如何统一管理 AI Agent Memory？用 memU 打通 Claude Code、Codex 与 Cursor

前言

使用 AI Agent 一段时间后，很容易遇到一个问题：每个 Agent 都有自己的记忆，但这些记忆彼此隔离。

在 Claude Code 里解释过的项目背景，换到 Codex 后还要再讲一次；某个会话总结出的调试经验，换台电脑就找不到了；为了让 Agent 遵守自己的工作习惯，只能不断往CLAUDE.md、AGENTS.md或各种 memory 文件里追加内容。

随着 Agent 和项目增多，维护这些记忆逐渐变成一项工作。

memU 提供了一种统一管理 AI Agent Memory 的方案：自动从会话历史中整理记忆，让不同 Agent 在回答前检索，并通过共享后端实现跨会话、跨 Agent 和跨设备使用。

一、AI Agent 的记忆为什么难管理

目前的 Agent 通常已经具备某种记忆能力，但它们的作用范围不同。

项目指令

Claude Code 使用CLAUDE.md，Codex 使用AGENTS.md。这些文件适合保存项目命令、编码约定和行为规则。

问题在于它们需要人工维护，而且通常属于某个项目或 Agent。

会话历史

会话历史记录了完整工作过程，但数据量很大，也包含大量临时信息，新 Agent 不会主动读取另一个 Agent 的历史记录。

Agent 原生记忆

部分 Agent 会自动保存偏好和经验，但这些记忆通常锁定在自己的目录、数据库或账号中。切换 Agent 后，记忆无法直接迁移。

上下文窗口

上下文只负责当前任务。会话过长后，内容会被压缩、截断或丢弃。把全部历史长期放入上下文，也会增加 Token 消耗和噪声。

因此，AI Agent Memory 至少要解决四件事：

记录：从哪里获取新的记忆 整理：哪些内容值得长期保留 检索：什么时候把哪些记忆交给 Agent 共享：如何在不同 Agent 和设备之间复用

二、memU 是什么

memU 是一个开源的 Agent Memory 系统，Apache-2.0许可

它运行在 Agent 旁边，读取新的会话记录，将其中有价值的信息整理成可读的 Markdown，再建立索引。未来执行相关任务时，Agent 会先检索 memU，再开始回答或调用工具。

它主要管理以下内容：

• 项目背景和历史决策；
• 用户偏好与工作习惯；
• 过去任务中遇到的问题；
• 已验证的解决方案；
• 可以复用的工作流程；
• 从会话历史中提炼出的 skills。

根据项目当前的兼容性说明，memU 已提供 Codex、Claude Code、Cursor、OpenClaw、Hermes Agent、WorkBuddy、Cola 等适配器。不同操作系统下的记忆和检索能力存在差异，安装前可以查看官方兼容性矩阵。

三、memU 如何工作

memU 的工作流程分成记录和检索两部分。

1. 记录新的会话

每种 Agent 都有自己的会话存储方式：

• Codex 使用~/.codex/sessions/**/*.jsonl
• Claude Code 使用项目目录下的会话 JSONL
• Cursor 使用 Agent Transcript
• OpenClaw 和 Hermes Agent 使用自己的 SQLite 或会话文件

memU 的 Host Adapter 负责读取这些记录。它不会要求所有 Agent 改用同一种会话格式。

2. 准备记忆任务

后台计划任务会检查新增会话，将消息、工具调用和相关路径整理成独立任务。

这一步主要解决增量处理问题。已经处理过的会话不需要每次重新扫描。

3. 由 Agent 提炼记忆

Agent 会读取现有记忆和 skills，再判断如何处理当前会话：

没有长期价值 → 不保存 补充了已有经验 → 更新现有记忆或 skill 出现新的工作方法 → 创建新的记忆或 skill

具体判断仍然由 Agent 完成。memU 的 Memory Service 负责接收、存储和索引结果。

4. 保存为 Markdown 并建立索引

提炼后的内容使用 Markdown 保存。相比只存在向量数据库中的文本块，Markdown 更容易阅读、检查和修改。

使用 Cloud 模式时，可以在 memU Dashboard 中集中查看这些内容。

5. 回答前检索

安装过程会修改对应 Agent 的指令文件：

• Codex：AGENTS.md
• Claude Code：CLAUDE.md
• Cursor：项目级AGENTS.md
• Hermes Agent：SOUL.md
• OpenClaw：工作区AGENTS.md

指令会要求 Agent 在回答前调用 memU 检索相关记忆。

以 Codex 为例，底层执行的命令类似：

memu-codex retrieve "当前任务相关的查询"

memU 只返回与当前问题相关的内容，不需要把全部历史塞进上下文。

四、memU 解决了哪些管理问题

1. 统一管理多个 Agent 的记忆

所有 Host Adapter 可以连接同一个 memU 后端。

这样一来，在 Claude Code 中积累的项目背景，可以由 Codex 检索；Cursor 中形成的工作经验，也可以在其他支持的 Agent 中继续使用。

记忆的归属从单个 Agent 转移到了用户。

2. 减少手工编写 SOP

很多工作习惯并不会自动变成正式文档。

例如，每次排查问题时，你都要求 Agent：

1. 先缩小故障时间范围；
2. 检查日志和最近部署；
3. 确认回滚方案；
4. 只做最小修改；
5. 运行测试并记录结果。

如果这些行为反复出现，memU 可以让 Agent 将其整理成一个调试 skill。以后遇到类似问题，另一个 Agent 可以直接检索并采用这套流程。

用户不必在完成每项工作后，再单独写一遍 SOP。

3. 跨会话继续工作

新会话开始时，Agent 可以检索此前的决策、问题和进度。

这不等于恢复整段聊天记录。memU 返回的是整理后的记忆，内容通常比原始会话短，也更适合放入当前上下文。

4. 跨设备同步

使用 memU Cloud 时，多台设备可以连接同一套记忆。

在公司电脑上使用 Claude Code积累的经验，回到个人电脑后可以由 Codex 继续使用。更换设备时，也不必手动复制多个 Agent 的配置目录。

本地自托管模式更适合单设备和隐私敏感场景。跨设备能力主要由 Cloud 模式提供。

5. 记忆可见、可修改

自动记忆最让人担心的问题之一，是用户不知道 Agent 保存了什么。

memU 将记忆和 skills 以 Markdown 展示。用户可以在 Dashboard 中检查内容，修改错误信息，或者删除不希望长期保留的记录。

这一点对长期使用很重要。Agent 的总结可能出错，旧经验也可能随着项目变化而失效。

五、原生 Agent Memory 与 memU 的区别

维度	Agent 原生记忆	memU
作用范围	通常属于单个 Agent 或项目	多个 Agent 共享
记录方式	依赖各 Agent 自身实现	适配不同 Agent 的会话来源
内容整理	手工或由单个 Agent 自动完成	从多个 Agent 的历史中增量整理
检索方式	由当前 Agent 决定	安装后加入回答前检索指令
跨设备	取决于 Agent 本身	Cloud 模式支持
可检查性	文件、数据库或隐藏状态	Dashboard + Markdown
工作流沉淀	通常需要手写 SOP	可以生成和更新 skills

memU 并不要求停用CLAUDE.md或AGENTS.md。

项目命令、强制规则和仓库约定仍然适合放在这些文件中。memU 更适合管理会随着工作不断积累的经验，以及需要在多个 Agent 之间复用的记忆。

六、自动生成 skills

memU 的一个重点能力，是从会话历史中提炼 skills。

它不会将每次对话都创建成一个新 skill。Agent 会先读取相关的已有 skill，再选择忽略、更新或新建。

生成的 Markdown skill 通常包含：

--- name: production-debugging description: 用于排查生产环境异常 --- # Production Debugging 1. 确认故障开始时间 2. 检查日志与近期部署 3. 识别影响范围 4. 确认回滚路径 5. 进行最小修改 6. 运行验证并记录结果 ## 常见错误 - 未确认影响范围就直接修改 - 只修复表面报错 - 忽略回滚和兼容性

下一次遇到相似任务时，memU 可以返回这个 skill，供当前 Agent 使用，类似于Hermes Agent

这相当于把多次任务中形成的工作方式，逐渐沉淀成个人 Agent 的操作手册

七、如何安装 memU

memU 提供 Cloud 和本地自托管两种方式。

Cloud 模式

先在 memu.so 获取 API Key，然后把下面的指令发送给当前 Agent：

Read https://memu.pro/SKILL.md, follow its instructions to install and configure memU, API Key is memu_你的_API_Key

Agent 会识别当前宿主，并安装对应适配器、后台任务和检索指令。

安装完成后，可以运行检查命令：

memu-codex doctor

Claude Code 对应：

memu-claude-code doctor

doctor会检查当前配置、记忆模式和检索链路。

本地自托管

需要本地保存记忆时，可以让 Agent 读取 GitHub 中的安装说明：

Read https://raw.githubusercontent.com/NevaMind-AI/memU/main/SKILL.md and follow it to install memU.

本地模式支持 SQLite，也可以使用 PostgreSQL 和 pgvector。向量检索需要配置 Embedding provider 和对应 API Key。

手动检索

除了回答前自动检索，也可以直接执行：

memu-codex retrieve "这个项目之前做过哪些技术决策？"

其他适配器的调用方式相似：

memu-claude-code retrieve "查询内容" memu-cursor retrieve "查询内容" memu-openclaw retrieve "查询内容" memu-hermes retrieve "查询内容"

具体安装方式和支持状态可能随版本变化，建议以项目的最新 README 为准。

九、使用时需要注意什么

重复记忆

相似会话可能产生多条内容接近的记忆。随着数据增加，系统需要更好地完成项目归属判断、去重与合并。

错误和过期信息

Agent 可能把一次性的决定保存为长期规则。项目变化后，过去正确的记忆也可能失效。重要记忆仍然需要人工检查。

隐私

会话历史可能包含代码、内部资料、路径和个人信息。使用前需要确认存储模式和数据边界

总结

memU 将分散在不同 AI Agent 中的会话历史、项目背景、用户偏好和工作流程，整理到一套共享的 Memory 后端中。

它覆盖了 Agent Memory 管理中的几个关键环节：

自动记录会话 → 提炼长期记忆 → 保存为可编辑 Markdown → 建立索引 → 回答前检索 → 跨 Agent 和设备复用 → 从历史中生成 skills

它还没有完全解决记忆去重、知识过期和检索准确率等问题，但已经提供了一条比较完整的 Agent Memory 管理链路。

如果你正在同时使用多个 AI Agent，又不想反复解释项目背景或手工维护多套 memory 文件，可以从 memU 的 Cloud 模式或本地模式开始尝试。

项目地址：NevaMind-AI/memU