Agentmemory: персистентная память для ИИ-агентов

Вот ситуация, знакомая каждому, кто работает с Claude Code или GitHub Copilot дольше одного дня. Несколько часов ведёшь агента через сложный рефакторинг — объясняешь архитектуру, договариваешься про стиль кода, фиксируешь ограничения по библиотекам. Агент понимает всё. Потом закрываешь терминал. На следующий день открываешь новую сессию — и объясняешь всё заново, с нуля, как будто ничего не было.

Я воспроизводил это снова и снова на разных проектах. Не баг, не недоработка — так устроены языковые модели: они работают в рамках контекстного окна, а не долгосрочной памяти. Каждая сессия — отдельная вселенная.

Agentmemory решает именно это. Без обещаний изменить индустрию — просто закрывает конкретную дыру в рабочем процессе.

Почему контекст между сессиями — реальная проблема

Разработчики справляются по-разному. Кто-то держит файл CONTEXT.md и в начале каждой сессии вставляет его в промпт вручную. Кто-то использует CLAUDE.md — встроенный механизм Claude Code, который агент читает автоматически. Кто-то просто тратит первые 10–15 минут каждого сеанса на «разогрев» агента.

Это работает — до определённого размера проекта. Когда кодовая база растёт, контекстный файл либо становится слишком коротким (и агент не знает важных вещей), либо слишком длинным (и тогда он занимает половину контекстного окна, почти не оставляя места для реальной работы). На проектах с серьёзной историей — legacy-компоненты, нестандартные решения, накопленные договорённости — вопрос стоит особенно остро.

Я сам несколько месяцев жил с этой проблемой. Пробовал разные подходы: CLAUDE.md с жёстким лимитом в 200 строк, отдельные файлы контекста по модулям, ручной копипаст в начале сессии. Ничего не работало идеально. Именно поэтому я обратил внимание на Agentmemory, когда он появился на Product Hunt.

Что такое Agentmemory

Agentmemory — это слой персистентной памяти, который встраивается между вами и ИИ-агентом для кода. Работает с Claude Code, Codex и другими инструментами. Идея простая: вместо того чтобы агент каждый раз начинал с чистого листа, Agentmemory хранит технический контекст проекта и подаёт релевантные части в нужный момент.

Принципиально важно понять отличие от встроенной «памяти» в ChatGPT. Там хранятся ваши личные предпочтения: тон общения, факты о вас как о пользователе — «я предпочитаю короткие ответы», «я работаю в стартапе». Agentmemory хранит другое: технические детали конкретной кодовой базы. Принятые архитектурные решения. Известные ограничения по библиотекам. Договорённости по именованию. Прогресс незавершённых задач.

По сути, это то, что есть у любого опытного разработчика-человека, работающего с проектом несколько месяцев: накопленный внутренний контекст. Agentmemory пытается это воспроизвести для ИИ.

Кому это реально полезно

Прежде всего — тем, кто ведёт долгосрочные проекты в одиночку. Если вы единственный разработчик и работаете с одной кодовой базой несколько месяцев, накопленный контекст огромен. Без инструмента управления им агент будет снова и снова наступать на одни и те же грабли — задавать вопросы, которые вы уже отвечали, и делать ошибки, которые вы уже исправляли.

Второй сценарий — legacy-системы. Там обычно масса неочевидных зависимостей, обходных решений и фрагментов с пометкой «тут трогать нельзя, потому что...». Этот контекст невозможно уместить в короткий промпт — но без него агент сделает всё неправильно, причём уверенно.

Третий — командная разработка с ИИ-агентами. Если несколько человек работают с агентом на одном проекте, общая память позволяет агенту знать, что сделал коллега вчера, без необходимости пересказывать при каждом запуске. Пока это скорее перспективный сценарий, чем массовая практика — но направление очевидное.

Для одноразовых скриптов и небольших задач Agentmemory избыточен. Там контекст простой, вставить его вручную — секунды. Инструмент окупается только когда сложность проекта делает ручное управление контекстом болью.

Как это работает

Концептуально — это RAG (retrieval-augmented generation), только для технического контекста разработчика. Система не отдаёт агенту весь накопленный архив каждый раз: это не влезло бы в контекстное окно. Она извлекает релевантные части в зависимости от текущей задачи.

Если вы работаете с модулем авторизации, агент получает контекст, связанный с авторизацией: архитектурные решения по этому модулю, известные ограничения, незакрытые вопросы по нему. Не полную историю всего, что происходило в проекте за полгода.

Интеграция с Claude Code и Codex идёт через их механизмы расширения. Конкретная техническая реализация — то, что стоит проверить на собственном окружении перед принятием решения о внедрении. RAG-системы сильно различаются по качеству извлечения, и это прямо влияет на итоговую полезность инструмента.

Цена и доступность

Продукт вышел на Product Hunt в мае 2026 года — это буквально свежий запуск. Детали тарификации стоит проверять непосредственно на их сайте: стартапы на ранней стадии часто начинают с бесплатного плана или пробного периода, чтобы набрать первых пользователей, и финансовая модель может поменяться несколько раз за первые полгода.

То, что инструмент прошёл через Product Hunt, говорит как минимум о наличии рабочей версии — не просто лендинг с вейтлистом. Но «рабочая версия» у стартапа и «надёжный инструмент для производства» — разные вещи.

Что работает правильно

Сама постановка задачи точная. Это не очередной «ИИ для всего», а инструмент под конкретную, измеримую боль. Разработчики, плотно работающие с ИИ-агентами на сложных проектах, теряют на повторной передаче контекста минимум час в неделю — и это консервативная оценка.

Фокус на инструментах для кода — правильный выбор. Рынок «памяти для LLM» широкий, там много универсальных решений на любой вкус. Специализация на сценариях разработки даёт возможность сделать что-то заточенное под задачу, а не очередной «умный блокнот с векторной базой».

Поддержка нескольких агентов сразу — плюс. Многие разработчики используют Claude Code и Codex параллельно: один для одних задач, другой для других. Не привязываться к одному вендору — разумная позиция.

Потенциал командной синхронизации контекста интересен. Если это реализовано нормально, инструмент перестаёт быть личным удобством и становится инфраструктурой для команды. Другой масштаб.

Что вызывает сомнения

Безопасность хранения данных. Контекст проекта — чувствительная информация: архитектурные решения, известные уязвимости, фрагменты кода. Куда это уходит, как хранится, кто имеет доступ — вопросы, которые нужно закрыть до того, как внедрять инструмент в коммерческий проект. Особенно командный.

Качество релевантного извлечения. RAG хорош в теории, на практике качество сильно зависит от реализации. Если агент получает не тот контекст — это хуже, чем его отсутствие: агент принимает неверное решение, будучи уверен, что знает ситуацию. Это не абстрактный риск.

Устаревание контекста. Код меняется, архитектурные решения пересматриваются. Контекст, верный три недели назад, может стать ложным сегодня. Как система обновляет и инвалидирует устаревшие данные — из публичного описания непонятно. Это один из ключевых вопросов для зрелости продукта.

Сравнение с тем, что уже есть

Встроенная память ChatGPT решает другую задачу: она помнит ваши пользовательские предпочтения, а не технический контекст конкретной кодовой базы. Пересечений почти нет — это разные инструменты.

Ручной CLAUDE.md — работает, бесплатно, под полным контролем. Минус: требует дисциплины. Нужно обновлять файл при каждом значимом решении, иначе он устаревает и превращается в источник дезинформации для агента. Agentmemory потенциально автоматизирует эту рутину — в этом его главное практическое преимущество.

MemGPT и аналогичные фреймворки с управлением памятью — мощнее по возможностям, но требуют настройки и понимания архитектуры. Agentmemory, судя по позиционированию, целится в более быстрое внедрение без глубокого погружения.