coding-agent-internals

持久记忆 — 实现方式对比

两个极端

无记忆：每次会话从零开始

Agent	状态
Claude Code	❌ 无持久记忆（靠 200K 上下文硬撑）
Codex	❌ 无持久记忆
Aider	❌ 无持久记忆
OpenCode	❌ 无持久记忆（有上下文压缩）
Cursor	❌ 无持久记忆

这些工具依赖：会话内上下文、项目文件（AGENTS.md 等）、用户每次重述偏好。

会话级记忆：项目内持久化

Agent	实现方式
omp	Hindsight Memory — retain/recall，会话压缩为 mental model，项目级隔离

omp Hindsight：

• retain 写入事实，recall 检索
• 会话压缩为 mental model，下次会话首 turn 加载
• 项目级隔离（不同 repo 的记忆不串）

语义记忆：跨会话持久检索

Agent	实现方式
Hermes	mem0 — 语义记忆系统

Hermes 的 mem0：

• 按语义（而非关键词）检索历史记忆
• 存储：用户偏好、项目约定、历史决策
• 示例：”这个 repo 用 tab 缩进”、”staging 部署需要手动审批”
• 跨会话持久化，不用每次重复

中间态：上下文压缩

部分工具虽无持久记忆，但有会话内上下文管理：

Agent	方式
OpenCode	自动压缩长对话，防止 token 爆炸
Claude Code	200K 上下文，靠大窗口硬撑
omp	Hindsight Memory（项目级知识保留）

关键问题

1. 记忆粒度：是存整段对话，还是提取结构化知识？
2. 检索方式：关键词匹配 vs 语义向量搜索
3. 隐私风险：记忆中是否可能存入敏感信息（密钥、密码）？
4. 记忆衰减：旧记忆如何淘汰？是否有置信度机制？

待补充

• mem0 的具体存储格式和检索延迟
• omp Hindsight Memory 的详细机制
• 记忆对 token 消耗的影响

This site is open source. Improve this page.