如何用AgentMemory管理Continue的会话记忆
agentmemory是AI辅助编程经常会用到的会话内容持久化记忆的开源工具。
这里探索agentmemory如何配置，以及如何管理VSCode+Continue辅助编程环境中的对话中。
所用示例参考和操作步骤，均参考和修改自网络公开资料。
1 AgentMemory说明
agentmemory是为AI编程助手提供持久化记忆的开源工具。
解决编程助手对话session之间无状态的问题，即每次对话结束，记忆清零，下次又得从头解释项目架构、技术选型、踩过的坑，无形中会浪费很多token资源。
agentmemory的作用是记录 Agent当前会话读过文件、执行的命令、做的决策、以及踩过的坑。下次开新会话时，自动把相关历史注入上下文。
agentmemory在 LongMemEval-S 基准测试中，检索召回率 R@5 达到 95.2%，相比全上下文方案节省约 92% 的 token。
2 AgentMemory安装
这里假设node和npm均已经正常安装，具体细节参考之前文档
https://blog.csdn.net/liliang199/article/details/163282116
2.1 AgentMemory安装
参考AgentMemory官方文档，AgentMemory安装非常快捷。
https://www.npmjs.com/package/@nightwatcher314/agentmemory?activeTab=readme
安装命令如下
npm install -g @nightwatcher314/agentmemory # once — bare `agentmemory` on PATH
输出示例如下，说明安装成功。
2.2 AgentMemory运行
首次运行会提示全局安装，之后agentmemory命令即可直接使用。
运行示例如下
agentmemory # start the memory server on :3111
示例如下，按提示一路往后走即可。
如果失败再次运行，正常情况下，应该最终会看到如下界面。
我们没有配置LLM，所以会提示LLM provider没有提供。
这个如果项目需求，可以配置LLM。
2.3 AgentMemory测试
进一步运行测试指令如下
agentmemory demo # seed sample sessions + prove recall
输出如下，说明测试成功。
在本地浏览器打开
http://localhost:3113/#dashboard
可以看到如下agentmemory的监控状态界面。
3 VSCode+Continue验证
这里采用VSCode+Continue环境，Continue在这里作为编程助手Agent。
通过MCP，即模型上下文协议，连接agentmemory。
具体为在Continue配置文件中，将agentmemory添加为一个MCP服务器。
3.1 配置agentmemory
找到你MCP客户端的配置文件，不同客户端的配置文件位置不同，在Continue中，位置如下。
Tools => MCP Servers => Add MCP server
然后就会打开一个yaml配置文件，按如下方式配置mcpServers，然后保存。
name: agentmemory version: 0.0.1 schema: v1 mcpServers: - name: agentmemory command: npx args: - "-y" - "@agentmemory/mcp" env: {} type: "stdio"配置完成后，重启VSCode，效果相当于重启Continue，让配置的agent生效。
如果重启后还是看不到如下agentmemory界面，重新关闭VSCode再重新打开，可以尝试多次。
正常情况下，应该能看到如下agentmemory界面，说明配置成功。
之后就可以向AI提问，看它是否能看到相关的记忆工具，示例如下
3.2 测试Agentmemory会话记忆
假设你在开发一个项目，和 Agent 对话：
我们决定用 Prisma 作为 ORM，数据库用 PlanetScale。记住这个决定。
Agent自动调用agentmemory_memory_save，响应示例如下。
关闭之前session会话，新开一个session会话，问agent如下问题
请通过agentmemory，我们之前用的什么 ORM？
Agent回复如下，说明Agentmomory生效了，可以通过agentmemory
需要在对话中自然地说“记住……”、“保存这个决策……”、“记录一条教训……”等。
Continue就会通过 MCP 工具将内容持久化到 agentmemory。
如果Continue没反应，就直接指名工具调用，这样Continue就拥有了长期记忆。
需要注意的是，以上仅测试用途，在实际应用过程中，不会保存这样琐碎的临时信息。
agentmemory保存哪些更重要具体的信息，注意事项如下：
内容要具体：保存的内容越具体，后续检索越准确。避免模糊描述。
不要过度保存：只保存长期有效的信息，临时性内容（比如“今天下午开会”）没必要存。
利用标签和分类：在提示词里明确标签、概念，能大大提升后续搜索效率。
验证保存结果：保存后可以立即问一句“你刚才记了什么？”来确认是否真的写入。
reference
---
@nightwatcher314/agentmemory
https://www.npmjs.com/package/@nightwatcher314/agentmemory?activeTab=readme
agentmemory
https://github.com/rohitg00/agentmemory
给你的AI Agent装上"行为记忆"：agentmemory安装到整合全指南
https://developer.aliyun.com/article/1744886
LLM上下文缓存与状态复用机制的分析和探索
https://blog.csdn.net/liliang199/article/details/160122176
LLM如何辅助RAG从大量文档中筛选目标文档
https://blog.csdn.net/liliang199/article/details/160257429