尧图网站建设 免费方案咨询
ARTICLE DETAIL

资讯详情

深耕网站建设、视觉设计与SEO优化的一线实战洞察。

首页/资讯中心/资讯详情

开源项目第178期：OptMem — 426 个 token 的提示词，给 AI Agent 跨会话的持久记忆

发布时间：2026/8/8 0:10:18 尧图网站建设
开源项目第178期：OptMem — 426 个 token 的提示词，给 AI Agent 跨会话的持久记忆

引言

“AI Agent 记性不好不是模型的问题，是没有给它一个地方存东西。”

这是「每日一个开源项目」系列的第 178 篇。今天的项目是OptMem—— Victor Taelin（HigherOrderCO 创始人）写的一个极简 AI Agent 持久记忆工具，核心是：一个 Python 脚本 + 一段 426-token 的提示词，让你的 AI Agent 在会话结束后还能记住上次发生了什么。

Claude Code、Codex、Cursor 这类 AI 编程助手有一个共同局限：每次新会话都从零开始，上次讨论的架构决策、踩过的坑、记住的偏好，全部消失。你不得不反复在新会话里解释背景。OptMem 解决的就是这件事：给 Agent 一个可持久化的记忆存储，让它真的能"记住"。

整个方案的复杂度：一个无依赖的 Python 脚本，加上把一段提示词粘贴到你的 AGENTS.md 里。

1,100 颗 Star，Victor Taelin 的个人项目。

你会学到什么

  • AI Agent 为什么没有跨会话记忆，OptMem 的解法是什么
  • 二叉树摘要结构：怎么在 O(1) 读取的同时控制 token 消耗
  • memo wake/memo note/memo nap：六个命令的工作原理
  • 426-token 提示词块里写了什么，为什么是 426 个 token
  • OptMem 和向量数据库的本质差异，适合什么规模的场景
  • 在 Claude Code 里的完整配置流程

前提知识

  • 使用过 Claude Code 或类似的 AI 编程工具
  • 了解 AGENTS.md / CLAUDE.md 的概念
  • 会基础 Python 环境操作

问题背景：AI Agent 的健忘症

你用 Claude Code 开发一个项目，在某次会话里：

  • 确定了认证方案用 magic link 而不是密码
  • 发现了一个特定 API 的速率限制
  • 记住了你的测试数据库连接字符串

然后会话结束。下次打开 Claude Code，它什么都不记得了。你要重新解释上下文，重新告诉它那些背景信息，有时候还会重复踩同一个坑。

这个问题有几种常见的解法：

方案做法问题
CLAUDE.md手动把重要信息写进去需要人工维护，容易忘
上下文压缩每次会话开始复制上次的内容麻烦，不自动化
向量数据库语义搜索存储历史需要服务器、嵌入模型，复杂
OptMemAgent 自己记，自动管理—

OptMem 的思路：让 Agent 自己负责记忆，而不是靠人工维护。Agent 在会话开始时加载历史记忆，在工作过程中遇到值得保存的信息就自动记录，记忆跨会话持久化在本地文件里。

核心架构：append-only 日志 + 二叉树摘要

OptMem 的所有数据存在~/.optmem/memory/下，结构极简：

~/.optmem/memory/ ├── LOG.txt ← 所有原始记忆，每行一条，只追加，从不修改 ├── TREE/ ← 二叉树摘要节点（缓存，可从 LOG.txt 完整重建） └── config ← 配置（WAKE_LINES 等）

LOG.txt：不可变的事实记录

每次memo note "某件事"都把一行追加到 LOG.txt 末尾。这个文件从不被修改或删除，只追加。固定宽度的记录格式，使得每条记忆的位置本身就是它的标识，查找是 O(1) 的一次寻址，而不是全文扫描。

0000000001 | 2026-08-03T10:23:11 | auth flow uses magic links, no passwords 0000000002 | 2026-08-03T10:45:33 | stripe API rate limit is 100 req/min per key 0000000003 | 2026-08-03T11:02:55 | postgres on localhost:5432, db=dev_app ...

TREE/：二叉树摘要（一个缓存）

随着记忆增多，每次 wake 把所有原始记忆都展示给 Agent 会消耗大量 token。OptMem 用二叉树摘要解决这个问题：

原始记忆： 摘要树结构： #0: magic links #0-3（4条的摘要） #1: stripe rate limit → #0-1（0和1的摘要） #2: postgres port #2-3（2和3的摘要） #3: test user email #2-3 ... #0-63（64条的摘要） #0-31（32条的摘要） #32-63（32条的摘要） ...
  • 记忆 #0 和 #1 合并为节点#0-1（两条的摘要）
  • 节点#0-1和#2-3合并为节点#0-3（四条的摘要）
  • 以此类推，形成二叉树

关键点：TREE/ 里的所有摘要都是缓存，可以从 LOG.txt 完整重建。真正的数据只有 LOG.txt。

wake 时展示什么

memo wake读取这个树，输出一个分层视图：

## Memory [#0-1023] Summary: Auth uses magic links. Stripe rate 100/min. DB on localhost:5432... [#1024-2047] Summary: Switched to pnpm. Tests run on port 3001. Error handling... ... [#4095] 2026-08-03T14:22:11 | updated homepage hero copy to focus on "10x faster" [#4096] 2026-08-03T14:35:44 | user prefers tabs not spaces in this repo [#4097] 2026-08-03T15:01:22 | production deploy requires manual approval step

最近的记忆以原始形式展示（精确），较早的记忆以逐级摘要形式展示（压缩）。WAKE_LINES配置控制展示多少行，默认 96 行约 8k token。

六个命令

memo wake

每次会话开始时运行，加载记忆树，输出## Memory块供 Agent 读取。

memo wake# 输出：分层的记忆摘要，贴入上下文

memo note "..."

记录一条事实，最多 280 字节（类 Twitter 设计，保持记忆原子性）。

memo note"decided to use Redis for session storage after testing Postgres was too slow"

memo nap

处理积累的合并请求——对二叉树节点执行摘要合并。由于没有后台进程，压缩任务在 Agent 工作时内联执行。

memo recall <regex>

对所有记忆做全文正则搜索。

memo recall"redis|session"# 找到所有提到 redis 或 session 的记忆

memo zoom <lo>-<hi>

展开一个摘要节点，看它下面的两个子节点，层层向下直到原始记忆。

memo zoom0-1023# 展开：[0-511] 摘要 和 [512-1023] 摘要memo zoom0-511# 继续展开...

memo forget <lo>-<hi>

删除一个质量差的摘要节点，下次nap时从原始记忆重建。

426-token 提示词块

整个 OptMem 对 Agent 的集成，就是把下面这段提示词粘贴到AGENTS.md或CLAUDE.md：

## Memory You have persistent memory via the `memo` command at ~/.optmem/memo. **At session start:** run `memo wake` before any other tool call. **During work:** run `memo note "..."` whenever you learn something worth keeping. - Decisions made, facts discovered, user preferences, pitfalls found - Max 280 chars per note. Be specific. **On compression requests:** answer them before proceeding with other work. **Subagent rule:** if you are a subagent, do NOT run any memo commands. Commands: - `memo wake` — load memory - `memo note "..."` — record a fact (≤280 chars) - `memo nap` — process pending merges - `memo recall <regex>` — search memories - `memo zoom <lo>-<hi>` — expand a tree node - `memo forget <lo>-<hi>` — drop a bad summary Never directly edit files under ~/.optmem/memory/.

这段提示词做了几件重要的事：

  1. 强制顺序：wake必须是 Agent 做的第一件事
  2. 触发时机：明确告诉 Agent 什么情况下该记——决策、发现、偏好、坑
  3. 子 Agent 保护：并行子 Agent 不能运行 memo，防止重复写入错误
  4. 不可直接编辑：Agent 只通过命令操作记忆，不直接写文件

安装和配置

安装（一行命令）

# macOS / Linuxcurl-fsSLhttps://raw.githubusercontent.com/VictorTaelin/OptMem/main/install.sh|bash# Windows 见 WINDOWS.md

安装后memo命令可用，数据目录在~/.optmem/。

集成到 Claude Code

# 1. 运行 memo wake，获取提示词块memo wake# 2. 把输出的 ## Memory 块粘贴到你的 AGENTS.md 或 ~/.claude/CLAUDE.md# 3. 之后每次 Claude Code 会话，它会自动执行 memo wake 加载记忆

配置记忆目录

# 把记忆存到 Dropbox/iCloud/git 仓库里，跨机器同步exportMEMORY_DIR=~/Dropbox/optmem-memory

OptMem vs 向量数据库

维度OptMem向量数据库（Chroma、Pinecone 等）
检索方式正则全文搜索语义模糊搜索
搭建成本粘贴一段提示词搭建服务器 + 嵌入模型
可检查性纯文本，用编辑器直接打开不透明的向量
每次会话成本wake 加载固定 token 预算仅查询时消耗
百万条记忆速度wake: 0.03 秒取决于服务器
语义检索无（只有精确词匹配）支持
适合规模个人 / 单项目企业级大规模

OptMem 的核心优势：透明度。你可以打开 LOG.txt，一行行看 Agent 记住了什么、相不相信它。向量数据库里存的是你读不懂的浮点数。

OptMem 的检索局限：正则搜索要求精确词匹配。如果记忆写的是"登录改用 magic link"，但你后来问"认证方案是什么"，正则找不到。二叉树摘要部分弥补了这个问题——wake 把摘要加载进上下文，模型做语义匹配——但每次会话都需要花固定 token 预算，不管用不用到那些旧记忆。

适合的场景：一个人 + 一台机器 + 一个项目的 AI Agent，需要记住上周做了什么决定，可以打开文本文件看 Agent 记住了什么，比检索精度更看重可控性和透明度。

项目地址与资源

  • 🌟GitHub: VictorTaelin/OptMem
  • 👤作者: Victor Taelin（HigherOrderCO 创始人，也做 Bend 语言和 HVM 运行时）

总结

OptMem 代表了一种"够用就好"的工程哲学：解决一个真实问题，不过度设计。

AI Agent 的跨会话记忆是一个实际痛点。向量数据库、RAG 管道、嵌入模型——这些方案技术上更完整，但搭建成本和复杂度对个人开发者来说往往是过度工程。OptMem 的方案：一个 Python 脚本，零依赖，追加写文件，二叉树做摘要压缩，整个集成只需粘贴一段提示词。

这个架构做对了一件事：LOG.txt 是唯一的真相来源，TREE/ 只是缓存。不管摘要质量如何，原始记忆永远完整，随时可以重建。这让系统在最坏情况下也只是"慢一点"，而不是"丢数据"。

如果你每天用 Claude Code 工作，OptMem 能解决的是一个具体的日常痛点。装好之后，它在后台静默工作，你只需要偶尔留意 Agent 有没有记录重要决策。

探索 PrimeSkills —— 精选 AI Agent 与技能的市场，每一个都经过真实企业工作流验证，去掉浮夸，留下真正有用的。

欢迎访问我的个人主页，发现更多有价值的见解和有趣的产品。

网站建设 视觉设计 SEO优化
返回列表