如果你同时维护过两个以上 AI Agent 项目，大概率遇到过同一个尴尬场景：Agent 在上一轮对话里刚刚确认了项目结论，换一个会话、换一个 Agent，或者重启一下服务，它就把之前的结论全忘了。上下文窗口再大，本质上也只是短期记忆；会话一关，什么都不会留下。这种“每次从零开始”的体验，和真人协作完全不同——人会把结论记在脑子里、写在文档里、同步给同事，而 Agent 默认什么都不会保留。
更麻烦的是多 Agent 协作。规划 Agent 定好了技术方案，执行 Agent 完全不知道；执行 Agent 踩过的坑，下一个任务还会原封不动再踩一遍。问题往往不在模型能力，而在于 Agent 之间缺少一份共享的、跨会话的、可持续读写的长期记忆。
Memento 这个项目的定位，正好瞄准这个痛点：为多个 AI Agent 提供共享、持久化的记忆，并通过 MCP（Model Context Protocol）将记忆能力暴露为标准化服务。一句话总结：它把“记忆”从某个 Agent 的内部状态，变成了外部的基础设施，任何支持 MCP 的客户端都能接入。
这篇文章会从真实问题出发，讲清楚 Memento 这类共享记忆服务到底解决什么、MCP 在其中的价值在哪里、如何准备环境并完成部署配置、如何用代码接入 Agent，以及落地时最容易踩的坑。全文以可落地为主线，读完你可以直接照着跑通一个最小闭环。
1. 多智能体协作中的“记忆断点”问题
1.1 上下文窗口本质上只是短期记忆
大模型本身没有记忆。它每一次推理能看到的，只有你这次请求里塞进上下文窗口的内容。窗口从几万 token 到百万 token 不等，但无论多大，它都是“临时”的：对话结束、会话关闭、服务重启，这段内容就消失了。
所以很多团队在做 Agent 时，第一感受往往不是“模型不够聪明”，而是“模型太健忘”。一个任务拆成三步，走完第一步，第二步如果拿不到第一步的结果，整个链路就断了。于是大家发明了大量补丁：把中间结果写进临时文件、塞进 Redis、存到数据库，再在下一次 Prompt 里拼回去。做法各不相同，本质都是在“手工搭建记忆”，既重复又容易出问题。
1.2 多 Agent 协作时的信息断层
单 Agent 健忘已经够头痛，多 Agent 协作时问题会被放大。典型场景有这么几类：
- 规划 Agent 负责拆解任务，执行 Agent 负责干活，但执行 Agent 看不到规划结论，只能重新理解需求。
- 两个 Agent 并行处理同一项目，一个改了关键约定，另一个毫不知情，最后产出互相冲突。
- Agent 之间各自产出结论，但谁也没有把关键决策沉淀下来，最终只能靠人肉汇总。
这类问题在代码生成、数据分析、自动化测试等场景里尤其常见。比如一个测试 Agent 发现接口返回结构变了，如果它不能把这个结论写入共享记忆，下一个任务里的编码 Agent 还是会用旧字段名去写代码，同样的错误会在同一个项目里反复出现。
1.3 现有方案的局限
先看目前团队常用的几种“记忆”方案，再对比它们各自的边界：
| 方案 | 优点 | 局限 |
|---|---|---|
| 上下文窗口 | 接入简单，效果直接 | 会话结束即失效，token 成本高 |
| RAG 向量检索 | 适合大规模知识库 | 偏“知识检索”，不擅长记录任务状态和决策 |
| 文件/数据库手写 | 可控性强 | 没有统一协议，每个 Agent 接入成本高 |
| 会话摘要回灌 | 能跨会话 | 摘要会丢失细节，多 Agent 之间难以共享 |
从这张表能看出，前几种方案解决的是“单 Agent 跨会话”或“知识问答”问题，真正缺少的，
