Was ist ai-memory?
ai-memory gibt Coding-Agenten ein Gedächtnis, das Sitzung, Agent und Rechner überdauert. Lifecycle-Hooks zeichnen Prompts, Tool-Aufrufe und Sitzungsgrenzen auf, entfernen Geheimnisse in einer Datenschutzschicht und schicken sie an einen lokalen Server; am Sitzungsende macht der Server daraus Markdown-Seiten in einem mit Git versionierten Wiki. Die nächste Sitzung, in jedem unterstützten Agenten, beginnt mit einem kurzen Briefing und einer Übergabe, die sagt, wo die Arbeit stehen geblieben ist, und kann das Wiki über MCP durchsuchen.
Der Server ist eine einzelne Rust-Binärdatei mit SQLite-Volltextsuche, Ranking nach Entitäten und Links und optionalen Vektoren. Der Standardweg macht keine LLM-Aufrufe; ein Modell von Anthropic, OpenAI, Gemini oder ein lokales lässt sich für bessere Zusammenfassungen ergänzen, und ein optionaler Hintergrunddurchlauf führt kalte Notizen zusammen. Unterstützt werden mehr als 20 Agenten, darunter Claude Code, Codex, Cursor, Gemini CLI, OpenCode, Kiro und GitHub Copilot CLI, und ein Team kann einen Server mit Konten pro Person und Audit-Log teilen.
Geschrieben wird es von Fabio Akita unter der MIT-Lizenz. Das Repository wurde im Mai 2026 angelegt; v3.5.1 erschien am 19. November 2026.
Lohnt sich ai-memory?
Die meisten Gedächtnis-Add-ons helfen einem Agenten beim Erinnern; ai-memory ist für den Moment gebaut, in dem du einen Agenten schließt und einen anderen öffnest. Eine Übergabe ist ein typisierter Datensatz mit Besitzer, den die nächste Sitzung genau einmal beansprucht, und der Launcher ai-memory run geht weiter: Startest du Codex, nachdem Claude Code sein Limit erreicht hat, bekommt Codex den gemeinsamen Arbeitsstrang plus eine temporäre lokale Kopie von Claudes sichtbarem Verlauf, die beim Beenden gelöscht wird. Derselbe Server kann mehrere Rechner und ein ganzes Team bedienen, mit Wissen pro Projekt geteilt und Übergaben pro Person.
Die Designentscheidungen sind auf nützliche Weise konservativ. Die maßgebliche Quelle ist schlichtes Markdown in Git, das du mit grep durchsuchen, bearbeiten oder in Obsidian öffnen kannst; der SQLite-Index lässt sich daraus neu aufbauen. Erfassung, Suche und Übergaben brauchen keinen API-Schlüssel. Auf dem projekteigenen LongMemEval-S-Harness erreichte die Suche ohne LLM in 3.5.0 einen hit@5 von 0,953, lokale Embeddings 0,940, mit veröffentlichtem Commit und Hardware für jeden Lauf, doch eine unabhängige Reproduktion haben wir nicht gefunden. Altern, Verdichten und Deduplizieren laufen ohne Modell und löschen nie endgültig; die Teile, die Inhalte umschreiben, sind standardmäßig aus.
Die Sicherheitshinweise sind ungewöhnlich vollständig. Eine native Installation lauscht auf Loopback und erzeugt ein nur für den Besitzer lesbares Bearer-Token; der Docker-Schnellstart nicht, er läuft ohne Authentifizierung, bis du sie einschaltest. Es gibt keine Telemetrie und keine Update-Prüfung, aber der erste Start lädt rund 87 MB Embedding-Modell von Hugging Face, sofern du lokale Embeddings nicht abschaltest, und nichts wird im Ruhezustand verschlüsselt. Denk daran, was die Hooks tun: Jeder Prompt und jedes Tool-Ergebnis landet nach der Bereinigung im Speicher, ein geteilter Server hält also viel von deiner Arbeit.
Das Gewicht ist der Preis. Allein das README umfasst 47 KB, das Changelog 400 KB, und alle paar Tage kommen Releases; der Autor schreibt Claude Code einen großen Teil des Codes zu. Natives Windows ist experimentell, Schreibvorgänge enden bei etwa 700 pro Sekunde, und nur ein Server darf ein Datenverzeichnis besitzen. Wer einen Agenten auf einem Laptop nutzt, hat mit dem eigenen Gedächtnis von Claude Code weniger zu betreiben.
Wo es sich lohnt
Ein freiberuflicher Entwickler, dem am Nachmittag das Claude-Code-Kontingent ausgeht
In Codex weitermachen, ohne erneut zu erklären, was versucht wurde und was scheiterte
Beide über ai-memory run starten; wenn Claude stoppt, übernimmt ai-memory run codex die Übergabe und eine temporäre Kopie von Claudes sichtbarem Verlauf. Kostenlos; der Standardweg braucht keinen API-Schlüssel.
Ein vierköpfiges Team mit einem gemeinsamen Homelab-Rechner
Den Agenten jeder Person Entscheidungen finden lassen, die Sitzungen eines Kollegen schon getroffen haben
Einen Server im LAN hinter einem Reverse Proxy mit TLS betreiben, Benutzerkonten anlegen und die Hooks jedes Rechners darauf zeigen lassen. Wissen wird pro Projekt geteilt, Übergaben bleiben persönlich, und jeder Schreibvorgang wird im Audit-Log zugeordnet.
Ein Entwickler in einer Firma, die vor jeder Tool-Installation eine Datenschutzprüfung verlangt
Genau zeigen, was den Laptop verlässt
DATA_HANDLING.md weitergeben, das den einen Standard-Download und die fünf optionalen Wege auflistet, auf denen Daten hinausgehen, und embedding_provider auf none setzen, damit gar keine ausgehenden Aufrufe entstehen.
Bevor du dich festlegst
- Einrichtung
- Das Installationsskript per curl laden (es prüft vor der Installation den SHA-256) und ai-memory setup ausführen, das Datenverzeichnis und Token anlegt, einen Benutzerdienst startet und nach Rückfrage MCP, Hooks und Skills für jeden gefundenen Agenten einrichtet. Außerdem gibt es Homebrew, AUR, RPM, Scoop, Nix, Docker und eine Menüleisten-App für macOS.
- Integrationen
- MCP plus Lifecycle-Hooks für Claude Code, Codex, Cursor, Gemini CLI, OpenCode, Kiro, GitHub Copilot CLI, Factory Droid und weitere; Marketplace-Plugins für Claude Code und Codex; eine JSON-API und eine schreibgeschützte Weboberfläche; ein TypeScript-Client und ein Dokument-Importer für PDF, DOCX und Transkripte.
- Daten und Datenschutz
- Alles liegt in einem lokalen Datenverzeichnis: ein mit Git versioniertes Wiki und SQLite-Indizes. Keine Telemetrie oder Update-Prüfung. Lokale Embeddings laden beim ersten Start rund 87 MB von Hugging Face. Optionale Cloud-Anbieter für LLM oder Embeddings erhalten Seitentext. Keine Verschlüsselung im Ruhezustand.
- Kosten im großen Maßstab
- Kostenlos im Betrieb; der Standard braucht kein Modell. Ein Cloud-LLM für Zusammenfassungen, eine Embedding-API oder der Hintergrunddurchlauf verursachen Anbieterkosten pro Sitzung, die das Projekt nicht beziffert.
- Grenzen
- Etwa 700 Schreibvorgänge pro Sekunde; ein Server pro Datenverzeichnis; natives Windows experimentell; menschliche Anmeldungen jenseits von Loopback verlangen HTTPS, sofern du Klartext nicht ausdrücklich erlaubst.
Was gut ist
- Einmal beanspruchbare Übergaben und Sitzungsfortsetzung über 20+ Agenten
- Schlichtes Markdown in Git ist die Quelle, keine Datenbank
- Erfassung, Suche und Altern ohne einen einzigen LLM-Aufruf
- Keine Telemetrie; standardmäßig Loopback und Bearer-Token
Was nicht
- Große, schnell wechselnde Codebasis mit Releases alle paar Tage
- Docker-Schnellstart läuft ohne Authentifizierung
- Benchmark-Zahlen stammen aus dem projekteigenen Harness
- Keine Verschlüsselung im Ruhezustand; natives Windows experimentell
Am besten für
Entwickler und kleine Teams, die Arbeit zwischen Claude Code, Codex und anderen Agenten-CLIs oder zwischen Rechnern verschieben und das gemeinsame Gedächtnis in eigenen Dateien haben wollen.
Alternativen zu ai-memory
ai-memory: häufige Fragen
- Lohnt sich ai-memory?
- ai-memory ist das Agenten-Gedächtnis der Wahl, wenn du zwischen Claude Code und Codex wechselst, denn die Übergabe, nicht das Erinnern, kann es besser als alle anderen. Wir bewerten es mit 4.2 von 5.
- Was kostet ai-memory?
- Kostenlos unter der MIT-Lizenz; optionale LLM- und Embedding-Anbieter rechnen selbst ab.
- Welche Nachteile hat ai-memory?
- Große, schnell wechselnde Codebasis mit Releases alle paar Tage; Docker-Schnellstart läuft ohne Authentifizierung; Benchmark-Zahlen stammen aus dem projekteigenen Harness; Keine Verschlüsselung im Ruhezustand; natives Windows experimentell.
- Für wen eignet sich ai-memory?
- Entwickler und kleine Teams, die Arbeit zwischen Claude Code, Codex und anderen Agenten-CLIs oder zwischen Rechnern verschieben und das gemeinsame Gedächtnis in eigenen Dateien haben wollen.
- Was kostet ai-memory für ein Team oder im Produktivbetrieb?
- Kostenlos im Betrieb; der Standard braucht kein Modell. Ein Cloud-LLM für Zusammenfassungen, eine Embedding-API oder der Hintergrunddurchlauf verursachen Anbieterkosten pro Sitzung, die das Projekt nicht beziffert.
- Ist ai-memory sicher für Firmendaten?
- Alles liegt in einem lokalen Datenverzeichnis: ein mit Git versioniertes Wiki und SQLite-Indizes. Keine Telemetrie oder Update-Prüfung. Lokale Embeddings laden beim ersten Start rund 87 MB von Hugging Face. Optionale Cloud-Anbieter für LLM oder Embeddings erhalten Seitentext. Keine Verschlüsselung im Ruhezustand.
- Was sind die besten Alternativen zu ai-memory?
- Die nächsten Alternativen, die wir getestet haben, sind claude-mem, Hindsight und Mem0.
Antworten geprüft am 20. Nov. 2026.