ai-memory
NexusAi Zusammenfassung: AI Memory ist eine Open-Source-Speicherschicht für Coding-Agenten, basierend auf Rust. Es erfasst bereinigte Lifecycle-Ereignisse, fasst sie in einem git-versionierten Markdown-Wiki zusammen und übergibt Kontext zwischen Tools, sodass Entwickler nahtlos über Claude, Codex, Cursor, Kiro und weitere hinweg weiterarbeiten können.
NexusAi Überblick
Installieren Sie leichte Hooks für Ihren bevorzugten Agenten. AI Memory zeichnet Prompts, Tool-Lifecycle-Ereignisse und Sitzungsgrenzen auf und fasst diese in prägnante Zusammenfassungen und dauerhafte Notizen zusammen. Der nächste Agent startet mit einer typisierten Übergabe, während das Wiki durchsuchbar bleibt und versioniert neben Ihrem Code liegt.
Funktionsweise
AI Memory eignet sich für Entwickler, die zwischen Coding-Agenten wechseln, komplexe Projekte pflegen oder über mehrere Maschinen hinweg zusammenarbeiten. Ideal für Teams, die Entscheidungen und Abläufe standardisieren, Boutique-Berater mit vielen Kunden oder Solo-Entwickler, die nach Kontextwechseln verlässliche Erinnerungen benötigen. Es unterstützt CLI-orientierte Nutzer, VS Code/Cursor-Anwender und Forschungstechniker, die prüfbare Begründungen wollen, ohne Geschwindigkeit, Privatsphäre oder Toolwahl einzubüßen.
- Erfassen Sie bereinigte Lifecycle-Ereignisse beliebter Coding-Agenten mit minimalem Aufwand.
- Fassen Sie Sitzungen in kohärente, git-versionierte Markdown-Zusammenfassungen und dauerhafte Notizen zusammen.
- Übergeben Sie offene Fragen und nächste Schritte an den nächsten Agenten.
- Durchsuchen Sie den Speicher mit FTS5, Entity-Matches, Graph-Nachbarn und optionalen Embeddings.
- Setzen Sie Cross-Harness-Workstreams fort und setzen Sie Erfassungsausschlüsse sowie Repository-Richtlinien durch.
Highlights
Wer nutzt es
Installation über Docker-Images (linux/amd64, arm64) oder native Binaries für macOS, Linux und Windows/WSL2. Starten Sie den Server, setzen Sie ein Bearer-Token und führen Sie ai-memory install-mcp sowie install-hooks für Ihren Agenten aus. Provider konfigurieren Sie nur, wenn Sie LLM-Konsolidierung oder Embeddings wünschen. Nutzen Sie ai-memory run, um einen verwalteten Workstream zu erstellen oder fortzusetzen; direkte Agentenstarts bleiben unverändert. Surfen Sie zu /web für das schreibgeschützte Wiki und rufen Sie memory_query aus Ihrem Client auf, um Seiten abzurufen. finalize-session schließt Clients sicher, die keinen echten Sitzungsende-Hook haben.
NexusAi: Langfristiger Speicher, der Tool-Wechsel überdauert und kohärenten, prüfbaren Kontext liefert.
Erste Schritte
AI Memory verwandelt flüchtige Agentensitzungen in dauerhafte, durchsuchbare Projektkenntnisse, ohne einen Datenbank-Cluster zu betreiben. Es legt Wert auf sichere Erfassung, kohärente Konsolidierung und reibungslose agentenübergreifende Kontinuität, gestützt durch Git für Nachvollziehbarkeit. Das Ergebnis sind verlässliche Kontextwiederherstellung, einfacheres Onboarding und weniger Wiederholungen – ohne Vendor Lock-in, mit minimalem Aufwand und pragmatischen Bereitstellungsoptionen.
Öffne das Tool und prüfe die zentrale Produkterfahrung.
Erstelle ein Konto oder greife auf deinen bestehenden Workspace zu.
Nutze eine eigene Aufgabe, um Geschwindigkeit, Qualität und Passung zu bewerten.
Prüfe ähnliche KI-Tools, bevor du eine endgültige Entscheidung triffst.
ai-memory
AkitaOnRails ist ein erfahrener Entwickler und Community-Builder, bekannt für praxisnahe Tools und tiefes Plattformwissen. Das Projekt legt Fokus auf Entwicklerergonomie, prüfbare Workflows und herstellerübergreifende Interoperabilität, mit Betonung auf Rust-Zuverlässigkeit, einfache Bereitstellung und klare Dokumentation für Teams, die agentenbasiertes Coding in realen Projekten einführen.
AI Memory bietet langfristigen, agentenübergreifenden Projektspeicher für KI-Coding-Workflows. Es lauscht über leichte Lifecycle-Hooks oder MCP, speichert bereinigte Beobachtungen und erstellt kohärente Sitzungszusammenfassungen sowie dauerhafte Notizen als Markdown in einem Git-Repository – ganz ohne Vektor-Datenbank. Nach Sitzungsende werden Entscheidungen, offene Fragen und nächste Schritte konsolidiert; der nächste Agent erhält eine begrenzte Übergabe, um ohne erneutes Kontextaufrollen fortzufahren. Ein integrierter MCP-Server und eine schlanke CLI stellen Werkzeuge für Abfragen, Seitenbearbeitung, Feedback und Verwaltungsaufgaben bereit. Die Suche kombiniert SQLite FTS5 mit entity-bewussten und graphbasierten Signalen, optional ergänzt durch Embeddings von OpenAI, Gemini, Voyage oder lokal kompatiblen Endpunkten. Verwaltete Workstreams setzen native Sitzungen über Clients wie Claude Code, Codex, Command Code, Kiro, Cursor, Kimi Code, Antigravity, Grok und weitere fort, während Erfassungsausschlüsse und repository-spezifische Richtlinien durchgesetzt werden. Läuft lokal via Docker oder native Binaries auf Linux, macOS und Windows (inklusive WSL2).
ai-memory besuchen
Kommentare (0)
Keine Kommentare gefunden