agentmemory: dauerhaftes Gedächtnis für Coding-Agenten

Alles Wissenswerte zu rohitg00/agentmemory: eine lokale, abhängigkeitsfreie Speicher-Runtime, die automatisch erfasst, was Coding-Agenten tun, es komprimiert und bei der nächsten Sitzung wieder bereitstellt.

Was agentmemory ist

agentmemory ist eine dauerhafte Speicher-Runtime für Coding-Agenten. Es ist keine Bibliothek und kein Vektorspeicher, sondern ein einzelner Prozess, aufgebaut auf der iii-Engine (iii-hq/iii), der automatische Erfassung, hybride Suche, Konsolidierung und Synchronisation kombiniert — ganz ohne externe Datenbanken, Warteschlangen oder Vektorspeicher.

Der Zweck, wie ihn das README in den ersten Zeilen formuliert: «Jede Sitzung erklärst du dieselbe Architektur. Du entdeckst dieselben Bugs wieder. Du bringst dieselben Präferenzen erneut bei. Eingebautes Gedächtnis (CLAUDE.md, .cursorrules) stößt an eine 200-Zeilen-Grenze und veraltet.» agentmemory erfasst still, was der Agent tut, komprimiert es zu durchsuchbaren Beobachtungen und spielt den relevanten Kontext beim Start der nächsten Sitzung wieder ein — mit einem einzigen Befehl, agentenübergreifend.

Stand 29. August 2026 dokumentiert das Projekt einen MCP-Server mit 54 Tools und 130 REST-Endpunkten, 12 automatischen Erfassungs-Hooks, 17 Skills (9 aufrufbare, 8 Referenz-Skills), einen Echtzeit-Viewer auf Port 3113 und Kompatibilität mit über 20 Coding-Agenten. Es ist in TypeScript geschrieben und unter Apache-2.0 lizenziert.

Der Ursprung

Das Repository wurde am 25. Februar 2026 angelegt (erster Commit am 27. Februar) von Rohit Ghumare (rohitg00), einem in Großbritannien ansässigen Engineer und DevRel, der sich auf seinem GitHub-Profil als «Engineer | DevRel | GDE | CNCF Ambassador | Docker Captain | AWS CommunityBuilder» beschreibt, mit vorheriger Erfahrung bei Solo.io, Cerbos, Oracle und Reliance Jio. Die MAINTAINERS.md des Projekts führt ihn seit Januar 2026 als einzigen aktiven Maintainer.

Die in den ausgewerteten Quellen verfügbare Ursprungsgeschichte enthält, anders als bei anderen Projekten dieser Liste, keinen Launch-Post mit Anekdoten; der Kontext wird aus projekteigenen Dokumenten rekonstruiert:

Die in GOVERNANCE.md festgehaltene Mission: eine «dauerhafte, local-first Speicher-Runtime für Coding-Agenten» zu liefern, die keine externen Datenbanken benötigt, mit jedem MCP-kompatiblen Client funktioniert, mit dem offenen Model Context Protocol kompatibel bleibt und Daten standardmäßig auf der Maschine des Nutzers behält.
Rohit Ghumares Gist «LLM Wiki v2» (Gist 2067ab416f7bbe447c1977edaaa681e2) erweitert Andrej Karpathys ursprüngliche LLM-Wiki-Idee um «Lektionen aus dem Bau von agentmemory» — er beschreibt den Lebenszyklus des Gedächtnisses (Konfidenzbewertung, Ersetzung, Vergessen nach der Ebbinghaus-Kurve, Konsolidierungsschichten) und hybride BM25- plus Vektor- plus Graphsuche. Der Gist behauptet, agentmemory habe «20K+ Sterne»; das ist eine vom Autor selbst genannte Zahl, keine Messung dieser Recherche.
Das erste getaggte GitHub-Release ist v0.9.0 (18. April 2026), «Sichtbarkeit und Korrektheit»: Landingpage, Dateisystem-Connector, ein standalone MCP, das tatsächlich mit dem laufenden Server spricht, und ein abgeschlossenes Audit. Seither war die Release-Kadenz sehr hoch: v0.9.29 (16. August 2026) ist das jüngste von 30 auf GitHub veröffentlichten Releases.

Philosophie und Prinzipien

Die in der projekteigenen Dokumentation verifizierbaren Prinzipien:

Local-first per Default: Jedes Datum des Nutzers bleibt auf dessen Maschine; kein SaaS, keine Abrechnung, keine kommerzielle Lizenzierung (ROADMAP.md erklärt explizit «out of scope»: gehostetes SaaS, Abonnements, kommerzielle Lizenzen).
Null externe Abhängigkeiten: eine Datenbank, eine Warteschlange, ein Vektorspeicher — keines davon. Alles läuft in einem einzigen Prozess über der iii-Engine.
MCP als Schnittstelle, nicht als Privileg: Jeder MCP-kompatible Client kann es nutzen, und alles, was über MCP freigegeben wird, hat ein REST-Pendant (der Contribution-Guide verlangt, beides gleichzeitig hinzuzufügen).
Unveränderliche Herkunft: Jede Beobachtung und jedes Gedächtnis trägt einen Herkunftskanal, der im Moment der Erfassung, Speicherung oder des Imports versiegelt wird (Nutzer, Agent, Tool, Import oder geteilt).
Reproduzierbare Evidenz: Die veröffentlichten 95,2 % R@5 auf LongMemEval-S sind eine projekteigene Messung, mit veröffentlichter Methodik (benchmark/COMPARISON.md, npm run bench:longmemeval) und einem expliziten Hinweis, dass die Zahlen der Konkurrenz herstellerseitige Angaben auf anderen Benchmarks sind, nicht von ihnen reproduziert.
Formelle Governance von Anfang an: nach dem Vorbild der Minimum Viable Governance der Linux Foundation, mit dokumentierten Prozessen zur Ernennung von Maintainern, zur Abstimmung über Entscheidungen und zum Umgang mit Breaking Changes, plus einem erklärten Plan zur Diversifizierung der Maintainerschaft (derzeit ein einzelner Maintainer).

Wie es funktioniert

Website und README beschreiben drei Schichten:

Erfassung — 12 automatische Hooks, die an die Agenten angebunden sind. Jeder Tool-Aufruf, jeder Prompt und jeder Stopp wird zu einer komprimierten Beobachtung, versiegelt mit ihrem Herkunftskanal und Agenten.

Die automatische Erfassungsschicht: 12 Hooks, die Tool-Aufrufe, Prompts und Stopps in komprimierte, versiegelte Beobachtungen verwandeln

Abruf — hybride Suche: BM25-, Vektor- und Wissensgraph-Signale werden gemeinsam bewertet und lokal auf dem Gerät neu geordnet. Ohne konfigurierten Embedding-Provider läuft es im «keyless»-Modus nur mit BM25 (86,2 % R@5 auf LongMemEval-S, laut Projekt). Ersetzte Gedächtnisversionen werden aus jedem Abrufpfad ausgeschlossen; die Versionskette bewahrt die Historie.

Hybride Suche: BM25-, Vektor- und Wissensgraph-Signale gemeinsam bewertet und lokal auf dem Gerät neu geordnet

Konsolidierung — mit konfiguriertem LLM-Provider-Schlüssel, am Ende der Sitzung: rohe Beobachtungen werden zu semantischen Gedächtnissen komprimiert, Duplikate zusammengeführt, veraltete Zeilen zerfallen nach einem Retentionswert, und eine Audit-Zeile protokolliert den Vorgang.

Konsolidierung am Sitzungsende: Kompression zu semantischen Gedächtnissen, Zusammenführung von Duplikaten, Zerfall nach der Ebbinghaus-Kurve und Audit-Spur

In der Dokumentation verifizierte Architekturdetails:

Vier lokale Ports: 3111 (REST/MCP HTTP), 3112 (iii-Streams), 3113 (Echtzeit-Viewer), 49134 (iii-Worker-WebSocket). Mit --instance 1 verschiebt sich das Quartett auf 3211/3212/3213/49234.

Local-first-Architektur ohne externe Abhängigkeiten: ein einzelner Prozess, vier lokale Ports, keine externe Datenbank, Warteschlange oder Vektorspeicher

Persistenter Zustand je Plattform: ~/Library/Application Support/agentmemory (macOS), $XDG_DATA_HOME/agentmemory oder ~/.local/share/agentmemory (Linux), %APPDATA%\agentmemory (Windows).
MCP-Oberfläche: standardmäßig 54 Tools (AGENTMEMORY_TOOLS=all); AGENTMEMORY_TOOLS=core reduziert auf 8 essenzielle; die Basismenge der Registry umfasst 14.

Doppelte MCP- + REST-Oberfläche: 54 MCP-Tools und 130 REST-Endpunkte, jede MCP-Fähigkeit mit einem REST-Pendant

17 Skills im Format <dir>/SKILL.md: 9 aufrufbare (/recall, /remember, /session-history, /forget, /recap, /handoff, /lesson, /commit-context, /commit-history) und 8 Referenz-Skills, die der Agent bei Bedarf lädt (Gedächtnisdisziplin, MCP-Tools, REST-API, Konfiguration, Agenten, Hooks, Architektur, Skill-Autorenschaft). Das README merkt an, dass die Datentabellen der Referenz-Skills aus dem Code generiert werden, damit sie nicht auseinanderlaufen.
Datenschutz: filtert Geheimnisse (API-Keys, Tokens) vor dem Speichern heraus.
Multiagent: Leases, Signale und Peer-to-Peer-Synchronisation (Mesh) zwischen Knoten; agentId bei Save/Recall, um das Gedächtnis pro Agent abzugrenzen.

Multiagenten-Ökosystem: Leases, Signale und Mesh-Synchronisation zwischen Agenten, mit 17 aufrufbaren und Referenz-Skills

Eingebauter Obsidian-Export und JSONL-Sitzungsimport (etwa der Verlauf von Claude Code unter ~/.claude/projects/).
Vier «UIs»: der Viewer auf :3113, die iii-Konsole :3114, ein KV-Zustandsbrowser und OTEL-Traces.

Schnellstart-Anleitung

Installation und erster Start

Voraussetzungen: Node >= 20. Unter macOS/Linux lädt die Runtime automatisch die auf v0.11.2 fixierte iii-Engine nach ~/.agentmemory/bin (benötigt curl, sh und tar); unter nativem Windows wird die Engine manuell installiert (v0.11.2-ZIP) oder über WSL2/Docker Desktop verwendet.

# Zero-Install-Weg (die im README empfohlene Variante):
npx -y @agentmemory/agentmemory@latest

Der erste Start ist eine interaktive Einrichtung: Auswahl der anzubindenden Agenten (Claude Code, Cursor, Codex, Gemini CLI, OpenCode, …) und eines LLM-Providers — oder ganz ohne Schlüssel («keyless»). Sie sät die Konfiguration, startet den Memory-Server und dessen fixierte iii-Engine, und bietet an, die Binärdatei global zu installieren, damit agentmemory überall funktioniert. Gleichwertige Alternative: npm install -g @agentmemory/agentmemory und danach agentmemory. Läuft der Server, liegt er unter http://localhost:3111 und der Viewer unter http://localhost:3113 (ohne zusätzliche Installation oder Konfiguration). agentmemory demo sät 3 Sitzungen und zeigt die hybride Suche mit echten Daten. Per Docker: das Image iiidev/iii:0.11.2 mit AGENTMEMORY_USE_DOCKER=1, und das README hat einen «Deploy to fly.io»-Button.

Typische Arbeitsabläufe

Starten und verifizieren: agentmemory ausführen (oder den npx-Weg), http://localhost:3113 öffnen und den Live-Stream der Beobachtungen beobachten; jeder Tab aktualisiert sich, sobald Hooks feuern, und jede vergangene Sitzung lässt sich im Viewer erneut abspielen.
Einen Agenten mit einem Befehl anbinden: agentmemory connect copilot-cli etwa fügt mcpServers.agentmemory in ~/.copilot/mcp-config.json (oder $COPILOT_HOME/mcp-config.json) ein und erhält dabei bestehende Server; agentmemory connect warp und agentmemory connect antigravity tun dasselbe für ihre jeweiligen Dateien; agentmemory connect dsh --with-hooks fügt sowohl den MCP-Connector als auch die Hooks für DeepSeek Harness hinzu. Der Contribution-Guide dokumentiert connect-Adapter für 18 Agenten.

Jeden beliebigen MCP-Client von Hand anbinden: diesen Block in das bestehende mcpServers-Objekt des Zielagenten einfügen (Datei nicht ersetzen):

{
  "mcpServers": {
    "agentmemory": {
      "command": "npx",
      "args": ["-y", "@agentmemory/mcp"],
      "env": { "AGENTMEMORY_URL": "http://localhost:3111" }
    }
  }
}

Einen alten Verlauf nachträglich befüllen: mit Claude Code lässt sich der JSONL-Importfluss (import-jsonl) nutzen, um Transkripte aus ~/.claude/projects/ zu indexieren; jeder Eintrag wird für die Suche indexiert, mit dem Herkunftskanal import versiegelt und auf sein Sitzungs-«Kristall» und seine Lektionen hin durchforstet.
Entferntes oder geschütztes Deployment: den Agenten mit gesetzten AGENTMEMORY_URL und AGENTMEMORY_SECRET starten; Plugin und MCP-Shim übernehmen beide Werte, und ist AGENTMEMORY_URL leer, fällt der Shim auf http://localhost:3111 zurück.

Wesentliche Konfiguration

Einstellung	Wofür sie dient
`AGENTMEMORY_DATA_DIR` / `--data-dir`	Legt fest, wo der Zustand von iii liegt; bei jedem Neustart denselben Wert wiederverwenden.
`AGENTMEMORY_URL`	Adresse des Memory-Servers; der MCP-Shim fällt bei leerem Wert auf `http://localhost:3111` zurück.
`AGENTMEMORY_SECRET`	Authentifizierung für entfernte oder geschützte Deployments.
`AGENTMEMORY_AUTO_COMPRESS=true`	Aktiviert die vom LLM geschriebene Kompression von Beobachtungen (benötigt zusätzlich einen Provider-Schlüssel).
`AGENTMEMORY_TOOLS`	Freigegebene MCP-Oberfläche: `core` (8 Tools), Basismenge (14) oder `all` (54).
`--instance N`	Mehrere Instanzen mit jeweils eigenem Port-Quartett (z. B. `--instance 1` → 3211/3212/3213/49234).

Häufige Fallstricke und Lösungen

Die iii-Engine ist auf v0.11.2 fixiert: ein bloßes install.sh | sh installiert die neueste Version der Engine, die agentmemory nicht unterstützt (v0.11.6 führt ein neues Sandboxing-Modell ein, auf das agentmemory noch nicht umgestellt wurde). Immer npx -y @agentmemory/agentmemory@latest oder das fixierte Docker-Image verwenden. Zudem wird gewarnt, dass die Engine eine vorkompilierte Binärdatei ist, kein Crate — nicht cargo install versuchen.
Claude Code löscht alte Transkripte: cleanupPeriodDays in ~/.claude/settings.json (Standard 30) entfernt JSONL-Dateien, die älter als dieses Fenster sind. Wird agentmemory über einem monatealten Verlauf installiert, ist alles vor 30 Tagen bereits weg; die dokumentierte Lösung ist, import-jsonl per Cron laufen zu lassen, cleanupPeriodDays zu erhöhen oder die automatischen Erfassungs-Hooks zu aktivieren, damit jeder Turn live landet.
Sandbox-MCP-Clients (Flatpak, Snap, restriktive Container) erreichen das localhost des Hosts nicht: "AGENTMEMORY_FORCE_PROXY": "1" zum env-Block hinzufügen und AGENTMEMORY_URL auf eine erreichbare Adresse zeigen lassen (z. B. die LAN-IP).
Natives Windows: nur agentmemory connect copilot-cli ist automatisiert; alle übrigen Agenten werden manuell mit dem MCP-Block konfiguriert, und connect unter WSL funktioniert nur, wenn der Zielagent ebenfalls innerhalb desselben WSL installiert ist.
«The engine process started but the REST API never responded»: prüfen, ob die vier abgeleiteten Ports frei sind, verifizieren, dass die fixierte iii.exe noch läuft, und mit --verbose neu starten, um die erfasste stderr der Engine zu inspizieren.
Der MCP-Block wird zusammengeführt, nicht ersetzt: hat die Datei bereits andere Server, sollte agentmemory als weiterer Schlüssel innerhalb von mcpServers ergänzt werden.

Integrationen und Migration

Die Hauptintegration ist der universelle MCP-Block (oben), der Claude Desktop, Cursor, Cline, Roo, Windsurf, Gemini, Warp, Droid, Kiro, Antigravity, Qwen und ähnliche Clients abdeckt; Devin (Cloud) nutzt dasselbe Paket über STDIO, wobei AGENTMEMORY_URL und AGENTMEMORY_SECRET auf ein netzwerkerreichbares Deployment zeigen. Die 17 Skills installieren sich über das skills-CLI von vercel-labs selbst in die nativen Verzeichnisse von über 50 Agenten. Es gibt First-Party-Plugins für Hermes (Python-Plugin + YAML-Konfiguration), OpenClaw (Gateway-Plugin), Pi und einen Dateisystem-Connector (@agentmemory/fs-watcher). Um von einem CLAUDE.md/CLAUDE.local.md-Ansatz zu migrieren, ist der dokumentierte Weg der JSONL-Import des Agentenverlaufs; um zu Obsidian zu migrieren, gibt es einen eingebauten Export. Das Verzeichnis deploy/ des Repositorys enthält Deployment-Profile (Docker, fly.io) für Team-Installationen.

Offizieller und halboffizieller Status

agentmemory ist kein formalisierter Standard und wird laut dieser Recherche von keiner Foundation nachweislich unterstützt. Was die Quellen dokumentieren:

Trendshift: Das README trägt das offizielle Trendshift-Badge (trendshift.io/repositories/25123); die Website beansprucht Platz #19 in «NEW 2026».
«As featured in» der Website (agent-memory.dev): AlphaSignal (das die Website mit 180K technischen Abonnenten präsentiert), «Agentic AI Foundation — Linux Foundation backed», Trendshift und Product Hunt. Diese Erwähnungen sind Angaben des Projekts selbst; weder die Beziehung zur Agentic AI Foundation noch die Product-Hunt-Upvote-Zahl konnten in dieser Recherche unabhängig verifiziert werden (die Product-Hunt-Seite blockierte die Abfrage per Bot-Verifizierung).
Cursor Marketplace: Das README gibt an, der Cursor-Plugin-Eintrag sei «in Prüfung» (in review) — zum Zeitpunkt der Prüfung noch nicht freigegeben.
Claude Code: installiert sich als vollwertiges natives Plugin (Hooks + MCP + Skills), aber eine Aufnahme in einen offiziellen Anthropic-Marktplatz war in den ausgewerteten Quellen nicht zu finden.
Roadmap: Der Q4-2026-Plan sieht ein Sicherheitsaudit vor, «von der LF finanziert, falls die Aufnahme durch eine Foundation vor Quartalsende gelingt» — was bestätigt, dass zum Prüfzeitpunkt keine Aufnahme durch eine Foundation zustande gekommen war.

In der Praxis verleiht die Kombination aus 20+ kompatiblen Agenten, einem standalone MCP-Paket und dokumentierter Adoption (siehe Rezeption in der Community) dem Projekt de facto Referenzgewicht in der Nische des Gedächtnisses für Coding-Agenten, allerdings ohne formale Anerkennung.

Das Ökosystem

First-Party-Pakete und -Repositories

@agentmemory/agentmemory (npm): die vollständige Runtime + CLI. Downloads laut npm-API am 29. August 2026: 7.671 in der letzten Woche und 33.042 im letzten Monat.
@agentmemory/mcp (npm): standalone MCP-Server, «ein dünner Shim, der den MCP-Einstiegspunkt von @agentmemory/agentmemory neu freigibt»; 6.815 Downloads in der letzten Woche. Leitet die 54 Tools weiter, wenn AGENTMEMORY_URL auf einen laufenden Server zeigt; ohne erreichbaren Server bietet es 7 lokale Tools.
@agentmemory/fs-watcher (npm): der Dateisystem-Connector (integrations/filesystem-watcher/), unabhängig versioniert.
iii-hq/iii (die iii-Engine): die Ausführungsbasis, auf der agentmemory aufgebaut ist, fixiert auf v0.11.2.
Integrationen im eigenen Repository: integrations/hermes/ (Python-Plugin für Hermes Agent), integrations/openclaw/ (Gateway-Plugin), integrations/pi/, integrations/filesystem-watcher/, sowie plugin/ (das Claude-Code-Plugin, Hook-Manifeste für Codex/Copilot/Droid, ein OpenCode-Erfassungs-Plugin und die Skills).
Rohit Ghumares Gist «LLM Wiki v2»: ein Musterdokument, das Andrej Karpathys ursprüngliches LLM Wiki um Lektionen aus dem Bau von agentmemory erweitert; es ist die konzeptionelle Referenz des Projekts.

Forks, Community-Konkurrenten und verwandte Projekte

akitaonrails/ai-memory — 5.131 Sterne (29. August 2026). «Eine Langzeitgedächtnislösung für Coding-Agent-CLIs und um den Handoff zwischen verschiedenen Agenten-Anbietern zu erleichtern.» Entstand direkt aus der öffentlichen Kritik seines Autors an agentmemory (siehe «Rezeption in der Community») — es ist das sichtbarste Ableger-Projekt, das gefunden wurde.
taichuy/agentMemory — 24 Sterne, erstellt im April 2026: «项目级的开发记忆目录» (projektbezogenes Entwicklungsgedächtnis-Verzeichnis). Es ist das sichtbarste chinesischsprachige Projekt in der Suche; es wurde nicht verifiziert, dass es ein wortgetreuer Port des Repositorys ist.
diqierjia/StrataGate-AgentMemory — 17 Sterne: local-first, sitzungsübergreifendes Gedächtnis für DeepSeek Harness (DSH), mit automatischer Erfassung.
jayzeng/agentmemory — 17 Sterne: ein gleichnamiges Repository, beschrieben als «dauerhaftes Gedächtnis für Coding-Agenten (Claude Code, OpenAI…)».
AzureCosmosDB/AgentMemoryToolkit — 14 Sterne: das Agenten-Gedächtnis-Toolkit von Microsoft Azure Cosmos DB.
MukundaKatta/hermes-agentmemory — 10 Sterne: «ein episodisches Gedächtnis-Plugin nach Pull-Modell für Hermes Agent. Echte Löschungen, Audit-Spur, BYO Claude. MIT» (veröffentlicht am 15. Mai 2026; hat seinen eigenen Show HN, Thread 48162360).
shawnfromportland/agentmemoryforcursor — 11 Sterne: auf Cursor ausgerichtetes dauerhaftes Gedächtnis.
agentmemoryprotocol/agentmemoryprotocol — 6 Sterne: «Agent Memory Protocol (AMP) — ein offener Standard für portables, strukturiertes Gedächtnis».
JordanMcCann/agentmemory — 46 Sterne: eine unabhängige Implementierung, die 96,2 % auf LongMemEval (481/500) beansprucht und behauptet, jedes veröffentlichte System zu übertreffen, einschließlich agentmemory (Show HN im Thread 47536877, 1 Punkt). Das ist eine Behauptung des Autors selbst, keine unabhängige Bewertung.

Der Autor (rohitg00) pflegt zudem eine breite Sammlung von Repositorys aus dem Agenten-Ökosystem (etwa awesome-claude-code, awesome-claude-code-plugins, clawdbot, agentbrain), aber nur die oben genannten haben eine verifizierbare direkte Beziehung zu agentmemory.

Repo-Zahlen

Erhebung: 29. August 2026, GitHub-API.

Metrik	Wert
Sterne	27.733
Forks	2.393
Watcher	80
Commits	482
Offene Issues laut API	534
Hauptsprache	TypeScript
Lizenz	Apache-2.0
Erstellung	25. Februar 2026 (erster Commit 27. Februar)
Letzter Push	24. August 2026
Letzte Veröffentlichung	`v0.9.29`, 16. August 2026

Die von der API zurückgegebenen wichtigsten Beitragenden nach Anzahl der Beiträge waren rohitg00 (400), Tanmay-008 (10), honor2030 (8), efenex (5), Rokurolize (4), JasonLandbridge (4), Rex57 (3) und Getty (3). Das Projekt ist stark auf einen einzigen Autor konzentriert.

Hinweise zur API: open_issues_count (534) umfasst sowohl offene Issues als auch offene Pull Requests — die PR-Suche des Repositorys liefert insgesamt 724 PRs —, weshalb der Wert nicht als reine Issue-Zahl gelesen werden sollte. Die Commit-Zahl (482) wurde von der letzten Seite des Paginierungslinks der Commits-API mit per_page=1 ermittelt.

Ergänzung von npm (29. August 2026): @agentmemory/agentmemory mit 7.671 wöchentlichen / 33.042 monatlichen Downloads; @agentmemory/mcp mit 6.815 wöchentlichen.

Wie man beiträgt

Der in CONTRIBUTING.md dokumentierte Prozess ist explizit:

Das Repository forken und einen Branch von main erstellen: feat/<name> für Funktionen, fix/<issue-nummer>-<name> für Fehlerbehebungen, docs/, refactor/, chore/ für alles andere.
npm install (Node >= 20 erforderlich), npm run build (TypeScript muss sauber kompilieren) und npm test (die vollständige Suite muss bestehen; der einzige Integrationstest, in test/integration.test.ts, benötigt einen laufenden Server auf :3111 und kann lokal übersprungen werden).
Mit DCO signieren: jeder Commit trägt Signed-off-by (git commit -s); PRs ohne Sign-off werden nicht gemerged. Zuschreibungs-Header («Generated with Claude Code», «Co-Authored-By: Claude» usw.) sind in Commits oder PR-Beschreibungen nicht zulässig.
Kleine, fokussierte PRs, eine logische Änderung pro PR, mit einer Beschreibung, was, warum und wie zu verifizieren ist; das Issue verlinken (Fixes #NNN / Closes #NNN).
CodeRabbit prüft automatisch; auf dessen Kommentare wird geantwortet, bevor eine menschliche Review angefragt wird, und Feedback wird mit neuen Commits beantwortet (kein Force-Push); Maintainer können beim Merge squashen.

Das Hinzufügen eines MCP-Tools umfasst 6 dokumentierte Schritte (eine Funktion unter src/functions/, ein HTTP-Trigger in src/triggers/api.ts mit passendem api_path, ein Eintrag in src/mcp/tools-registry.ts, eine Implementierung in src/mcp/standalone.ts, ein Test unter test/, und kein Anfassen des CHANGELOG außerhalb von Release-PRs). Releases fassen 8 Dateien im Gleichschritt an (package.json, src/version.ts, die plugin.json-Dateien, packages/mcp/package.json, src/types.ts und src/functions/export-import.ts), und der Workflow «Publish to npm» veröffentlicht alle drei Pakete mit Provenance. Fragen zur Implementierung gehen an GitHub Discussions; Fragen zur Governance an mit governance getaggte Issues.

Wie die Community es aufnahm

Die gesammelte Evidenz zeigt beachtliche Adoption, eine referenzhafte Anerkennung unter konkurrierenden Projekten und öffentliche Kritik, aus der ein großer Konkurrent hervorging:

Kritik und ein folgenreicher Fork: Im Hacker-News-Kommentar 48251392 schrieb der Nutzer akitaonrails: «Vor fünf Tagen habe ich einen langen Post über das Gedächtnis von Coding-Agenten geschrieben, in dem ich agentmemory als die Antwort empfohlen habe. Nach einer Woche im persönlichen Produktivbetrieb nehme ich das zurück. Dieser Post erklärt, was schiefging, und das Open-Source-Projekt, das ich zu bauen begann, um es zu beheben: ai-memory.» Das Ergebnis, akitaonrails/ai-memory, erreichte bis zum 29. August 2026 5.131 Sterne — ein Ableger-Projekt, das an Sternenzahl zu einem beträchtlichen Bruchteil des Originals heranwuchs. Der vollständige Post des Autors wurde in dieser Recherche nicht abgerufen, weshalb die konkrete technische Diagnose als unverifiziert zu behandeln ist.
Als Referenz von Konkurrenten zitiert: Im Show-HN-Thread von Mnemo (48389586, «Show HN: Mnemo – local-first AI memory layer for any LLM (Rust, SQLite, petgraph)», 60 Punkte und 9 Kommentare) wies der Nutzer bilbo-b-baggins (Kommentar 48390599) den Autor darauf hin, «du hast BM25 vergessen», und verlinkte unter anderen Gedächtnis-Projekten github.com/rohitg00/agentmemory#key-capabilities — ein Indiz dafür, dass agentmemory zu einem Referenzpunkt geworden war, den neuere Projekte zitieren und mit dem sie sich vergleichen.
Eine HN-Einreichung mit geringer Resonanz: Die Website des Projekts wurde als Story 48394857 («Persistent Memory for Coding Agents», 4. Juni 2026) bei Hacker News eingereicht, mit 1 Punkt und 0 Kommentaren. In den Abfragen der Algolia-HN-API fand sich kein größerer, agentmemory gewidmeter Thread, weshalb kein über die Quellen hinausgehender Konsens oder Diskussionsumfang abgeleitet werden sollte.
Product Hunt (nicht unabhängig verifiziert): Die Product-Hunt-Seite blockierte die Abfrage per Bot-Verifizierung, sodass die Upvote-Zahl nicht verifiziert werden konnte. Die Website des Projekts gibt, «wortgetreu aus dem Product-Hunt-Launch-Thread», mehrere Kommentare wieder: Peter Neyra (befüllte einen Monat Cursor-Transkripte nach), Pranav Prakash (zwei Wochen Produktivnutzung), Alper Tayfur («greift einen der größten Schmerzpunkte bei Coding-Agenten an: nützlichen Projektkontext zwischen Sitzungen zu verlieren, ohne das Kontextfenster aufzublähen»), außerdem Mia Taylor, Thomas Hall und Zoe Alexandra. Das sind vom Projekt selbst zitierte Testimonials, hier nicht unabhängig verifiziert.
Reddit: Die Reddit-Abfragen (direkte API blockiert, PullPush als Alternative) lieferten keine substanziellen Threads zu agentmemory; die relevanten Treffer gehörten zu einem anderen Projekt (atomic_agents). Es wird daher keine Reddit-Rezeption behauptet.
YouTube: Die Suche «agentmemory rohitg00» liefert unter anderem: «Agent Memory Explained in 5 Minutes» von KodeKloud (~16.600 Aufrufe, Juli 2026); «Agent Memory EXPLAINED - Complete Architecture» von Hugging Face und Alejandro AO (~27.600 Aufrufe, August 2026); «¡Este plugin le da memoria ILIMITADA a Claude!» von Hugo Wong (~3.600 Aufrufe, April 2026, auf Spanisch); «AgentMemory: Memoria persistente para agentes de codificación de IA» und eine Podcast-Folge («Creando la memoria de IA definitiva con LLM Wiki v2 y AgentMemory») von Eddy Says Hi (266 bzw. 615 Aufrufe, auf Spanisch); sowie «Claude Code acaba de obtener memoria a largo plazo» von Build Things With AI (~290 Aufrufe, auf Spanisch). Die Aufrufzahlen sind Näherungswerte, entnommen der YouTube-Ergebnisseite am 29. August 2026.

agentmemory im Vergleich zu anderen Ansätzen

Ansatz	Sterne (29.08.2026)	Verifizierbare Übereinstimmung	Verifizierbarer Unterschied
`mem0ai/mem0`	64.320	Universelle Gedächtnisschicht für Agenten, Vektor- + Graphsuche, SDKs in Python und TypeScript.	Eine API, die manuell aufgerufen werden muss (`add()`), externe Abhängigkeiten (Qdrant/pgvector), eine verwaltete Cloud-Option; keine hook-basierte automatische Erfassung oder lokaler Viewer (laut der projekteigenen Matrix in `benchmark/COMPARISON.md`, die sich selbst als projekteigenes Dokument kennzeichnet).
`letta-ai/letta`	24.485	Agenten mit Gedächtnis; von Betriebssystemen inspirierte Gedächtnisschichten.	Eine vollständige Agenten-Runtime, nicht nur Gedächtnis; benötigt Postgres + Vektor; der Agent bearbeitet sein eigenes Gedächtnis selbst.
`khoj-ai/khoj`	36.788	Selbst hostbares Gedächtnis / zweites Gehirn.	Personenorientiert (Dokumente, Web, Obsidian/Notion/Emacs), keine Infrastruktur für Coding-Agenten.
`supermemoryai/supermemory`	29.130	Gedächtnis + Kontext, Framework-Wrapper.	Verwaltet, nur Cloud; serverseitige Extraktion; kein local-first Deployment.
`TencentCloud/TencentDB-Agent-Memory`	25.164	Agenten-Gedächtnis mit integrationsfreier Erfassung (über einen LLM-Proxy).	Ein Team-Gedächtnis-Hub über TencentDB; Multi-Service-Docker-Deployment; ein selbst berichteter PersonaMem-Benchmark (76 %, laut der projekteigenen Matrix).
`getzep/graphiti`	30.400	Wissensgraph für Agenten; zeitliche Dimension.	Ein im Hintergrund aufgebauter zeitlicher Graph (frisch eingelesene Fakten brauchen Zeit, bis sie abrufbar sind); keine Erfassung von Coding-Agent-Sitzungen.
`akitaonrails/ai-memory`	5.131	Langzeitgedächtnis für Coding-Agent-CLIs; Anbieter-Handoff.	Entstand aus Kritik an agentmemory; erklärter Fokus ist der erleichterte Handoff zwischen Agenten verschiedener Anbieter.
`JordanMcCann/agentmemory`	46	Ein Gedächtnissystem, das Zahlen zu LongMemEval veröffentlicht.	Beansprucht 96,2 % (481/500) und behauptet, jedes veröffentlichte System zu übertreffen; ein 16-Tage-Bau (selbst berichtet im Show HN Thread 47536877).

Der projekteigene Vergleich (benchmark/COMPARISON.md) umfasst zudem MemPalace, oracleagentmemory, Hippo, Cognee und Zep, mit einem ehrlichen Hinweis: Nur die 95,2 % von agentmemory sind eine eigene, reproduzierbare Messung; die übrigen Zahlen sind herstellerseitige Angaben auf anderen Benchmarks (LoCoMo, LongMemEval mit GPT-5.5 usw.), nicht von ihnen reproduziert. Die Sternenzahlen in der obigen Tabelle wurden am 29. August 2026 gegen die GitHub-API verifiziert.

Anwendungsfälle

Einzelne Entwickler, die mit Claude Code, Cursor, Codex oder einem anderen kompatiblen Agenten über lange Sitzungen hinweg arbeiten: Der zentrale dokumentierte Anwendungsfall ist, die Architektur nicht jede Sitzung neu erklären zu müssen; hook-basierte Erfassung plus Kontexteinspielung beim Start, mit einer projektseitig gemessenen Behauptung von ~92 % weniger Eingabe-Tokens gegenüber dem erneuten Senden des vollständigen Verlaufs.
Personen mit einem langen Claude-Code-Verlauf: Der import-jsonl-Fluss füllt bestehende Transkripte nach (der auf Product Hunt von Peter Neyra genannte Fall: ein Monat Cursor-Transkripte), mit der dokumentierten cleanupPeriodDays=30-Falle, die per Cron-Job oder erhöhtem Wert umgangen werden muss.
Teams mit mehreren Agenten oder mehreren Entwicklern, die sich ein Gedächtnis teilen: agentId grenzt das Gedächtnis pro Agent ab; Leases, Signale und die Peer-to-Peer-Mesh-Synchronisation unterstützen parallele Agenten, und das entfernte Deployment mit AGENTMEMORY_URL/AGENTMEMORY_SECRET (einschließlich des dokumentierten Profils für Devin Cloud) deckt Agenten ab, die kein lokales localhost erreichen können.
Organisationen mit Anforderungen an die Datenresidenz: local-first per Default, null externe Datenbanken, Filterung von Geheimnissen vor dem Speichern und eine Audit-Spur jeder Mutation. Mit einer verifizierbaren Einschränkung: SSO (OIDC), Audit-Export nach S3/Loki und RBAC stehen auf der Roadmap für Q4 2026 und sind noch nicht verfügbar.
Teams, die überwachen oder auditieren, was ihre Agenten lernen: Der Viewer auf :3113 zeigt den Live-Stream der Beobachtungen, das Wiederabspielen von Sitzungen, den Wissensgraphen und die Gesundheit, und der eingebaute Obsidian-Export fügt das Gedächtnis in bestehende Dokumentationsabläufe ein.
Ersteller von Agenten-Produkten, die eine einbettbare Gedächtnisschicht benötigen: 130 REST-Endpunkte und 54 MCP-Tools, freigelegt unter einem einzigen Prozess, mit reduzierbarer Oberfläche (AGENTMEMORY_TOOLS=core), dienen als frameworkfreie Gedächtnis-Abhängigkeit — genau das, was die Roadmap als ihre Mission erklärt («agentmemory ist eine Abhängigkeit, kein Ersatz für die Agenten-Runtime»).

Ressourcen

Repository: https://github.com/rohitg00/agentmemory
Offizielle Website (Stack, Funktionen, Demo, Agenten, Installation): https://www.agent-memory.dev
Schnellstart und Windows-Hinweise im README: https://github.com/rohitg00/agentmemory#quickstart
npm-Paket (Runtime): https://www.npmjs.com/package/@agentmemory/agentmemory
npm-Paket (standalone MCP): https://www.npmjs.com/package/@agentmemory/mcp
Benchmark und Vergleiche mit Primärquellen: https://github.com/rohitg00/agentmemory/blob/main/benchmark/COMPARISON.md
Governance und Contributing: https://github.com/rohitg00/agentmemory/blob/main/GOVERNANCE.md, https://github.com/rohitg00/agentmemory/blob/main/CONTRIBUTING.md
Öffentliche Roadmap (Q2 2026 – Q1 2027): https://github.com/rohitg00/agentmemory/blob/main/ROADMAP.md
Gist «LLM Wiki v2» (konzeptionelles Muster des Autors): https://gist.github.com/rohitg00/2067ab416f7bbe447c1977edaaa681e2
iii-Engine: https://github.com/iii-hq/iii
Community-Referenzen: kritischer Kommentar von akitaonrails https://news.ycombinator.com/item?id=48251392 (Ursprung von akitaonrails/ai-memory), Mnemo-Story mit Zitat zu agentmemory https://news.ycombinator.com/item?id=48389586, Einreichung der Website https://news.ycombinator.com/item?id=48394857
Videos: KodeKloud «Agent Memory Explained in 5 Minutes» (youtube.com/watch?v=0P-ACuHyu-0), Hugging Face und Alejandro AO «Agent Memory EXPLAINED - Complete Architecture» (youtube.com/watch?v=aYfZN8t6AQs), Hugo Wong «¡Este plugin le da memoria ILIMITADA a Claude!» (youtube.com/watch?v=9kVVyLVmET4), Eddy Says Hi «AgentMemory: Memoria persistente para agentes de codificación de IA» (youtube.com/watch?v=oslSQiHCKUI)
Trendshift (README-Badge): https://trendshift.io/repositories/25123

Hinweis: Dieser Artikel kombiniert README, CONTRIBUTING.md, GOVERNANCE.md, ROADMAP.md und benchmark/COMPARISON.md des Repositorys, die GitHub- und npm-APIs, die Hacker-News-Algolia-API, die offizielle Website und am 29. August 2026 abgerufene YouTube-Ergebnisse. Zahlen ändern sich mit der Zeit; projekteigene Behauptungen (etwa die 95,2 % auf LongMemEval-S oder die «As featured in»-Erwähnungen) werden als solche gekennzeichnet und nicht als unabhängige Verifikation.