樣的前提解釋三次」的情況變得常態化。

2. Agentmemory 的與眾不同之處

現在進入正題。Agentmemory（官方儲存庫：rohitg00/agentmemory）是一個開源記憶引擎，截至 2026 年 5 月 15 日已達到 8.8k 顆星。這比最初報導的「4,000+ 顆星」增加了一倍以上。它採用 Apache 2.0 授權，基於 TypeScript，最新版本是 v0.9.12（5 月 13 日）。它是完全自託管的，不會將任何資料發送到外部 SaaS。

開發者的理念

首席開發者 Rohit Ghumare (@ghumare64) 用一句話總結了 Agentmemory 的本質：

6 個月前用 agentmemory 建構了這個：為 AI 編碼 Agent 提供持久記憶。核心想法相同：停止重新推導，開始編譯。

「停止重新推導，開始編譯。」這就是它與現有工具的理念差異。

CLAUDE.md 是「每次都要重新推導的輸入」。專案結構、慣例、過去的決策。AI 在每次工作階段中都會重新讀取、重新解釋，然後遺忘。Agentmemory 透過用「編譯過的記憶層」取代「重新推導循環」來改變這一點。

三層架構（來自 README 摘要）

根據官方 README，內部結構分為三個階段：

首先是捕捉。它使用 12 個 Claude Code 生命週期鉤子自動捕捉資料，因此無需手動執行 memory_save。

其次是管道。它透過「去重 → 隱私過濾器（自動移除 API 金鑰 / PII）→ 基於 AI 的壓縮」流程來組織觀察結果。

第三是檢索。它使用 RRF k=60 融合三種混合搜尋（BM25 / 向量 / 圖形）。BM25 處理詞幹關鍵字和同義詞擴展，向量處理稠密嵌入的餘弦相似度，圖形處理知識圖譜遍歷。透過 Reciprocal Rank Fusion 融合，如果一種方法遺漏了，另一種會補上。結果會根據工作階段分散返回（每個工作階段最多 3 個），解決了只從同一個工作階段取得結果的問題。

四層記憶（靈感來自艾賓浩斯）

另一個有趣的方面是，其設計將記憶分為四個層級，並隨著時間「成長」。

最底層是工作記憶，屬於短期記憶，例如原始工具執行觀察結果、錯誤日誌和命令歷史。向上移動到情節記憶，變成「發生了什麼」的工作階段摘要。到了語義記憶層級，它轉變為「我知道什麼」，即提取出的知識和模式。最頂層是程序記憶，由關於「如何進行」的工作流程和程序組成。

經常被存取的記憶會被強化，而未被參考的記憶則會根據艾賓浩斯遺忘曲線衰減。這是一種模仿人類記憶結構的機制。這就是「停止重新推導，開始編譯」的真實面貌。

與競爭對手的定位

老實說，僅看 GitHub 星數，Agentmemory 與競爭對手相比仍然較小。

● Mem0：55.7k 顆星，通用記憶層，API / Cloud 優先

● Letta（原名 MemGPT）：22.7k 顆星，Agent 作業系統，虛擬上下文管理

● Agentmemory：8.8k 顆星，專注於編碼 Agent，本地 SQLite

在數字比拼中它處於劣勢。然而，Agentmemory 的強項在於其專注於編碼 Agent 以及解耦的設計。Rohit 本人寫道：

如果你想要真正的擴展記憶架構、跨 Agent、可攜帶、不鎖定於特定 Agent，請查看 agentmemory。它被設計為一個解耦的記憶層，可在各種框架中運作。

你可以使用相同的記憶連接到 Cursor、Cline、Claude Code、Codex 和 Hermes。這就是它與 Mem0 和 Letta 的差異化之處。Mem0 過於通用，對編碼上下文的自動捕捉能力較弱；而 Letta 是一個 Agent OS，難以只提取出記憶層。

Agentmemory 正好命中了「同時使用多個編碼 Agent 的開發者」這個利基市場。

3. 3 分鐘內開始 — 安裝與初始設定

讓我們動手實作。只要你有 Node.js 環境，基本流程在 Mac、Linux 和 Windows 上都一樣。

步驟 1：啟動記憶伺服器

只需開啟終端機並執行以下指令：

啟動記憶伺服器（保持運行）

npx @agentmemory/agentmemory

首次執行需要 1-2 分鐘下載依賴項。成功後，REST API 將在 http://localhost:3111 啟動。你可以用以下指令檢查運作狀態：

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

→ {"status":"ok","version":"0.9.12"}

查看器也會同時啟動，因此你可以在瀏覽器中開啟 http://localhost:3113 來視覺化記憶內容。

步驟 2：插入示範資料

內容為空很難理解，所以我們來加入一些範例資料。

在另一個終端機中執行

npx @agentmemory/agentmemory demo

這會將虛擬的工作階段歷史寫入 SQLite，使其在查看器中可見。

步驟 3：整合到 Claude Code

從 Claude Code 端最快的方法是透過外掛市場。

在 Claude Code 中執行

/plugin marketplace add rohitg00/agentmemory

/plugin install agentmemory

這會自動註冊以下項目：

● 12 個鉤子（包含 SessionStart / PostToolUse / Stop 等所有生命週期）

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

● 51 個 MCP 工具（AGENTMEMORY_TOOLS=all 會啟用全部，預設為 15 個核心工具）

步驟 4：整合到 Codex CLI

Codex 遵循類似的風格。

codex plugin marketplace add rohitg00/agentmemory

codex plugin install agentmemory

對於 Codex，AGENTMEMORY_URL=http://localhost:3111 會自動設定為環境變數。請注意，Codex 對 MCP 同步性的要求比 Claude Code 更嚴格，因此如果伺服器關閉，它會立即報錯。別忘了保持伺服器運行。

步驟 5：連接到 Cursor / Cline 等

要透過 Cursor 使用，請將其加入 ~/.cursor/mcp.json：

{

"mcpServers": {

"agentmemory": {

"command": "npx",

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

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

}

}

}

Cline、Hermes 和其他相容 MCP 的編輯器都使用相同的連線模式。這裡有個陷阱：僅僅關閉再重新開啟 Cursor，其 MCP 設定不會被套用；我將在「5 個陷阱」部分詳細說明。

步驟 6：運作狀態檢查儀式

設定完成後，以下是必須的檢查清單：

1. 記憶伺服器連線

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

2. 檢查 iii-engine 版本（需要 v0.11.2）

iii --version

3. 在查看器中檢查記憶

open http://localhost:3113

如果你在查看器中看到了記錄的觀察結果，則表示設定成功。如果已經安裝了 Node.js，整個過程不到 3 分鐘。

4. 3 個基本操作 — 儲存、搜尋、自動壓縮

Agentmemory 的使用可以歸納為三個主要操作。

操作 1：儲存（預設為自動捕捉）

在 Mem0 或 Letta 中，通常使用 memory_add(...) 等手動指令來儲存。Agentmemory 的理念不同：它使用 12 個鉤子自動捕捉所有內容。

例如，即使你什麼都不做，以下觀察結果也會被記錄下來：

● Bash 工具執行期間的命令和輸出（PostToolUse 鉤子）

● 檔案編輯前後的差異（PreToolUse / PostToolUse 鉤子）

● 工作階段開始時自動注入相關記憶（SessionStart 鉤子）

● 工作階段結束時的摘要壓縮（Stop 鉤子）

最大的價值在於「使用者決定儲存什麼的負擔」變為零。雖然以前我們在 CLAUDE.md 中會想「這個很重要，記錄下來」或「把這個刪掉」，但這裡的想法是將那個判斷邏輯留給 AI。

你也可以手動儲存。透過 MCP 工具呼叫 memory_save，你可以明確標記「這個很重要」。對於關鍵的設計決策，與其完全依賴自動捕捉，手動儲存更為安全。

操作 2：搜尋（三系統混合 + RRF）

搜尋是透過 MCP 工具或直接呼叫 REST API 進行的。以下是代表性的 MCP 工具：

● memory_recall — 使用自然語言檢索相關記憶

● memory_smart_search — 混合搜尋的全功能版本

● memory_sessions — 按工作階段列出

● memory_timeline — 按時間排序

● memory_relations — 相關實體的圖形遍歷

如果直接呼叫 REST API：

搜尋「之前關於 Supabase auth 的修復」

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

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

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

返回的結果是使用 RRF k=60 融合了 BM25 / 向量 / 圖形的結果。延遲在 P50 時低於 20ms（因為是本地 SQLite，所以很快）。

官方基準測試（LongMemEval-S，500 個問題，ICLR 2025）中的準確度如下：

● R@5：95.2%（正確答案在前 5 個候選項中的機率）

● R@10：98.6%

● MRR：88.2%

請注意，這是「搜尋準確度」，不是「端到端 QA 準確度」。這是指正確答案存在於候選項中的某處的機率；Claude 是否使用它來正確回答問題是另一個問題。不要混淆這兩者而過度依賴。

操作 3：自動壓縮（隨時間成長的四個層級）

每次 Stop 鉤子運行時，會依序發生三個階段的壓縮：

首先，工作記憶→情節記憶 將原始工具日誌壓縮成工作階段摘要。接下來，情節記憶→語義記憶 從多個工作階段事件中提取「模式」和「知識」。最後，語義記憶→程序記憶 將頻繁重複的步驟固化為「工作流程」。

這自動解決了「儲存所有內容導致搜尋雜訊」的問題。工作階段開始時注入的 Token 預算預設為 2,000 Tokens。這被設計為以必要且充分的形式恢復「先前的上下文」。

5. 同時使用 Codex / Claude Code 的工作流程

現在進入實際應用。對於認真同時使用 Codex 和 Claude Code 的人，這裡有三種工作流程模式。

模式 1：個人開發的日常流程

保持 agentmemory 伺服器運行，當 Claude Code 啟動時，SessionStart 鉤子會觸發，自動注入前一天的情節記憶。即使不說「從昨天繼續」，對話開始時 Claude 就已經理解「我們來繼續討論關於在 Supabase RLS 上卡住的話題」。

在編碼期間，PostToolUse 鉤子會持續將命令、輸出和差異寫入 SQLite。當工作階段關閉時，Stop 鉤子會將工作記憶壓縮為情節記憶。隔天早上，這些內容會被自動讀取，形成一個循環。

模式 2：管理多個專案

Agentmemory 可以將記憶分為三種範圍。使用者範圍與個人綁定，包含「個人習慣」，例如編碼慣用偏好。專案範圍為每個專案單獨管理，擁有獨立的 SQLite 檔案。本地範圍僅保留在該機器上，即使在團隊共享模式下也不會流出。

在切換專案時，將環境變數改為 AGENTMEMORY_PROJECT=foo-app，就會參照不同的 SQLite 檔案。這對於同時運行多個專案的人來說極其有效。以前使用 CLAUDE.md 時，經常發生專案 A 的設計決策滲入專案 B 討論的現象。使用 Agentmemory 後，它們在物理上是分離的，因此不會相互干擾。

模式 3：團隊共享與上市公司聯合開發

我們目前正在與上市公司共同開發 AI Agent，而 MCP 伺服器共享模式在這裡非常有效。透過設定 collab=true 標誌，多個 Codex / Claude Code 實例可以參照同一個記憶伺服器。

伺服器端

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

透過團隊 VPN 參照它，多人可以共享「同一個專案的記憶」進行協作。但是，隱私過濾器必須設定得夠嚴格。如果 API 金鑰或個人資訊混入，將與整個團隊共享，因此 .agentmemoryignore 中的排除設定是強制性的。我將在「陷阱」部分提到這一點。

同時使用兩者的特有陷阱

在同一個專案中切換使用 Codex 和 Claude Code 時，記憶是共享的，但提示詞的語法不同。Claude Code 的 /plugin 指令在 Codex 中無法使用，而 Codex 的 codex plugin install 在 Claude Code 中也無法使用。即使它是「兩者都能用的工具」，也需要分別進行設定。很多人在第一週就卡在這裡。

6. 如何閱讀基準測試 — 將數字轉化為「體驗」

我將把官方數字轉化為實際感受。

「92% Token 減少」背後的真相

新聞快訊和 Medium 文章中吹捧的「92% 減少」是針對每個工作階段的。

● 傳統 CLAUDE.md 手動操作：每個工作階段約 22,000 Tokens

● 透過 Agentmemory：每個工作階段約 1,900 Tokens

● 減少率：約 91-92%

工作階段開始時的上下文注入 Token 大幅減少了。以年度計算，數字會改變，README 中的 Token 節省表顯示：

● LLM 摘要操作：每年約 650K Tokens（每年約 $500）

● Agentmemory：每年約 170K Tokens（每年約 $10）

以 Token 來看，大約減少了 74%，但以成本來看，則減少了 98%。從 $500 變成 $10。造成這種差異的原因是 Agentmemory 在本地 SQLite + 本地嵌入上運行。與每次運行都使用基於 LLM 的壓縮的 Mem0 或 Letta 不同，其運作成本極低。

「LongMemEval-S R@5 95.2%」的意義

LongMemEval-S 是 ICLR 2025 發布的長期記憶基準測試（500 個問題，每個問題約 48 個工作階段，約 115K Tokens 的上下文）。比較主要工具：

Mem0 憑藉其新演算法正在追趕，因此僅憑數字就稱其為「壓倒性勝利」並不公平。然而，由於 Agentmemory 結合了專為編碼 Agent 設計的自動捕捉機制，達到了 95.2% 的成績，目前的評估是它在「準確度與運作負載」的權衡取捨上處於絕佳位置。

再次強調，R@5 是搜尋準確度，而不是 Claude 或 Codex 最終給出正確答案的機率。混淆這兩點會導致高估。

Codex 400K 與 Opus 4.7 1M：「物理與實務」的差異

在查看基準測試數字時，我注意到另一個重要觀點。

Claude Opus 4.7 將上下文擴展到 1M Tokens。GPT-5.5 在 API 上也是 1M Tokens。僅看這一點，似乎「我們不再需要記憶工具了」。

然而，Codex CLI 實際上限制為 400K。物理極限和實務極限是不一致的。此外，正如 Anthropic 自己所寫，隨著上下文增加，上下文腐化在 200K-400K Tokens 時開始發生。

換句話說，即使物理大小增加，對記憶引擎的需求也不會減少。 相反地，「如何有效利用廣闊的上下文視窗」已經成為一個新的技術挑戰。

7. 5 個陷阱 — 我實際踩到的地雷

我要在這裡坦白說。以下是我在實際運行時踩到的、官方 README 或網紅推文中沒有提到的 5 個地雷。我只挑選了 GitHub Issues 中可重現的項目。

陷阱 1：iii-engine v0.11.2 版本不符

設定完成後立即，有些人會遇到這個錯誤：

iii: command not found

或

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

Agentmemory 內部依賴一個名為 iii-engine 的二進位檔案，並且版本被鎖定在 v0.11.2。如果已經安裝了其他版本，它會在啟動階段失敗。解決方法是從每個作業系統的 Releases 中取得固定的版本。

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 \

驗證

iii --version # 應顯示 v0.11.2

如果跳過這一步，之後的所有事情都會失敗，所以請務必先搞定這個。

陷阱 2：Issue #181 — 透過無限迴圈大量產生幽靈工作階段

這一個非常危險。在 v0.9.1 中回報了一個致命 Bug，即在未設定 API 金鑰的情況下，從 Stop 鉤子呼叫 /summarize 會導致無限產生子工作階段。

Stop 鉤子 → /summarize → 產生子工作階段

↓

子工作階段的 Stop 鉤子也會觸發 → /summarize → 產生更多子工作階段

↓

（無限迴圈）

GitHub Issue #181 中有一份報告提到，在幾分鐘內產生了約 579 個幽靈工作階段。有三種解決方法：

選項 1：停用 agent-sdk 模式（推薦）

export AGENTMEMORY_ALLOW_AGENT_SDK=false

選項 2：使用假 API 金鑰強制錯誤

export AGENTMEMORY_ANTHROPIC_API_KEY="fake-key"

選項 3：設定真實 API 金鑰

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

對於生產環境使用，選項 1 或 3 是安全的。選項 2 僅適用於「只是想讓它動起來」的第一天。

陷阱 3：Issue #159 — MCP 和 REST API 運行在獨立的 KV 上

這是另一個如果你不知道會讓你摸不著頭腦的現象。每次呼叫 MCP 工具（如 memory_search）都返回空結果，而 REST API（POST /agentmemory/search）卻能找到相同資料的匹配項。

REST API：GET /agentmemory/sessions → 69 個觀察結果

MCP 工具：memory_sessions → []（空）

原因是 @agentmemory/mcp 套件和 Agentmemory 伺服器被設計為擁有完全獨立的 KV 儲存（Issue #159）。MCP 是「本地 KV」，伺服器是「另一個 KV」，兩者之間沒有通訊的程式碼路徑。截至 2026 年 5 月，該問題仍然開放中。解決方法如下：

● 選項 1：直接使用 REST API（使用 curl 或 fetch，而非 MCP 工具）

● 選項 2：暫時停用 /mcp 鉤子，僅運行伺服器

未來有計劃修復這個問題，但現在，你必須圍繞這個規格來建構。

陷阱 4：MCP 未在 Cursor / VSCode 中生效

你編輯了 ~/.cursor/mcp.json 並重新啟動了 Cursor，但 Agentmemory 沒有出現在 /mcp list 中。這種情況不僅發生在 Cursor，也發生在一般的 Windows Store 應用程式上。

使用 GUI 的「X」按鈕關閉，預設會讓 WindowsApps 背景進程繼續運行。舊的進程會繼續運行，並在記憶體中持有舊的設定。需要進行完整的終止儀式。

macOS

pkill -9 Cursor

打開 Cursor 應用程式 /Applications/Cursor.app

Windows（PowerShell）

→ 重新啟動

如果你在質疑設定檔之前，先把「檢查是否有殘留的進程」當作預設動作，從這裡開始就能幫你省下很多時間。

陷阱 5：觀察結果因隱私過濾器而被靜默丟棄

「伺服器明明在運行，但觀察結果卻沒有出現在檢視器裡」這個現象，在第一週也很常見。查看日誌，你會看到像這樣的警告：

[warn] observation dropped: private_tag detected

[warn] observation dropped: private_email detected

這是設計上的行為，不是 Bug。Agentmemory 的隱私過濾器會自動偵測 API 金鑰、密碼、電子郵件地址以及 PII，然後丟棄這些觀察結果而不記錄它們。這在安全上是個很棒的功能，但如果你不知道這點，就會覺得它「沒在運作」。共存的策略是：

使用 .agentmemoryignore 依檔案排除

echo ".env" >> .agentmemoryignore

echo ".env.local" >> .agentmemoryignore

echo "*/.key" >> .agentmemoryignore

echo "*/password*" >> .agentmemoryignore

特別是在執行實驗性程式碼，而這些程式碼的觀察結果中包含 API 金鑰時，預先放置這個檔案是安全的做法。

8. 總結 —「無限記憶」不僅僅是擴展上下文視窗

在密集使用 Agentmemory 一週後，這是讓我最有感的體悟：「無限記憶」這個詞，講的不是物理上擴展上下文視窗這件事。

就算增加到 100 萬 Token，如果到了 20 萬 Token 時準確度就下降，那終究是沒有意義的。我覺得物理大小的競賽已經結束了。相反地，Agentmemory 讓你獲得的是一個語意化的外部大腦。

把結構化的記憶保存在會話之外，而不是內。在需要的時候只調用你需要的部分，用完就關閉。值得記住的事會隨時間增長，而可以被遺忘的事則會靜靜地淡去。這跟人類使用記憶的結構是一樣的。

開發者心態上的轉變，可以用一句話來概括：從「會話中斷就結束了」轉變為「記憶在會話之間持續增長」。

整個產業都在朝這個方向前進。DeepLearning.AI 的 Agent 記憶體課程、Mem0 所說的「讓無狀態 Agent 變得有狀態」、MemGPT 論文「將 LLM 視為作業系統」——這些最終都關乎外部記憶，而 Agentmemory 正是在編碼 Agent 領域中的一個解決方案。

無論是 Mem0、Letta，還是你自己實作的方案，對於認真使用 Codex / Claude Code 的人來說，它目前是體驗「無限記憶感」最快的工具。老實說，它值得你安裝起來試試。

9. 關於這個帳號

給看到這裡的各位：這個帳號 @Codestudiopjbk 是由三位重度 Codex 使用者共同運營的。

● 參與研究生和博士後的開發計畫

● 贏得 30 萬日圓獎金

● 目前與上市公司共同開發 AI Agent

我們平時的內容包括：

● 使用 GPT-5.5 / OpenAI Codex 的實作範例

● Codex 應用、CLI 自動化以及開發趨勢

● 最新海外 GPT-5.5 / Codex 資訊的翻譯與驗證

● 與 Claude Code 的實際比較（基於數百小時的使用經驗）

● 與上市公司共同開發的學習心得

我們每天都會發布從開發理念到設計、實作、改進，整個將可用產品推向世界的完整過程。如果你有興趣，歡迎追蹤並看看我們的內容。這絕對值得你花時間。

如果有開發相關的諮詢需求，請直接私訊我們。 無論是 Codex 導入、自動化設計，還是 AI Agent 的實作，都歡迎隨時聯繫。

參考資料與引用

● [Rohit Ghumare (rohitg00/agentmemory)] (2026-05-13) Agentmemory v0.9.12 — 編碼 Agent 的記憶引擎 — 官方儲存庫，Apache-2.0，8.8k Stars，TypeScript

● [Rohit Ghumare] (2026-04) 「六個月前我用 agentmemory 建構了這個：AI 編碼 Agent 的持久記憶」 — 開發者理念

● [GitHub Issue #181] Stop-hook → /summarize → agent-sdk 無限遞迴 — 陷阱 2 的主要來源

● [GitHub Issue #159] 獨立 MCP 工具不會代理到正在運行的 agentmemory 伺服器 — 陷阱 3 的主要來源

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

● [Anthropic] (2026-04-23) 4 月 23 日事故檢討 — Claude Code 思考長度崩潰事件的社會證明

● [Mem0] 介紹 Mem0 — Mem0 理念及 Taranjeet Singh 的引用

● [Letta] AI Agent 記憶體基準測試 — Letta 基準測試數據來源

● [Charles Packer 等人] (2023-10) MemGPT：邁向以 LLM 作為作業系統 — 虛擬上下文管理論文，Agentmemory 的理論前身

● [DeepLearning.AI] Agent 記憶：建構具備記憶能力的 Agent — Andrew Ng / Oracle 課程