AIAI 工具图鉴
← 返回全部文章
·约 12 分钟PPT

OptMem

Agent检索记忆
下载 PPT下载视频

配套媒体

本页对应的 PPT 与演示视频

OptMem-recommend.mp4
PPT
OptMem-recommend.pptx浏览器不能直接打开 PPT，下载后用 PowerPoint / WPS / Keynote 查看
下载没反应？点这里复制直链

侧边栏预览窗口（Electron webview）会拦截下载，把下面的链接复制到 Chrome / Edge 地址栏打开即可保存。

PPT../../OptMem-recommend.pptx
视频../../OptMem-recommend.mp4
本文目录
  1. 🚀 什么是 OptMem？
  2. ✨ 6 条命令速查
  3. 🧠 核心机制：二叉合并树（Binary Merge Tree）
  4. 🔁 工作流：会话开始到结束
  5. 🛠 5 分钟上手
  6. 安装
  7. 调参：唯一的 knob
  8. 把 memory 迁出 /.optmem
  9. 💡 适用场景
  10. 场景 1：跨会话延续编码上下文
  11. 场景 2：用普通文本做私域笔记
  12. 场景 3：多 Agent / Subagent 的权限隔离
  13. 用户群体总结
  14. 📊 与其他 AI 记忆方案横评
  15. 🎯 总结

📌 核心价值：426 token 的 prompt 块，把永久记忆塞进任意 AI Agent

给 Claude Code、Codex、pi shell 一次安装，你的 Agent 跨会话、跨模型、跨供应商都不再"金鱼脑"。

OptMem 封面

🚀 什么是 OptMem？

OptMem 是 HVM/Kind 作者 Victor Taelin 在 2026-07-25 开源的"AI Agent 永久记忆"系统。

它由两件东西组成：一个 426-token 的 prompt 块（自动打印，粘贴进 AGENTS.md 或 CLAUDE.md 就完事） + 一个 31KB 的 Python 3 文件 ~/.optmem/memo（零依赖，不挑 Python 版本）。

curl -fsSL https://raw.githubusercontent.com/VictorTaelin/OptMem/main/install.sh | sh

把自动打印出来的 ## Memory 块粘贴到 Agent 的 AGENTS.md 顶部就装完了。重跑这一行会自动更新。

GitHub stars GitHub forks

核心定位：7 条命令 + 1 个 prompt 块，把"会话间记忆断层"问题降到运维 0 成本

发布 6 天已经 934⭐。从 README 内置的开发者视角看，OptMem 解决的不是"怎么存得最聪明"，而是"怎么让模型每次醒来都能用回自己"。

✨ 6 条命令速查

OptMem 6 命令速查

关键观察：所有"压缩/合并"动作都由 Agent 自己在 note 后触发 merge 提示完成，没有任何后台进程

🧠 核心机制：二叉合并树（Binary Merge Tree）

OptMem 不搞向量数据库、不算 embedding。记忆就是纯文本按行追加 + 一棵可重建的二叉合并树：

OptMem 双层记忆树

两个核心数据结构：

路径 角色 操作
~/.optmem/memory/LOG.txt 唯一真相源（append-only，永不修改） note 追加一行
~/.optmem/memory/TREE/ 总结缓存（丢了能从 LOG 重算） nap 重新生成

为什么"位置即身份"？

  • 每条记录固定 280 字节 → 第 N 条就一定在 LOG.txt 第 N×280 字节
  • 读取不需要扫描 → 一次磁盘 seek，O(1)
  • 项目自报：100 万条记忆（608MB）时 wake 耗时 0.03 秒

关键设计：总结缓存永远可以丢弃重建，LOG.txt 才是唯一真相源。这意味着你可以把整个 memory/ 目录放 git 里做版本控制，没有任何外部依赖

🔁 工作流：会话开始到结束

OptMem 4 行命令生命周期

重点：每条 note 命令的输出里都嵌着合并任务，Agent 必须先回答合并、再继续工作——这就是"零后台进程"的设计代价

🛠 5 分钟上手

安装

# 一行装完，自动打印需要粘贴的 prompt 块
curl -fsSL https://raw.githubusercontent.com/VictorTaelin/OptMem/main/install.sh | sh

# 把打印出来的 ## Memory 块粘贴到 ~/.claude/CLAUDE.md 或 ~/.codex/AGENTS.md 顶部
# 重启你的 Agent（Claude Code / Codex / pi shell / 任何 harness 都行）

Windows 用户：项目从一开始就是 Windows 原生支持的，WINDOWS.md 里说明用 msvcrt 文件锁代替 fcntl，8 个并行进程 × 200 条笔记 = 1600/1600 全部入库，无需 WSL。

调参：唯一的 knob

memo config                  # 查看当前大小
memo config WAKE_LINES=300   # 把 wake 读取量改成 300 行
memo config WAKE_LINES=      # 清空自定义，回到默认值

WAKE_LINES 是唯一值得碰的设置 —— 它决定 wake 时 Agent 能"看见"多少上下文（默认 96 行 ≈ 8k tokens）。改它立刻生效，不需要重新计算——这是因为 TREE 是一颗缓存树，不是数据库里的物化视图。

把 memory 迁出 ~/.optmem

export MEMORY_DIR=/path/to/synced/folder   # 比如 Dropbox、iCloud、或一个 git 仓库

把 $MEMORY_DIR 设到任何同步目录就实现"多机共享同一份记忆"。因为 storage 是普通文本，git 天然成为版本控制工具。

💡 适用场景

场景 1：跨会话延续编码上下文

OptMem 跨会话记忆

功能说明：你让 Codex 帮你重构一个 30 文件的旧项目，第一天花 4 小时搞到一半，关机后第三天开新会话——按理说 Agent 一切归零，要重头讲背景、约束、前几天的取舍。

输入要求：第一轮教会 Agent 调用 memo note "..."，把每条约定/踩坑/决定写到记忆里。

输出效果：第三天 memo wake 输出第一天到第二天累计的 96 条切片（包括近 4 条原文 + 上面的合并摘要）——Agent 一眼"看见"自己前两天做了哪些决定、为什么这样设计、被你纠正过哪些偏好。

适用场景：

  • 重构/迁移老项目需要跨越多次长会话
  • 多人协作同一 Agent、多个 Agent 同时维护同一 codebase
  • 需要"教 AI 你团队"的命名规范、code review 口味、测试约定

适合人群：连续 2-3 天以上做同一项目的工程师；不愿每次重新交代背景的独立开发者

场景 2：用普通文本做私域笔记

OptMem 普通文本笔记

功能说明：把 OptMem 当"纯文本版的 Roam Research"来用 —— memo note "今天发现 xxx"、memo recall "yyy" 搜整本日志，没有任何云、没有任何 embedding 模型、不锁供应商。

输入要求：每条笔记控在 280 字节（一行内）；触发合并时愿意花 1 分钟回答压缩 prompt。

输出效果：recall <正则> 是逐字搜索，不搞语义相似，所以找"上次我们聊过 xxx"非常准；但缺点是没法做"意思差不多"的回查——记得这种设计取舍。

适用场景：

  • 私域写作/日记/读书笔记，担心被云端索引
  • 把你和 AI 之间"有保留价值"的对话沉淀为可检索语料
  • 给团队/家人留一份"AI 视角下我这一周在忙什么"的审计记录

适合人群：讨厌 Notion/Obsidian 云锁定的隐私党；想把 Agent 真实产出纳入个人知识库的写作者

场景 3：多 Agent / Subagent 的权限隔离

功能说明：OptMem 的 prompt 块自带一条"subagent 不要调用 memo"的红线 —— 因为并行 session 都可能写记忆，而 subagent 无法判断"这条信息是否已经被记过"，它的笔记会重复且不准确。

输入要求：当你在 AGENTS.md 里写"spawn 一个 subagent"时，必须在 prompt 里追加一句 You are a subagent. Don't run memo.

输出效果：主 session 的记忆保持干净不被子任务污染；subagent 自己临时的小记忆用别的方案（如对话内 inline notes）。

适用场景：

  • 用 Task tool 派生的 subagent 链
  • 任何"主 Agent 派单给 N 个并行子 Agent"的 multi-agent 框架
  • 想让"人格化助理"和"执行子任务机器人"分账不同的记忆库

核心红线：忘掉这条 = 你的 LOG.txt 会被 subagent 的临时决策污染，且无法用 forget 干净清理

用户群体总结

  • ✅ 连续长会话的工程师：避免每次重复背景，跨会话保留 96 行 ≈ 8k tokens 的"近期原文 + 历史摘要"
  • ✅ 跨模型迁移的团队：今天用 Claude、明天换 Codex，记忆都在 disk 上不丢
  • ✅ 隐私敏感的内容创作者：所有记忆在 $HOME/.optmem/memory/LOG.txt，无云、无 embedding、无第三方
  • ✅ 多 Agent 编排的开发者：明确的主/sub 边界 + 一致存储格式
  • ❌ 不适合：希望"按语义召回"的场景 —— OptMem 只做正则搜索+二叉树合并，没有向量检索

📊 与其他 AI 记忆方案横评

AI Agent 记忆方案横评

关键取舍：OptMem 用"零运维/纯文件/正则检索"换掉"向量库/embed 调用/语义召回"。如果你要的是"意思差不多的回查"，向量方案仍有优势；如果你要的是"零依赖、跨平台、跨模型可移植"，OptMem 是目前我能看到的最朴素的方案

🎯 总结

OptMem 是 HVM 作者 Victor Taelin 给"每天跟同一个 Agent 合作"的人做的一份底座工程：没有花哨的 RAG、没有向量数据库、没有云端、没有锁定的供应商。你 5 分钟装完，往 AGENTS.md 贴一段 prompt，Agent 从此跨会话还记得你。

推荐指数： ⭐⭐⭐⭐☆（4.5/5）

适合人群：

  • 连续长会话的工程师/独立开发者
  • 不想被任何 AI 工具绑定的隐私党
  • 想让 multi-agent 系统有个干净记忆底座的架构师

立省 5 分钟： 不要试着去"优化 OptMem"——它的 TREE 缓存就是设计成可以丢的。先把 curl | sh 跑起来用一周，再决定要不要 fork。

立即体验：

curl -fsSL https://raw.githubusercontent.com/VictorTaelin/OptMem/main/install.sh | sh

GitHub 仓库： VictorTaelin/OptMem

数据截至 2026-07-31，最新信息请以官网为准。