企业官网建设流程全解析

一个项目，5个Agent共享同一份记忆：memsearch跨平台统一记忆方案完全指南

【免费下载链接】memsearchA persistent, unified memory layer for all your AI agents (e.g. Claude Code, Codex, DSH), backed by Markdown and Milvus.项目地址: https://gitcode.com/gh_mirrors/mem/memsearch

memsearch 是一个跨平台 AI Agent 记忆层：一次安装，Claude Code、Codex、DeepSeek Harness、OpenClaw、OpenCode 这 5 个 Agent 就能共享同一份 Markdown + Milvus 持久记忆。你在任何一端聊过的问题，换个 Agent 继续问，它依然"记得"——无需手动导出、迁移或重复配置。

为什么你需要跨平台统一记忆？

日常写代码，我们常常"骑驴换马"：上午用 Claude Code 调 Redis 缓存，下午切到 Codex 看部署脚本，晚上又用 OpenClaw 做代码审查。

问题是：每个 Agent 的记忆都锁在自己的会话里。换个工具，之前的决策、踩过的坑、定过的方案全部"失忆"，只能从头再来一遍。

memsearch 的做法很直接——给所有 Agent 装一根"共同记忆总线"：

• 📄Markdown 是唯一事实来源：记忆就是普通的.md文件，人可读、可编辑、可进 Git
• 🔍Milvus 是影子索引：向量库可随时从 Markdown 重建，删库也不怕
• 🌐5 个平台共用同一索引：同项目目录 = 同一 collection = 共享记忆，自动完成

5个Agent如何共享同一份记忆？

所有插件都遵循捕获 → 索引 → 召回的统一模式，输出格式完全一致（带 session 锚点的每日 Markdown 日志）：

关键点：不同 Agent 的"捕获方式"各不相同，但"记忆格式"和"索引位置"完全相同。在 Claude Code 里写下的记忆，Codex、OpenClaw、OpenCode 都能直接搜到——同项目目录即自动共享，不同目录（含 linked worktrees）自动隔离。更多细节见 docs/architecture.md 与 docs/design-philosophy.md。

三步上手：最快配置方法

1️⃣ 安装 memsearch 核心（所有平台通用）

# 推荐 ONNX 本地嵌入：免费、无需 API Key、CPU 即可运行 uv tool install "memsearch[onnx]" # 或 pip install "memsearch[onnx]"

默认使用Milvus Lite——数据存在本地一个.db文件里，零配置开箱即用。

2️⃣ 给你的 Agent 装对应插件

以最成熟的 Claude Code 为例：

/plugin marketplace add zilliztech/memsearch /plugin install memsearch # 重启 Claude Code 生效

Codex 用户执行 plugins/codex/scripts/install.sh；OpenClaw、OpenCode、DSH 的安装命令详见各平台指南 docs/platforms/。

3️⃣ 验证记忆已生效

聊几轮对话后：

ls .memsearch/memory/ # 应该出现每日 .md 文件

之后直接自然提问即可："我们之前 Redis 的 TTL 定的是多少？" Agent 会自动触发记忆召回技能。

混合搜索 + 三层召回：找得准，还不费上下文

memsearch 的搜索管线是"三件套"：稠密向量（语义）+ BM25 稀疏（精确关键词）+ RRF 融合重排。语义匹配能捕捉"缓存方案"≈"Redis TTL"这类隐含关联，BM25 则兜住错误码、函数名、配置值这类必须精确命中的场景。

若再开启可选的远程重排（Jev reranker），排序质量还会进一步提升。官方在中英文评测集（2,172 个问题）上的对比结果如下：

召回时则采用三层渐进披露，把 token 花在刀刃上：

1. L1 Search：只返回 Top-K 片段摘要（成本最低）
2. L2 Expand：需要更多上下文时，展开完整 Markdown 章节
3. L3 Transcript：还要精确对话时，才调原始会话记录

Agent 从便宜的一层开始，不够再钻深层——中间结果绝不污染主上下文窗口。

实用技巧与进阶玩法

• 一键切换后端：改一个milvus.uri即可在 Milvus Lite / 自托管 Server / 云托管之间迁移，数据会从 Markdown 自动重建
• 记忆压缩：memsearch compact用 LLM 把旧记忆摘要回写 Markdown，watcher 自动重新索引
• 智能去重：SHA-256 内容哈希保证未变更内容永不重复嵌入，省 API 费用
• 重复工作流变技能：说一句"把刚才的流程做成技能"，memsearch 会把你的工作流蒸馏成可安装、可跨 Agent 复用的 Skill（第三方"程序性记忆"层）
• 团队协作：个人会话日志放.memsearch/（加入.gitignore），团队共识写进CLAUDE.md走 Git 评审，互不干扰

想深入了解分块策略、去重原理与数据流，推荐 docs/architecture.md；新手完整起步教程见 docs/getting-started.md；CLI 与 Python API 参考分别在 docs/cli.md 和 docs/python-api.md。

总结

memsearch 用"Markdown 为源、Milvus 为索引"的架构，把 5 个主流 AI Agent 的记忆打通成一份：换工具不失忆、换人不丢知识、删库可重建、数据零锁定。如果你的日常在多个 Agent 之间切换，这份跨平台统一记忆方案值得今天就装上试试。

【免费下载链接】memsearchA persistent, unified memory layer for all your AI agents (e.g. Claude Code, Codex, DSH), backed by Markdown and Milvus.项目地址: https://gitcode.com/gh_mirrors/mem/memsearch