SuperAPI AI 工具集
合作ENAI 行业资讯收藏
全部工具AI智能体total-agent-memory

total-agent-memory

total-agent-memory（TAM）是一款面向 AI 编程代理的开源本地记忆服务器，支持 Claude Code、Codex CLI、Cursor 以及任何 MCP 客户端。它把决策、解决方案、事实、错误和会话摘要保存在本机，通过 Model Context Protocol 返回，使代理在后续会话中仍能调用此前信息。TAM 采用时序知识图谱，支持事实失效（有效区间）、程序性记忆与情景记忆，并可对代码库进行 AST 摄取和跨项目类比。每个存储是一个以 SQLite 数据库为中心的目录；检索结合 BM25 全文检索、本地稠密向量、模糊匹配和知识图谱，并用倒数排名融合合并结果，可选交叉编码器重排。默认配置在写入和检索时不调用 LLM，便于离线测量和复现。据项目自述，其 LongMemEval R@5 达 95.1%、LoCoMo 0.607、BEAM 1M 0.448，提供 74 个 MCP 工具，支持 9 种 IDE，100% 本地运行。安装需要 Python 3.11 或更高版本，可通过 PyPI 安装，并用 tam setup 向导注册到所选客户端。

访问官网

工具介绍

用途

total-agent-memory（TAM）是一个面向 AI 编程代理的开源记忆服务器，目标社区包括 Claude Code、Codex CLI、Cursor 以及任何 MCP 客户端。编程代理每次会话开始时没有先前会话的记忆，因此决策、修复方案和项目约定往往需要反复说明。TAM 将决策、解决方案、事实、错误和会话摘要存储在用户本机，并通过 Model Context Protocol（MCP）返回，使任意 MCP 客户端无需修改代码即可使用。

主要能力

  • 本地持久化记忆：每个存储是一个目录，围绕一个 SQLite 数据库构建，数据保存在本地。
  • 混合检索：召回结合全文 BM25、本地计算的稠密嵌入、模糊匹配和知识图谱，并使用倒数排名融合（reciprocal rank fusion）融合多个排名列表；可选的交叉编码器可对结果重排。
  • 默认无 LLM 调用：默认配置在写入或搜索时不调用 LLM，因此检索结果可以离线测量，重复运行得到相同结果。
  • 时序知识图谱与事实失效：事实可以携带有效区间（kg_add_fact、kg_at），单值事实的较新值可以使旧值失效。
  • 程序性记忆与情景记忆：项目自述支持程序性记忆、情景记忆、AST 代码库摄取以及跨项目类比。
  • 团队服务器模式：同一软件包也可作为团队服务器运行，个人、部门和公司区域是同一网关后的不同存储，并具备角色、作者身份和审计追踪（team server）。
  • 工具与接口：项目自述提供 74 个 MCP 工具、CLI、TypeScript SDK 和仪表板（另有资料称 79 个 MCP 工具，以项目实际版本为准）。

使用方式

TAM 需要 Python 3.11 或更高版本。CI 在 Ubuntu、Windows 和 macOS 上测试 Python 3.11、3.12 和 3.13。

安装

从 PyPI 安装（建议使用虚拟环境，或 pipx / uvx）：

pip install total-agent-memory

这会安装 total-agent-memory（别名 tam）MCP 服务器，以及 tam-team、tam-remote 和 lookup-memory 命令。可选的交叉编码器重排器会引入 PyTorch，作为额外依赖安装：

pip install "total-agent-memory[rerank]"

团队服务器的 PostgreSQL 后端是 [postgres] 额外依赖。

注册到客户端

在终端运行 tam setup。向导会询问“Just me”或“Company server”，检测 Claude Code、Claude Desktop、Codex、Cursor、Windsurf、Gemini CLI、Cline 和 OpenCode，并将服务器注册到用户选择的客户端。

也可以手动添加服务器。Claude Code：

claude mcp add memory -- total-agent-memory

使用 mcpServers 文件的客户端：

{ "mcpServers": { "memory": { "command": "total-agent-memory" } } }

如果安装到虚拟环境中，请使用其 total-agent-memory 可执行文件的完整路径。

重启客户端后，记忆默认存储在 ~/.tam/，除非 TAM_MEMORY_DIR 指向其他位置。

基本用法

让代理记住某事（例如“remember that we chose PostgreSQL for billing because of row-level security”），它会调用 memory_save。在之后的会话中询问“which database did we choose for billing?”，它会调用 memory_recall 并取回记录。

项目还提供了一个不依赖代理的脚本示例：通过 stdio 启动服务器，使用 MCP Python SDK 保存一条记录并召回；首次运行会下载默认嵌入模型，输出为 JSON，保存的决策位于 results.decision。更多示例见“Tools and interfaces”。

测试与基准

测试从源码检出运行，不需要 API 密钥和 LLM，完整套件在笔记本电脑上约需 15 到 20 分钟。需要但未安装的服务相关测试会被跳过：

  • PostgreSQL（团队服务器后端）：安装 pip install -e ".[postgres]"，然后运行 python -m pytest tests -m postgres --backend=postgres 或 --backend=both。未设置 TAM_TEST_PG_URL 时，fixture 会通过 Docker 启动 pgvector 容器。
  • 浏览器测试（tests/browser，Playwright 与 Chromium、Firefox、WebKit）在 docker/Dockerfile.browser 构建的镜像中运行。
  • 已安装包冒烟测试：python tests/smoke/installed_runtime.py 通过本地和远程 MCP 检查已安装的 wheel。

检索基准（LoCoMo、LongMemEval、BEAM）不需要 API 密钥，下载公开数据集后使用 benchmarks/ 中的脚本运行。项目自述默认配置、v13.0.0 的结果为：LongMemEval R@5 95.1%，LoCoMo 0.607，BEAM 1M 0.448。其他资料提及 74 个 MCP 工具、9 个 IDE、100% 本地。

适用场景

  • 日常使用编程代理的开发者，希望代理跨会话记住决策、修复和项目约定。
  • 需要可在本地运行、检查并修改的记忆基线的研究人员。
  • 需要将个人、部门和公司记忆区域统一管理的团队（团队服务器模式）。

限制与说明

  • 需要 Python 3.11 或更高版本。
  • 默认配置不调用 LLM；可选的交叉编码器重排器和 PostgreSQL 团队后端需要额外依赖。
  • 基准结果来自项目自述（默认配置、v13.0.0），实际效果可能因版本、配置和数据集而异；部分性能细节、延迟和端到端准确率见项目文档。
  • 部分功能（如程序性记忆、AST 代码库摄取、跨项目类比）在提供资料中仅提及名称，未给出具体使用步骤、效果或限制。
  • 收费、价格、平台支持细节、具体使用步骤等未在提供资料中说明。

其他信息

  • 网站与文档：totalmemory.dev。
  • 许可证：MIT。第三方许可证见 THIRD-PARTY-LICENSES.md。
  • 描述 TAM 的论文正在 Journal of Open Source Software 审稿中。
  • 安全策略、贡献指南、变更日志、路线图等见项目仓库对应文件。

同类工具

查看分类