Claude Code用户有个共同痛点：每次开新会话，AI都像第一次见你。你刚花20分钟解释完项目架构，关掉窗口，再打开——全忘了。一位开发者算了笔账：平均每天重复解释3.2次，一年浪费近200小时。
这个痛点被Keshrath用agent-knowledge解决了。这是一个开源MCP服务器，给AI agent装上永久记忆，还能跨设备同步。代码在GitHub开源3天，星标破千。
为什么"记忆"是AI coding agent的致命短板
Claude Code的会话记录存成JSONL文件，但agent本身读不了。每次新会话都是空白 slate（石板），你得重新介绍项目结构、团队规范、踩过的坑。Keshrath形容这像"跟一个天才同事合作，但他有失忆症"。
更麻烦的是多设备场景。公司电脑配好的环境变量，回家用笔记本又要重讲一遍。有人试过把会话记录复制粘贴给AI，但JSONL文件动辄几万行，超出上下文窗口。
agent-knowledge的核心设计是双系统：一个给结构化知识，一个给原始会话。
Knowledge Base是git同步的markdown仓库，存在~/claude-memory。Agent能读能写，条目按projects、decisions、workflows、people、notes分类。每个文件带YAML frontmatter，每次写入自动提交推送。
Session Search则是对历史会话的TF-IDF全文检索。JSONL文件不再沉睡，变成可搜索的档案。Agent能查"上次部署报什么错""谁决定用PostgreSQL"。
技术实现：12个工具和一个本地dashboard
agent-knowledge作为MCP server跑在stdio上，暴露12个工具供AI客户端调用。同时自动启动localhost:3423的web界面，肉眼浏览所有记忆。
知识同步的机制很直接：每次读取先git pull，写入后自动git add/commit/push。两台机器轮着用，知识库保持一致。有人测试过，从公司电脑push到回家pull，延迟不到5秒。
会话检索用TF-IDF打分，索引缓存60秒后按需重建。文件按修改时间缓存，没变动的跳过解析。六个预设过滤条件覆盖常见场景：errors（堆栈、异常）、plans（架构、TODO）、configs（配置、环境变量）、tools（MCP调用、CLI命令）、files（路径、修改）、decisions（权衡、理由）。
Agent可以问精确问题："这个项目我以前遇到过什么错误？"
Keshrath在GitHub repo里放了个典型用例：调试部署问题时，agent自动查询knowledge base发现"需要设置DATABASE_URL"，省去15分钟重复排查。
开源社区的反应：有人 fork，有人质疑
项目上线后，Hacker News和Twitter出现两种声音。支持者认为这是"AI agent基础设施的拼图之一"，把记忆层从应用层抽出来，比让每个客户端自己实现更合理。
质疑者指向隐私风险。Git同步意味着记忆内容暴露在remote repo，公司代码的敏感信息可能外泄。Keshrath的回应是：默认用私有repo，且支持本地git server。
另一个争议是TF-IDF的局限性。相比向量检索，关键词匹配对语义相似但用词不同的查询效果差。Keshrath解释这是刻意取舍：TF-IDF可解释、零依赖、对代码和错误日志等结构化文本足够用。
「我试过向量方案，但embedding模型对技术术语的召回率并不稳定，」Keshrath在issue里写道，「TF-IDF至少让我知道为什么搜到这条结果。」
目前agent-knowledge只支持Claude Code的JSONL格式，但MCP协议让它理论上能接任何客户端。已有用户在尝试适配Cursor和Windsurf的日志格式。
项目地址：github.com/keshrath/agent-knowledge。安装只需pip install，配置MCP server后重启Claude Code即可生效。Keshrath在README里埋了个细节：第一次运行时，agent会收到一条系统提示——"你现在有记忆了，建议先浏览knowledge base了解当前项目"。
如果Anthropic官方推出原生记忆功能，这个开源项目会被快速遗忘，还是会成为某种"民间标准"的参考实现？
热门跟贴