过去一年，开源智能体框架几乎是爆发式增长。
无论是 Claude Code、OpenClaw，还是各种新兴 Agent 框架，都让开发者如虎添翼。
很多时候，它们确实很好用，像是给项目接入了一个随叫随到的“数字员工”，可以 7×24 小时读代码、写功能、跑测试、改 bug、总结日志，甚至生成 PR。
但真正把 Agent 放进实际项目里，问题很快就会暴露出来——它不是不会做事，而是会越来越记不住事。
项目刚开始时，上下文不长，历史决策不多，Agent 还能顺着当前会话往下做。可当项目跑了几周、几个月之后，新的需求、旧的 bug、临时讨论、架构取舍、配置变更会不断涌进上下文。模型窗口再长，也不可能无限装下去。于是，旧信息被新信息顶掉，前面的决策被后面的对话冲淡，真正关键的历史背景反而慢慢消失。
现在，以 OpenClaw 为代表的一些智能体框架，也开始尝试引入类似“梦境”的功能《先封禁再抄袭！Claude官方Harness上线 “梦境” 记忆，继续硬刚OpenClaw》。让 Agent 在会话结束后自动沉淀摘要，试图缓解长期使用中的上下文遗忘问题。
但不管做不做梦，本质上很多记忆仍然停留在会话粒度。它更像是把一次对话压缩成一段总结，而不是把一个项目几个月以来的经验、决策、变更和上下文，组织成一个可以长期检索、跨 Agent 复用的知识系统。
Agent 会换，工具会换，但在项目里积累的知识，不应该跟着消失。
这正是今天要给大家介绍的开源项目 MemSearch 想解决的问题。
它为不同编程智能体提供统一的持久记忆层。安装MemSearch后，Agent 可以自动捕获会话、建立索引，并在之后需要时召回相关历史上下文。该项目在github上已收获1.7k stars。
项目链接：
https://github.com/zilliztech/memsearch
01
MemSearch 让不同编程智能体
共享同一套项目记忆
MemSearch 最核心的价值是让不同编程智能体共享同一套项目记忆。
Claude Code 有自己的上下文，Codex CLI 有自己的上下文，OpenCode 又有自己的上下文。过去，在一个工具里讨论过的问题，换到另一个工具里往往就消失了。MemSearch 试图把这些分散的上下文打通，让“记忆”不再依附于某一个 Agent，而是依附于项目本身。
MemSearch 的设计非常工程化——把 Markdown 作为记忆源文件，把 Milvus 作为可重建的影子索引。
智能体的记忆不是被锁死在某个黑盒数据库里，而是以 .md 文件的形式存在。开发者可以直接阅读、编辑、提交到 Git，也可以像管理代码一样管理这些记忆。向量数据库则负责语义检索、混合召回和实时索引，让 Agent 能够在大量历史记录中快速找到相关内容。
很多时候，Agent 并不需要一上来就把整段历史会话全部塞进上下文，而是应该先找到相关片段，再根据需要展开更完整的背景。
为此，MemSearch 提供了三层召回机制：search、expand、transcript。它会先通过 search 找到相关 chunk，再通过 expand 查看该片段所在的完整上下文；如果还需要进一步核对细节，也可以回到 transcript，也就是原始会话记录。这种渐进式召回方式，既能减少上下文污染，也能避免把大量无关历史内容直接塞给模型。
在使用体验上，MemSearch 也尽量降低了门槛。以 Claude Code 为例，安装插件后，它会通过 shell hooks 自动捕获对话，并借助轻量模型对每轮会话进行摘要，然后写入当天的 Markdown 记忆文件。用户既可以通过 /memory-recall 主动召回历史内容，也可以直接用自然语言提问。
这些记忆文件会保存在 .memsearch/memory/ 目录中。也就是说，项目历史不再只是散落在一次次会话里，而是会沉淀成一套可以查看、修改、检索和迁移的记忆资产。
对于 Agent 开发者，MemSearch 不只是一个插件，也可以作为基础库使用。它提供 CLI 和 Python API，可以被接入自定义 Agent、RAG 流程或 harness 工程，成为智能体系统中的长期记忆组件。
02
使用方法
（1）在 Claude Code 中安装
/plugin marketplace add zilliztech/memsearch/plugin install memsearch
重启 Claude Code 完成插件激活，插件会自动记录每一轮对话内容。
进行数次对话后，查看本地记忆文件验证生效：
ls .memsearch/memory/ # 可看到按日期生成的Markdown日志文件cat .memsearch/memory/$(date +%Y-%m-%d).md
记忆调取指令：
/memory-recall 我们之前讨论过哪些Redis相关内容？（2）在 Codex 中安装
git clone --depth 1 https://github.com/zilliztech/memsearch.gitbash memsearch/plugins/codex/scripts/install.shcodex --yolo # 开放ONNX模型网络访问权限
ls .memsearch/memory/$memory-recall 我们之前探讨过哪些部署相关方案？完整步骤请参考：
https://github.com/zilliztech/memsearch#%E2%80%8D-for-agent-users
03
Agent Harness，
必须带上长期记忆层
软件开发从来不是单次生成任务，而是一个持续演化的复杂系统。
一个项目里，真正重要的不只是代码本身，还有无数隐藏在历史中的上下文：当初选择这个框架原因、哪些模块不能轻易重构、为什么某个接口必须兼容旧客户端？
这些内容，人类开发者会靠经验、文档、会议纪要、Git 记录和团队默契慢慢记住。但对于 AI Agent 来说，如果每次会话都从零开始，它就永远只能做“短期外包”，很难成为真正参与项目演进的“长期队友”。
MemSearch 的意义就在这里。它并不是单纯给 Agent 加一个搜索框，而是在尝试构建 AI Agent 时代的工程记忆层。Markdown 让记忆可读、可改、可审计；Milvus 让记忆可检索、可扩展、可跨平台复用；插件机制则让 Claude Code、Codex CLI、OpenCode 等不同智能体可以共享同一套历史上下文。
这也意味着，未来任何真正面向长期项目的 Agent harness，都不能只关注任务编排、工具调用和流程控制，还需要一套类似 MemSearch 的长期记忆机制。
因为 harness 解决的是“Agent 怎么执行任务”，而记忆层解决的是“Agent 如何继承过去的经验”。没有记忆，Agent 即使流程再完整，也很容易在一次次新会话中重复踩坑。
未来真正强大的 Agent，不只是推理更强、代码写得更快，还要更懂项目、更理解团队约束、能够继承历史经验。它知道哪些坑踩过，哪些方案被否定过，也知道哪些架构决策背后有真实业务原因。
当 Agent 开始拥有长期记忆，它才不只是一个会写代码的工具，而是一个能伴随项目持续成长的数字工程伙伴。
