claude-mem 星标 112k：跨会话记忆，靠压缩注入解决 Agent 失忆

GitHub 上 claude-mem 的星标已到 112k，日增 1.1k。它是 TypeScript 写的跨会话持久化上下文框架，自动捕获 Agent 在会话中的全部行为，用 AI 压缩后在后续会话注入相关上下文，兼容 Claude Code、Codex、Gemini、Copilot、OpenCode 等主流 Agent。

它解决的是真痛点

Agent 最大的体验断层是「每次都要重新交代背景」。项目约定、上次改到哪、为什么放弃某个方案，全在人的脑子里。上下文一清空，等于重来。

压缩注入这条路线的取舍

全量保留做不到，token 有上限；全量丢弃等于失忆。压缩是唯一可行的中间态，但压缩必然丢信息，丢的恰好可能是关键。

所以这类框架的核心不是压缩算法，是「按需检索」：先存全量，会话开始时按当前任务检索相关片段注入，而不是一次性摘要。

落地时的三个坑

一，污染。一次错误结论被写进记忆，后续所有会话都带着这个错误往前跑，越跑越偏。

二，膨胀。记忆条目越积越多，检索精度下降，最后注入一堆无关内容，比没有更糟。

三，隐私。会话里可能有口令、内网地址、客户数据，全量存储需要脱敏与访问控制，多数开源实现没做。

建议的用法

按项目分库，别全局共享；写入前过滤敏感字段；定期清理过期条目；关键决策类记忆加人工确认，别让模型自己决定什么值得记。

一句话

记忆是个双刃剑。记得住是能力，忘得掉也是。

本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。

记忆是双刃剑。一次错误结论被写进去，后面所有会话都带着错误跑。按项目分库、写入前过滤敏感字段、关键决策加人工确认，这三条不能省。

压缩后注入这条路我试过，效果取决于压缩时保留什么。按行为日志压容易把为什么放弃某个方案的背景丢掉，而那恰恰最该留。我现在把项目约定和已否决方案单独立一份文件，压缩只处理过程记录，检索时按语义召回，命中率比全量注入高不少。