最近在 GitHub 上刷到 agentmemory 这个开源项目，给各类 AI 编程助手打造了持久化记忆引擎。 它能够在后台静默记录代码修改和上下文，自动提取并压缩成结构化记忆。 在下次新建会话时，无需重新解释，AI 就能直接调用之前的技术栈细节和开发习惯。 GitHub： 帮我们节省长上下文带来的 Token 消耗，还能跨 Codex、Claude Code 等多个主流工具共享同一份记忆。 支持开箱即用，所有数据和本地向量模型都可以完全跑在本地，不用担心核心代码泄露。 适合重度使用 AI 辅助编程的开发者，让 AI 真正变成懂我们的专属搭档。

Claude Code 每次新会话都「失忆」。 如果你经历过以下痛苦： 重新解释项目架构 再次说明技术选型原因 反复提醒已经踩过的坑    一定要了解下 AgentMemory 这个项目： 采用三路混合搜索 + RRF 融合，在 LongMemEval-S 基准上达到 95.2% 的 R@5 召回率。 支持的代理： Claude Code、Cursor、Gemini CLI 等 15+ 工具 零外部依赖，直接安装即用。

🔥 想做 AI Agent 最烦的不是调模型，而是 RAG、记忆、评估、部署、数据库这些东西全都散在不同教程里，拼起来非常累。 最近发现一个神器：Oracle 官方整理的 oracle-ai-developer-hub。 GitHub： 1️⃣ 完整 AI 应用示例提供 Agentic RAG、金融 AI Agent、自然语言查询电商数据库等真实落地案例。 2️⃣ Notebook 实战演示手把手演示 RAG、Hybrid Search、Agent Reasoning、Agent Memory 等核心做法。 3️⃣ 企业级混合数据处理把向量、关键词、图、JSON、关系型数据放到同一个数据库场景里讲，告别玩具版 RAG。 4️⃣ 从 RAG 到多 Agent Workshop提供完整 Workshop，按步骤动手跑一遍，帮你系统性从 RAG 进阶到多 Agent。 5️⃣ 多框架记忆型 Agent 示例包含 OpenAI Agents SDK、Claude Agent SDK、LangGraph 等不同框架的记忆型 Agent 实现。 适合特别想把 AI Agent 做得更像生产系统，而不是只停留在聊天 demo 的人收藏使用。