O que é ai-memory?
O ai-memory dá aos agentes de código uma memória que sobrevive à sessão, ao agente e à máquina. Hooks de ciclo de vida registram prompts, chamadas de ferramentas e limites de sessão, removem segredos numa camada de privacidade e os enviam a um servidor local; no fim da sessão, o servidor os transforma em páginas Markdown numa wiki versionada com git. A sessão seguinte, em qualquer agente suportado, começa com um resumo curto e uma passagem de bastão dizendo onde o trabalho parou, e pode pesquisar a wiki via MCP.
O servidor é um único binário Rust com busca de texto completo em SQLite, ranking por entidades e links e vetores opcionais. O caminho padrão não faz chamadas a LLM; dá para adicionar um modelo da Anthropic, OpenAI, Gemini ou local para resumos melhores, e uma passada opcional em segundo plano funde notas frias. Ele suporta mais de 20 agentes, entre eles Claude Code, Codex, Cursor, Gemini CLI, OpenCode, Kiro e GitHub Copilot CLI, e uma equipe pode compartilhar um servidor com contas por pessoa e log de auditoria.
É escrito por Fabio Akita sob a licença MIT. O repositório foi criado em maio de 2026; a v3.5.1 saiu em 19 de novembro de 2026.
ai-memory vale a pena?
A maioria dos complementos de memória ajuda um agente a lembrar; o ai-memory foi feito para o momento em que você fecha um agente e abre outro. Uma passagem de bastão é um registro tipado com dono que a próxima sessão reivindica uma única vez, e o lançador ai-memory run vai além: inicie o Codex quando o Claude Code bater no limite e o Codex recebe o fluxo de trabalho compartilhado mais uma cópia local temporária do histórico visível do Claude, apagada quando ele fecha. O mesmo servidor pode atender várias máquinas e uma equipe inteira, com conhecimento compartilhado por projeto e passagens guardadas por pessoa.
As escolhas de design são conservadoras de um jeito útil. A fonte da verdade é Markdown simples no git, que você pode vasculhar com grep, editar ou abrir no Obsidian; o índice SQLite pode ser reconstruído a partir dele. Captura, busca e passagens não exigem chave de API. No banco de testes LongMemEval-S do próprio projeto, a busca sem LLM teve hit@5 de 0,953 na 3.5.0 e os embeddings locais 0,940, com commit e hardware de cada execução publicados, embora não tenhamos encontrado ninguém de fora que os tenha reproduzido. Envelhecimento, compactação e deduplicação rodam sem modelo e nunca apagam de vez; as partes que reescrevem conteúdo vêm desligadas.
As notas de segurança são incomumente completas. Uma instalação nativa escuta em loopback e gera um token bearer legível só pelo dono; o início rápido com Docker não, e roda sem autenticação até você ativá-la. Não há telemetria nem checagem de atualização, mas a primeira inicialização baixa cerca de 87 MB de modelo de embeddings do Hugging Face, a menos que você desligue os embeddings locais, e nada é criptografado em repouso. Lembre o que os hooks fazem: cada prompt e cada resultado de ferramenta vai para o armazenamento, depois da limpeza, então um servidor compartilhado guarda boa parte do seu trabalho.
O peso é o preço. Só o README tem 47 KB, o changelog 400 KB, e saem versões a cada poucos dias; o autor credita ao Claude Code boa parte do código. Windows nativo é experimental, as gravações chegam a cerca de 700 por segundo e só um servidor pode ser dono de um diretório de dados. Se você usa um agente só num notebook, a memória do próprio Claude Code dá menos trabalho.
Onde ele se destaca
Um desenvolvedor freelancer que estoura a cota do Claude Code no meio da tarde
Continuar no Codex sem explicar de novo o que foi tentado e o que falhou
Inicie os dois com ai-memory run; quando o Claude para, ai-memory run codex pega a passagem e uma cópia temporária do histórico visível do Claude. Gratuito; o caminho padrão não precisa de chave de API.
Uma equipe de quatro pessoas que divide um servidor caseiro
Deixar o agente de cada um achar decisões que as sessões de um colega já tomaram
Rode um servidor na rede local atrás de um proxy reverso com TLS, crie contas de usuário e aponte os hooks de cada máquina para ele. O conhecimento é compartilhado por projeto, as passagens ficam pessoais e cada gravação é atribuída no log de auditoria.
Um desenvolvedor numa empresa que exige revisão de proteção de dados antes de instalar ferramentas
Mostrar exatamente o que sai do notebook
Entregue o DATA_HANDLING.md, que lista o único download padrão e os cinco caminhos opcionais que enviam dados para fora, e defina embedding_provider como none para não haver nenhuma chamada de saída.
Antes de decidir
- Configuração
- Baixe com curl o script de instalação (ele confere o SHA-256 antes de instalar) e rode ai-memory setup, que cria o diretório de dados e o token, inicia um serviço de usuário e conecta MCP, hooks e skills para cada agente encontrado, depois de perguntar. Também há Homebrew, AUR, RPM, Scoop, Nix, Docker e um app de barra de menus para macOS.
- Integrações
- MCP mais hooks de ciclo de vida para Claude Code, Codex, Cursor, Gemini CLI, OpenCode, Kiro, GitHub Copilot CLI, Factory Droid e outros; plugins de marketplace para Claude Code e Codex; uma API JSON e uma visão web somente leitura; um cliente TypeScript e um importador de documentos para PDF, DOCX e transcrições.
- Dados e privacidade
- Tudo fica num diretório de dados local: uma wiki versionada com git e índices SQLite. Sem telemetria nem checagem de atualização. Embeddings locais baixam cerca de 87 MB do Hugging Face na primeira inicialização. Provedores opcionais de LLM ou embeddings na nuvem recebem o texto das páginas. Sem criptografia em repouso.
- Custo em escala
- Gratuito para rodar; o padrão não precisa de modelo. Ligar um LLM na nuvem para resumos, uma API de embeddings ou a fusão em segundo plano soma cobranças do provedor por sessão, que o projeto não estima.
- Limites
- Cerca de 700 gravações por segundo; um servidor por diretório de dados; Windows nativo experimental; logins humanos fora do loopback exigem HTTPS, a menos que você permita texto puro de forma explícita.
O que é bom
- Passagens de reivindicação única e continuidade de sessão entre mais de 20 agentes
- A fonte da verdade é Markdown no git, não um banco de dados
- Captura, busca e envelhecimento sem nenhuma chamada a LLM
- Sem telemetria; loopback e token bearer por padrão
O que não é
- Base de código grande e mutável, com versões a cada poucos dias
- O início rápido com Docker roda sem autenticação
- Os números de benchmark vêm do banco de testes do próprio projeto
- Sem criptografia em repouso; Windows nativo experimental
Ideal para
Desenvolvedores e equipes pequenas que passam trabalho entre Claude Code, Codex e outras CLIs de agentes, ou entre máquinas, e querem a memória compartilhada em arquivos próprios.
Alternativas ao ai-memory
ai-memory: perguntas frequentes
- ai-memory vale a pena?
- O ai-memory é a memória de agente certa se você alterna entre Claude Code e Codex, porque o que ele faz melhor que todos é a passagem de bastão, não a lembrança. Damos nota 4.2 de 5.
- Quanto custa ai-memory?
- Gratuito sob a licença MIT; provedores opcionais de LLM e embeddings cobram à parte.
- Quais são as desvantagens de ai-memory?
- Base de código grande e mutável, com versões a cada poucos dias; o início rápido com Docker roda sem autenticação; os números de benchmark vêm do banco de testes do próprio projeto; sem criptografia em repouso; Windows nativo experimental.
- Para quem ai-memory é indicado?
- Desenvolvedores e equipes pequenas que passam trabalho entre Claude Code, Codex e outras CLIs de agentes, ou entre máquinas, e querem a memória compartilhada em arquivos próprios.
- Quanto custa ai-memory para uma equipe ou em produção?
- Gratuito para rodar; o padrão não precisa de modelo. Ligar um LLM na nuvem para resumos, uma API de embeddings ou a fusão em segundo plano soma cobranças do provedor por sessão, que o projeto não estima.
- ai-memory é seguro para dados da empresa?
- Tudo fica num diretório de dados local: uma wiki versionada com git e índices SQLite. Sem telemetria nem checagem de atualização. Embeddings locais baixam cerca de 87 MB do Hugging Face na primeira inicialização. Provedores opcionais de LLM ou embeddings na nuvem recebem o texto das páginas. Sem criptografia em repouso.
- Quais são as melhores alternativas ao ai-memory?
- As alternativas mais próximas que analisamos são claude-mem, Hindsight e Mem0.
Respostas verificadas em 20 de nov. de 2026.