Claude-Mem 是一个专为 Claude Code 等编码智能体设计的长期记忆插件。它解决的核心问题是 AI 辅助编程时的上下文遗忘：智能体会话结束后便丢失对项目的一切了解。claude-mem 通过自动捕获智能体在会话中的所有操作，利用 AI 生成结构化语义摘要并存入 SQLite 数据库，在未来的会话中智能地将相关记忆注入上下文，从而实现跨会话的项目知识连续性。项目采用渐进式记忆检索，仅在需要时按层级加载详细记忆，显著节省 token 成本。内置 Web 界面可实时查看记忆流，并通过 MCP 工具提供自然语言搜索历史操作的能力。适合所有重度使用 Claude Code 并期望其能“记住”项目历史的一线开发者。
本文总结了为 Claude Agent 添加持久记忆的完整方案，覆盖四层架构：Claude 内置 Chat Memory、Project 持久指令、memory.md 文件记忆以及 Dreaming（自改进记忆）。作者指出 Agent 无记忆的本质缺陷，然后逐步演示如何利用 Project 固定指令、用 CLAUDE.md 或 memory.md 文件存储关键信息，并通过 Anthropic 的 Dreaming 研究预览实现自动记忆整合与优化。文中包含具体操作步骤、代码示例（如 /memory 命令、Dream API 调用）以及 Harvey 公司的实证数据（任务完成率提升约6倍）。适合希望让 AI Agent 跨会话持续学习、避免重复错误的工程师。
本文提供了一份详尽的动手教程，教你在一个晚上内搭建一个基于 Claude 和 Obsidian 的“第二大脑”系统。核心思路是将 Obsidian 作为纯文本笔记存储库，通过 MCP 协议连接 Claude Desktop（需付费版），使 AI 能读取、组织、链接整个仓库内容，并自动加载上下文（CLAUDE.md）以消除每次会话的冷启动。文章从安装 Claude Desktop 和 Obsidian 开始，逐步演示配置 Local REST API 插件、连接 MCP、通过面试生成个人配置文件、创建项目文件夹结构、构建可复用技能（skill）、接入日历等实时数据源、设置定时自动整理任务。作者强调所有权归用户（纯文本文件，不锁定于任何 AI 模型），并以“keys, not prompts”安全原则提醒权限控制。适合希望摆脱对话碎片、拥有持久化 AI 记忆的一线工程师和知识工作者。
Garry Tan 提出“Skillify”方法论：每次 AI Agent 犯错，不靠道歉或提示词修补，而是将其转化为一项带完整测试链的 Skill。文章以两个真实故障（日历查询绕过本地脚本、时区心算偏差）为例，展示如何将失败固化为 SKILL.md 契约加确定性脚本，并引入涵盖单元测试、集成测试、LLM eval、解析器触发与校验、可达性审查、冒烟测试等十步清单的验证体系。该流程已集成于作者的开源知识引擎 GBrain 中，确保 Agent 的每一次判断提升都是永久且可验证的。适合正在构建 AI Agent 并受困于同类错误反复出现的开发者。
作者以自身构建个人智能代理系统的深度复盘，指出决定系统能否持续进化的核心并非模型或技能本身，而是常被忽视的“解析器”（Resolver）。文章通过一个错归档案例揭示了硬编码路径如何导致知识库沦为垃圾抽屉，并通过“技能可达性孤岛”问题说明缺乏路由会制造“能力已存在但无法调用”的假象。核心论点是：解析器是一个用于上下文分发的路由表，能将2万行的臃肿指令压缩为200行决策树，通过“文件归档规则”、“触发词评估”和“可解析性检查”等模式防止系统漂移。作者进一步将这一技术模式类比为组织管理中的经理层，并开源了包含全套解析器模式的个人微Agent系统GBrain。适合正在长时间维护多技能Agent系统，并遭遇知识索引失效、模型注意力退化的工程师阅读。
Pejman 在个人实践中发现，我们正在把人类“知识孤岛”的缺陷重新构建进 Agent 系统。他同时使用 OpenClaw（个人助理）、Codex（编码）和 Claude Code（设计写作），每个 Agent 都拥有一片关于“我”和项目的不完整拼图。最关键的上下文并非留存于 Git 仓库的固化产出物，而是会话本身：争论、走过的死胡同、被剪除又可能复用的想法分支。将这些有价值的“记忆单元”锁在各自的 Agent 中，割裂不仅存在于概念层，也体现在物理层：不同机器、不同文件系统、不同的本地状态。文章指出，统一、可共享的记忆层是下一阶段的关键缺口，并提及了 GBrain 和 CASS 等在这方面的探索。适用于正在构建或重度使用多 Agent 工作流的工程师阅读。
Supermemory 是一套为 AI 应用和 Agent 设计的记忆与上下文引擎，提供 API、MCP 服务、浏览器插件和 Web 应用。它解决了大模型对话间记忆丢失的问题，能自动从对话中提取事实、构建用户画像、处理知识更新和矛盾，并支持智能遗忘过期信息。项目集成了混合搜索（RAG+记忆）、文件解析和多款 SaaS 连接器，让开发者用单一接口即可为应用注入持久化、个性化的上下文能力。适合正在构建 AI Agent、需要完整记忆层的工程师，也适合希望个人 AI 工具具备跨会话记忆的用户。
Headroom 是一个本地运行的 AI 代理上下文压缩工具，旨在显著降低 LLM 使用成本与延迟。它在工具输出、日志、RAG 数据块及对话历史到达大模型前进行智能压缩，支持 JSON、代码和自然语言等多类内容。项目提供库、代理、MCP 服务器和代理包装器四种集成模式，通过内容路由选择最优压缩算法，并具备可逆压缩（CCR）机制确保原始数据不被丢弃。它还包含跨代理记忆共享和从失败会话中学习的 `headroom learn` 命令，适合每天高强度使用编程代理的工程师和任何需要优化 LLM Token 消耗的系统。