Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

ai-memory

Le serveur de mémoire auto-hébergé de Fabio Akita : des hooks versent les sessions dans un wiki Markdown sous git partagé par plus de 20 agents.

Avis de ReviewRamble editors · Mis à jour

Voir sur GitHub Open source

Partager cette page :XLinkedInFacebookRedditWhatsAppE-mail

Notre note

4.2/5

ai-memory est la mémoire d'agent à adopter si vous passez de Claude Code à Codex, parce que c'est le passage de relais, pas le rappel, qu'il fait mieux que tous les autres.

Qu’est-ce que ai-memory ?

ai-memory donne aux agents de code une mémoire qui survit à la session, à l'agent et à la machine. Des hooks de cycle de vie enregistrent les prompts, les appels d'outils et les limites de session, retirent les secrets dans une couche de confidentialité et les envoient à un serveur local ; en fin de session, le serveur les transforme en pages Markdown d'un wiki versionné avec git. La session suivante, dans n'importe quel agent pris en charge, commence par un court briefing et un passage de relais qui indique où le travail s'est arrêté, et peut interroger le wiki via MCP.

Le serveur est un unique binaire Rust avec recherche plein texte SQLite, classement par entités et liens et vecteurs optionnels. Le chemin par défaut ne fait aucun appel à un LLM ; on peut ajouter un modèle Anthropic, OpenAI, Gemini ou local pour de meilleurs résumés, et une passe d'arrière-plan optionnelle fusionne les notes froides. Il prend en charge plus de 20 agents, dont Claude Code, Codex, Cursor, Gemini CLI, OpenCode, Kiro et GitHub Copilot CLI, et une équipe peut partager un serveur avec des comptes par personne et un journal d'audit.

Il est écrit par Fabio Akita sous licence MIT. Le dépôt a été créé en mai 2026 ; la v3.5.1 est sortie le 19 novembre 2026.

ai-memory vaut-il le coup ?

La plupart des modules de mémoire aident un agent à se souvenir ; ai-memory est conçu pour le moment où vous quittez un agent pour en ouvrir un autre. Un passage de relais est un enregistrement typé, avec un propriétaire, que la session suivante réclame une seule fois, et le lanceur ai-memory run va plus loin : lancez Codex quand Claude Code atteint sa limite, et Codex reçoit le fil de travail partagé ainsi qu'une copie locale temporaire de l'historique visible de Claude, supprimée à sa fermeture. Le même serveur peut servir plusieurs machines et toute une équipe, avec un savoir partagé par projet et des relais gardés par personne.

Les choix de conception sont conservateurs, utilement. La source de vérité est du Markdown simple dans git, que vous pouvez parcourir avec grep, modifier ou ouvrir dans Obsidian ; l'index SQLite peut être reconstruit à partir de lui. Capture, recherche et relais ne demandent aucune clé d'API. Sur le banc LongMemEval-S du projet lui-même, la recherche sans LLM a obtenu un hit@5 de 0,953 en 3.5.0 et les embeddings locaux 0,940, avec le commit et le matériel de chaque essai publiés, mais nous n'avons trouvé personne d'extérieur qui les ait reproduits. Vieillissement, compactage et dédoublonnage tournent sans modèle et ne suppriment jamais définitivement ; les parties qui réécrivent le contenu sont désactivées par défaut.

Les notes de sécurité sont d'une rare complétude. Une installation native écoute en loopback et génère un jeton bearer lisible par le seul propriétaire ; le démarrage rapide Docker non, et tourne sans authentification tant que vous ne l'activez pas. Il n'y a ni télémétrie ni vérification de mises à jour, mais le premier lancement télécharge environ 87 Mo de modèle d'embeddings depuis Hugging Face si vous ne désactivez pas les embeddings locaux, et rien n'est chiffré au repos. Gardez en tête ce que font les hooks : chaque prompt et chaque résultat d'outil finit dans le stockage, après nettoyage, donc un serveur partagé détient une bonne part de votre travail.

Le poids est le prix. Le README fait à lui seul 47 Ko, le changelog 400 Ko, et les versions tombent tous les quelques jours ; l'auteur attribue une large part du code à Claude Code. Windows natif est expérimental, les écritures plafonnent vers 700 par seconde, et un seul serveur peut posséder un répertoire de données. Avec un seul agent sur un portable, la mémoire intégrée de Claude Code demande moins d'entretien.

Là où il fait la différence

  • Un développeur freelance qui épuise son quota Claude Code en milieu d'après-midi

    Continuer dans Codex sans réexpliquer ce qui a été essayé et ce qui a échoué

    Lancez les deux via ai-memory run ; quand Claude s'arrête, ai-memory run codex reprend le relais et une copie temporaire de l'historique visible de Claude. Gratuit ; le chemin par défaut ne demande aucune clé d'API.

  • Une équipe de quatre personnes qui partage un serveur maison

    Permettre à l'agent de chacun de retrouver les décisions déjà prises par les sessions d'un collègue

    Faites tourner un serveur sur le réseau local derrière un proxy inverse TLS, créez des comptes et pointez les hooks de chaque machine vers lui. Le savoir est partagé par projet, les relais restent personnels et chaque écriture est attribuée dans le journal d'audit.

  • Un développeur dans une entreprise qui impose une revue de protection des données avant toute installation d'outil

    Montrer exactement ce qui sort du portable

    Transmettez DATA_HANDLING.md, qui liste l'unique téléchargement par défaut et les cinq voies optionnelles qui envoient des données à l'extérieur, et réglez embedding_provider sur none pour n'avoir aucun appel sortant.

Avant de vous engager

Mise en route
Récupérez le script d'installation avec curl (il vérifie le SHA-256 avant d'installer) et lancez ai-memory setup, qui crée le répertoire de données et le jeton, démarre un service utilisateur et branche MCP, hooks et skills pour chaque agent trouvé, après confirmation. Homebrew, AUR, RPM, Scoop, Nix, Docker et une app de barre de menus macOS sont aussi proposés.
Intégrations
MCP plus hooks de cycle de vie pour Claude Code, Codex, Cursor, Gemini CLI, OpenCode, Kiro, GitHub Copilot CLI, Factory Droid et d'autres ; plugins de marketplace pour Claude Code et Codex ; une API JSON et une vue web en lecture seule ; un client TypeScript et un importeur de documents pour PDF, DOCX et transcriptions.
Données et confidentialité
Tout réside dans un répertoire de données local : un wiki versionné avec git et des index SQLite. Ni télémétrie ni vérification de mises à jour. Les embeddings locaux téléchargent environ 87 Mo depuis Hugging Face au premier lancement. Les fournisseurs cloud optionnels de LLM ou d'embeddings reçoivent le texte des pages. Pas de chiffrement au repos.
Coût à grande échelle
Gratuit à faire tourner ; le mode par défaut n'a besoin d'aucun modèle. Activer un LLM cloud pour les résumés, une API d'embeddings ou la fusion en arrière-plan ajoute des frais du fournisseur par session, que le projet n'estime pas.
Limites
Environ 700 écritures par seconde ; un serveur par répertoire de données ; Windows natif expérimental ; les connexions humaines hors loopback exigent HTTPS, sauf autorisation explicite du texte en clair.

Les points forts

  • Relais à réclamation unique et reprise de session sur plus de 20 agents
  • La source de vérité est du Markdown dans git, pas une base de données
  • Capture, recherche et vieillissement sans aucun appel LLM
  • Pas de télémétrie ; loopback et jeton bearer par défaut

Les points faibles

  • Base de code volumineuse et mouvante, avec des versions tous les quelques jours
  • Le démarrage rapide Docker tourne sans authentification
  • Les chiffres de référence viennent du banc du projet lui-même
  • Pas de chiffrement au repos ; Windows natif expérimental

Idéal pour

Les développeurs et petites équipes qui font passer le travail entre Claude Code, Codex et d'autres CLI d'agents, ou entre machines, et veulent la mémoire partagée dans des fichiers qui leur appartiennent.

Alternatives à ai-memory

ai-memory : questions fréquentes

ai-memory vaut-il le coup ?
ai-memory est la mémoire d'agent à adopter si vous passez de Claude Code à Codex, parce que c'est le passage de relais, pas le rappel, qu'il fait mieux que tous les autres. Nous lui donnons 4.2 sur 5.
Combien coûte ai-memory ?
Gratuit sous licence MIT ; les fournisseurs optionnels de LLM et d'embeddings facturent à part.
Quels sont les inconvénients de ai-memory ?
Base de code volumineuse et mouvante, avec des versions tous les quelques jours; le démarrage rapide Docker tourne sans authentification; les chiffres de référence viennent du banc du projet lui-même; pas de chiffrement au repos ; Windows natif expérimental.
À qui s’adresse ai-memory ?
Les développeurs et petites équipes qui font passer le travail entre Claude Code, Codex et d'autres CLI d'agents, ou entre machines, et veulent la mémoire partagée dans des fichiers qui leur appartiennent.
Combien coûte ai-memory pour une équipe ou en production ?
Gratuit à faire tourner ; le mode par défaut n'a besoin d'aucun modèle. Activer un LLM cloud pour les résumés, une API d'embeddings ou la fusion en arrière-plan ajoute des frais du fournisseur par session, que le projet n'estime pas.
ai-memory est-il sûr pour les données de l’entreprise ?
Tout réside dans un répertoire de données local : un wiki versionné avec git et des index SQLite. Ni télémétrie ni vérification de mises à jour. Les embeddings locaux téléchargent environ 87 Mo depuis Hugging Face au premier lancement. Les fournisseurs cloud optionnels de LLM ou d'embeddings reçoivent le texte des pages. Pas de chiffrement au repos.
Quelles sont les meilleures alternatives à ai-memory ?
Les alternatives les plus proches que nous avons testées sont claude-mem, Hindsight et Mem0.

Réponses vérifiées le 20 nov. 2026.

Vous éditez ai-memory ? Affichez cette note sur votre siteai-memory noté 4.2 sur 5 par ReviewRamble