Coding Agent Memory Landscape

按产品原生记忆、通用 memory infrastructure、本地文件化方案和研究框架整理 coding agent memory 版图与选型判断。

#tech / ai #type / synthesis #status / growing

[!info] related notes

Coding Agent Memory Landscape

范围

这篇笔记只看一个问题：

当前公开资料里，哪些 memory 机制或项目，真的值得从 coding agent 角度持续跟踪。

关注重点不是“谁说自己有 memory”，而是：

  • 能不能支持 coding workflow
  • 是聊天历史，还是长期状态
  • 是仓库级、用户级，还是跨 agent 共享
  • 是产品内生 feature，还是可复用的 memory layer

为什么要放在一起理解

今天讨论 AI memory，最容易混成一锅的其实是三类东西：

  • 产品内的原生记忆 feature
  • 给任意 agent 外挂的大脑层
  • 本地或文件化的轻量方案

如果不分层，很容易把：

  • Copilot Memory
  • Claude Code auto memory
  • Mem0
  • AGENTS.md
  • 本地 markdown memory bank

都当成同一种东西。实际上它们解决的问题和部署边界并不一样。

一、已经落到开发 agent 里的头部项目

  • GitHub Copilot Memory
    • 更像最工程化的仓库级记忆机制之一
    • 重点是 repository-scoped、带代码引用、使用前会回到当前代码库做校验
  • Claude Code Memory
    • 把手写 CLAUDE.md 和 auto memory 分开
    • 走本地优先、可审计、可编辑的路线
  • Letta
    • 更像 memory-first agent 系统
    • 适合做跨 session 持续演化的 stateful coding agent
  • OpenAI Codex
    • 目前 memory 更像产品内生长出来的能力方向
    • 还不算成熟独立的 memory 项目生态

二、给任意 coding agent 加脑子的通用 memory layer

  • Mem0
    • 现在最像跨客户端共享 memory backend 的默认选项
    • 适合通过 mcp 给不同 coding agent 暴露统一的 add/search/update/delete 能力
  • Graphiti
    • 更偏时序知识图谱和关系延续
    • 适合理解依赖、变更脉络和跨会话关系
    • 它常和 Zep 一起看，但真正偏“图记忆层”的核心对象更像 Graphiti
  • LangMem
    • 适合已经在 LangGraph / LangSmith 体系里的人
    • 不只存 memory，也强调从交互中抽取信息和更新 agent 行为

三、本地 / 文件化 / 可审计路线

  • Roo Code Memory Bank
    • 典型的结构化文件记忆库
    • 适合项目上下文、决策和进度的本地持续维护
  • agent-memory
    • 方向很清晰：capture -> consolidation -> defrag -> AGENTS.md generation
    • 重点不是无限堆日志，而是逐步整理出始终能被 agent 使用的分层记忆

四、更偏研究或观察名单的方向

以下项目值得知道，但这轮不作为核心 shortlist 单独铺开：

  • Zep：更偏 context engineering 平台，和 Graphiti 一起看更有意义
  • Cognee：更像统一知识-记忆引擎
  • Engram：认知记忆分层很有意思，但偏早
  • Claude-Mem：偏 Claude Code 的补强层
  • MemOS / MemoryOS：更像 memory OS 架构方向
  • OpenHands：更接近 session persistence / condensation，而不是稳定的仓库级长期记忆

当前更值得持续跟的 shortlist

如果只保留一份高信号名单，我会优先看这 8 个：

这 8 个基本对应三条主线：

  • 产品级落地：Copilot Memory、Claude Code Memory、Letta
  • 共享基础设施：Mem0、Graphiti、LangMem
  • 本地可控路线：Roo Code Memory Bank、agent-memory

选型时最实用的判断法

想直接用已有产品的原生记忆

优先看：

想给多个 coding agent 共用一层长期记忆

优先看：

想保留本地、文件化、可审计

优先看：

对跨 Codex / Copilot / OpenCode 的更稳架构

如果目标是跨多个 coding agent 共享“项目记忆 + 个人记忆”，更稳的组合通常是：

  • 共享 memory backend
  • 文件化 instruction layer
  • 各产品自己的原生记忆只当附加增益

按这个思路：

  • Mem0 适合做主 memory backend
  • AGENTS.md / copilot-instructions.md 适合放显式规则
  • GitHub Copilot Memory 适合保留为 Copilot 内部增益
  • Codex、OpenCode、Copilot 都更适合作为 client，而不是各自为政地维护主记忆库

如果要把这条路线真正落地，可以继续看：

最短记忆方式

真正值得持续跟的 coding agent memory 项目，不是几十个，而是少数几条清晰路线：产品内生记忆、通用共享 backend、本地文件化记忆，以及更偏研究的 memory-native 框架。

创建于 2026/4/20 更新于 2026/5/27