🏷️ mem0

Agent Memory Framework: Remember, Cite, Forget

本文提出了一个智能体记忆系统的可靠框架，该框架需同时完成三个核心任务：记住该记的、引用可信的、遗忘过期的。文章详细介绍了记忆的六个层级（如会话状态、项目记忆、索引检索等），阐述了如何通过权威排序解决冲突，并强调了通过硬过期、双时序或软衰减等机制让旧记忆失效的重要性。

Codex CLI 内存机制详解

文章深入解析了 OpenAI Codex CLI 的内存架构，该工具通过本地 Markdown 文件异步生成和汇总记忆。文章详细介绍了记忆的写入与加载流程，指出其缺乏向量数据库、仅依赖关键词匹配及受限于本地文件系统等局限。最后，文章引入 Mem0 作为解决方案，通过 MCP 协议提供跨机器、跨工具的持久化智能记忆层，解决原生功能在扩展性和同步方面的不足。

解决 Claude Codex 高 Token 消耗的 Memory 方案调研

文章指出 Claude/Codex 月费高昂的根源在于缺乏持久化记忆，导致大量 Token 浪费在重复上下文上。作者调研了 Agent Memory 层的 4 大派系（协议、框架、协处理器、特定工具），整理了 18 个开源项目，并针对不同使用场景提供了具体的选型建议，旨在通过引入记忆层将 Token 成本降低 50%。

AI 记忆工具两大阵营：Memory Backends 与 Context Substrates

文章深入分析了 GitHub 上的 AI Agent 记忆工具，将其分为两大阵营：一是“记忆后端”，如 Mem0 和 Supermemory，主要提取事实并存储于向量数据库；二是“上下文基底”，如 OpenClaw，通过人类可读的结构化文件让会话在上下文中累积。作者指出，虽然 Camp 1 主导了市场，但 Camp 2 的架构才是支持连续、多会话工作的未来方向，例如 Zep 已开始从“记忆”转型为“上下文工程”。

Building a Hermes Fleet Zero To Hero

本文记录了作者复现 Moshe 的自托管 Agent 架构 (Hermes Stack) 的过程。作者精简了系统，在单机上利用 Qdrant、Ollama 和 mem0 构建了共享记忆层，实现了 Claude Code 会话与 Agent 之间的上下文同步。文章重点涵盖了记忆层的搭建、Claude Code 钩子脚本的实现、模型路由的本地回退机制以及运维中遇到的 IPv4 优先和幂等性键等“坑”，验证了该轻量级架构的可行性。

OpenClaw 记忆指南：解决遗忘问题与高级配置

文章深入探讨了 OpenClaw 智能体的三种常见记忆失效模式：未保存、未检索及上下文压缩导致的丢失。作者提供了启用内存刷新、配置上下文修剪、混合搜索及索引历史会话等基础修复方案。此外，还介绍了 QMD、Mem0 和 Cognee 等高级工具，以实现生产级的持久化记忆和知识图谱检索，解决复杂场景下的记忆管理难题。