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 1M 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）

外部提供方记忆：内置文件 + 可选插件

Agent	实现方式
Hermes	内置 MEMORY.md（2,200 字符）/ USER.md（1,375 字符）+ 8 个可选外部记忆提供方插件，同一时间只能启用一个

Hermes 的记忆体系：

• 内置两个文件在会话开始时注入 system prompt，由 agent 用 memory 工具自行增删改
• 8 个外部提供方插件：honcho、openviking、mem0、hindsight、holographic、retaindb、byterover、supermemory（memory.provider 选择其一）
• session_search 用 SQLite FTS5 全文检索历史会话，文档称无 LLM 调用
• 注意：记忆是项目上下文，不是凭证保险库

来源：https://hermes-agent.nousresearch.com/docs/user-guide/features/memory、https://hermes-agent.nousresearch.com/docs/user-guide/features/memory-providers

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	1M 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

• 外部记忆提供方的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.