Coding Agent 记忆横评

Claude Code 记忆机制：精读: Claude Code 记忆系统 Codex 记忆机制：精读: Codex 记忆系统 OpenClaw flush：精读: OpenClaw Memory Flush MCP 拓扑：精读: MCP 记忆拓扑 Profile/MCP 基础：MCP 记忆集成层

调研元信息

一句话定位

六大 Coding Agent 的记忆能力呈现三个梯队：Claude Code / Codex / OpenClaw 拥有完整的自动记忆系统，Cursor 刚起步（Memories Beta），Cline 和 Aider 依赖社区方案或手动配置——记忆能力正在成为 Coding Agent 的核心竞争力分水岭。

记忆类型标注

本文覆盖全部四类记忆：Working（上下文管理）、Profile（规则/配置）、User（自动提取的持久记忆）、External（MCP 外部服务）。

横评总表

逐 Agent 记忆分析

1. Claude Code — 索引+按需检索

详见 精读: Claude Code 记忆系统

Claude Code 的记忆设计围绕 memdir（memory directory）展开：MEMORY.md 是纯索引文件（每条约 150 字符、上限 200 行），实际内容存在 topic-name.md 文件中。读路径分两阶段——启动时全量索引注入 system prompt，每 turn 用 Sonnet 做 sideQuery 从最多 200 个文件中选取 ≤5 个最相关的注入上下文。写路径通过 extractMemories hook 在每次无工具响应后 fire-and-forget，使用 forked agent 提取四类信息（user/feedback/project/reference）[已有]。

核心特色：LLM 驱动的语义检索（非向量搜索），代价是每 turn 需要额外一次 Sonnet 调用。

2. Codex — AI Pipeline 双阶段

详见 精读: Codex 记忆系统

Codex 采用异步两阶段 AI pipeline：Phase1 在 session 启动时并行处理最近的 rollout（最多 8 并发），用 reasoning=Low 模型提取结构化 JSON 到 SQLite；Phase2 用一个隔离沙箱中的 consolidation agent（reasoning=Medium）将 top-256 条 Phase1 输出合并为 ~/.codex/memories/ 下的文件系统工件（MEMORY.md + memory_summary.md + skills/）。读路径简单粗暴——memory_summary.md 全量作为 developer instruction 注入 [已有]。

核心特色：全局共享记忆（不按项目隔离），citation 正反馈循环（被引用越多的记忆越不容易被淘汰）。

3. OpenClaw — Pre-Compaction Flush

详见 精读: OpenClaw Memory Flush

OpenClaw 的创新在于 pre-compaction flush——在上下文压缩前运行一个静默嵌入式 agent，将重要信息写入 memory/YYYY-MM-DD.md（日记层）。后台 Dreaming 系统将日记中的候选内容晋升到 MEMORY.md（长期层），预算上限 10,000 字符。三层文件布局（MEMORY.md / daily / DREAMS.md）提供了清晰的时间维度 [源码]。

核心特色：唯一一个显式将 flush 前置于 compaction 的方案，解决了”压缩=遗忘”的直接矛盾。

4. Cursor — 从纯 Profile 到 Memories Beta

Profile 详见 MCP 记忆集成层

Cursor 在 1.0 版本（2025-06）引入 Memories Beta，结束了长期只有 Profile（.cursor/rules）的状态。记忆存储在云端、按 Git remote URL 隔离。使用 gemini-2.5-flash 对聊天记录做两段分析——先提取再打分（1-5 分），达标后写入。读路径通过向量搜索从记忆库中选出相关条目，注入系统提示的 <memories> 标签 [文档]。

核心特色：云端存储（非本地文件），四种 Rule apply 模式提供了最灵活的 Profile 系统。

局限：仍是 Beta，仅记录编程偏好而非项目上下文，需关闭 Privacy Mode，不跨项目共享。

5. Cline — 无内建记忆，社区 Memory Bank 填补

Cline 系统提示明确声明 “my memory resets completely between sessions”——没有任何内建的跨会话记忆持久化。社区通过 Memory Bank 模式弥补：用户手动将指令文本放入 .clinerules/memory-bank.md，指示 Cline 在每个 task 开始时读取 memory-bank/ 目录下的 6 个 markdown 文件（projectBrief、techContext、systemPatterns、activeContext、progress），会话结束前说 “update memory bank” 触发更新 [社区]。

Cline 有一个值得关注的设计：PreCompact hook——允许在 Auto Compact 之前运行用户自定义脚本。这原本用于通用扩展，但社区将其用于自动更新 Memory Bank 文件，变相实现了类似 OpenClaw flush 的效果 [源码]。

核心特色：PreCompact hook 提供了社区自建 flush 的扩展点，但不是内建功能。

6. Aider — 显式文件驱动，无自动学习

Aider 完全没有自动记忆——它的”记忆”是显式的、文件驱动的 [文档]：

• CONVENTIONS.md：手动编写的编码规范文件，通过 --read 加载为只读上下文
• Repo Map：使用 tree-sitter 解析 AST + PageRank 变体算法，自动生成代码库结构摘要（约 1/10 token）
• .aider.conf.yml：配置文件，可设置自动加载的只读文件
• /compact 命令：压缩对话但不做记忆写入

核心特色：Repo Map 是独特创新——用图算法代替记忆系统来理解代码库。但这是代码结构理解，不是学习用户偏好。

记忆写入策略对比

flowchart TB
    subgraph trigger["写入触发时机"]
        CC_T["Claude Code<br/>每次无工具响应后"]
        CX_T["Codex<br/>session 启动时"]
        OC_T["OpenClaw<br/>上下文将满时"]
        CU_T["Cursor<br/>聊天过程中"]
    end

    subgraph process["处理方式"]
        CC_P["forked agent<br/>fire-and-forget"]
        CX_P["并行 worker<br/>→ consolidation agent"]
        OC_P["嵌入式 agent<br/>静默轮次"]
        CU_P["后台模型<br/>两段分析"]
    end

    subgraph output["产出"]
        CC_O["topic.md 文件<br/>（按主题分）"]
        CX_O["SQLite → MEMORY.md<br/>（全局合并）"]
        OC_O["memory/YYYY-MM-DD.md<br/>（按天分）"]
        CU_O["云端记忆条目<br/>（按项目分）"]
    end

    CC_T --> CC_P --> CC_O
    CX_T --> CX_P --> CX_O
    OC_T --> OC_P --> OC_O
    CU_T --> CU_P --> CU_O

记忆读取策略对比

关键洞察：四种读取策略反映了不同的工程权衡——Claude Code 花最高成本追求精准（LLM 做检索），Codex 用最低成本做全量注入（代价是 token 浪费），OpenClaw 用时间窗口做近似（假设近期信息最相关），Cursor 用向量检索做中间路线。

Compaction 与记忆的关系

这是区分 Coding Agent 记忆成熟度的关键维度：

Profile 系统对比

详细对比见 MCP 记忆集成层 · Profile 机制对比

三个梯队的演进预测

flowchart LR
    subgraph t1["第一梯队：完整自动记忆"]
        CC["Claude Code"]
        CX["Codex"]
        OC["OpenClaw"]
    end

    subgraph t2["第二梯队：刚起步"]
        CU["Cursor Memories Beta"]
    end

    subgraph t3["第三梯队：无内建记忆"]
        CL["Cline"]
        AD["Aider"]
    end

    t3 -->|"MCP 外挂<br/>弥补差距"| EXT["MCP 记忆服务<br/>supermemory / DB-Agent-Memory"]
    t2 -->|"内建增强"| t1
    t1 -->|"MCP 扩展<br/>互补增强"| EXT

预测：

• 第三梯队（Cline/Aider）将通过 MCP 外挂弥补记忆空缺——Cline 已有 MCP 原生支持，接入 supermemory 或 DB-Agent-Memory 即可获得完整记忆能力
• Cursor 会继续完善 Memories Beta，可能从项目级扩展到跨项目
• 第一梯队内部，OpenClaw 的 Host-Adapter 架构使其最适合与 DB-Agent-Memory 深度集成，形成”内建+外部”双轨记忆

局限性

1. Cursor Memories Beta 信息有限：实现细节基于公开文档和社区分析，内部架构不确定 [文档]。
2. OpenClaw 源码分析基于单次 clone：可能遗漏最新变更 [源码]。
3. Aider 分析基于文档：未深入源码验证 [文档]。
4. 延迟数据为估算：未做实测对比 [推导]。

证据等级汇总