moorcheh-ai/memanto

📌 不再依賴向量資料庫：Memanto 為 AI Agent 提供主動式本地記憶層

TL;DR：Memanto 是一個開源記憶代理，透過 remember、recall、answer 三大操作，為多款 AI Agent 提供跨對話的持久化記憶。

大多數 AI Agent 的記憶工具僅是「被動基礎設施」：Agent 必須主動查詢、解析結果，再決定下一步。這種模式導致 Agent 在追求長期目標時容易產生混亂或遺忘。

🧩 從被動儲存轉向「主動記憶代理」

Memanto 的設計理念並非單純的儲存空間，而是一個能夠「記憶、回想並回答」的記憶代理（Memory Agent）。其核心特點在於：

• 針對 Agent 痛點設計：根據 AI Agent 自述的記憶缺口，實作了三項核心操作：remember（記憶）、recall（回想）與 answer（回答）。
• 跨對話持久化：讓 Agent 在不同 session 之間能保有上下文，避免重複溝通或資訊流失。
• 資訊理論搜尋引擎：基於首個資訊理論（information-theoretic）搜尋引擎構建，旨在提供高效的檢索效能與零寫入延遲（zero ingestion latency）。

⚙️ 支援多款工具且部署靈活

Memanto 可作為 Claude Code、Cursor、Codex 等 14 種以上 AI Agent 的記憶擴充，且提供兩種部署選項：

• 完全本地化 (Fully Local)：無需帳號與 API Key，透過 Docker 與 Ollama 執行，所有資料完全留在使用者機器上。
• 免費雲端 (Free Cloud)：透過 Moorcheh API Key 快速啟動，約 60 秒即可完成設定。

🛠️ 快速上手流程

安裝過程簡單，支援 macOS、Linux 與 Windows：

1. 執行 pip install memanto
2. 執行 memanto 指令
3. 選擇「On-Prem」進入 Docker + Ollama 設定（本地化）或選擇「Cloud」並貼上 API Key（雲端）。

🎯 實務啟示

對於開發 AI Agent 的工程師來說，Memanto 嘗試將記憶層從「被動的資料庫查詢」提升為「主動的記憶代理」。最關鍵的價值在於其「無需向量資料庫 (no vector database)」與「無後端維護」的宣稱，降低了實現長期記憶的工程複雜度，讓開發者能更專注於 Agent 的任務邏輯，而非底層記憶體的管理。

🔗 來源

• 標題：moorcheh-ai/memanto
• 作者／機構：moorcheh-ai
• 連結：https://github.com/moorcheh-ai/memanto

#AI #AIAgents #OpenSource #LocalLLM #MemoryAgent #ClaudeCode #Cursor #InformationTheory #PersistentMemory #Moorcheh