工具資訊
| 項目 | 值 |
|---|---|
| 名稱 | Memanto |
| 類型 | CLI + SDK(Python/TS/Go)+ MCP server |
| GitHub | moorcheh-ai/memanto |
| Stars | 2.4k(查核時 GitHub 頁面顯示為 2.4k,無法取得精確整數;forks 743) |
| 語言 | Python(核心與 CLI),TypeScript/Go 為官方 SDK |
| 授權 | MIT |
| 安裝 | pip install memanto |
解決什麼問題
你幫同一個專案接了好幾個 agent——Claude Code 寫後端、Cursor 改前端、Codex 跑重構——結果三個月後發現,其中兩個 agent 對「我們用哪個資料庫」這件事有完全不同的答案:一個記得三月定的 Postgres,另一個記得上週才改成 MongoDB,誰都不知道對方記的是舊的。多數記憶工具只負責「存」,不負責「這兩筆互相矛盾,你要不要看一下」。
Memanto 把自己定位成「記憶 agent」而不是「記憶 API」:remember 寫入時不呼叫任何 LLM 做抽取,也不用建向量索引,寫完立刻可被任何 agent 檢索到;底層跑的是作者自家的 Moorcheh 檢索引擎(把 embedding 壓縮成二進位再做資訊理論式排序,不是最近鄰向量搜尋),同一個查詢每次回傳結果都一樣,方便除錯。每筆記憶都有型別(決策、偏好、事實、失敗經驗……13 種)、信心分數、來源與時間戳;當新資訊和舊的衝突,Memanto 不是直接覆蓋,而是讓新的「取代」舊的但保留歷史版本,並把跨 agent 的矛盾標記出來等你人工確認。到期也是規則驅動:你寫一份 YAML policy 決定哪種型別記憶該在幾天後退休,退休的記憶會被標記但仍可還原,不是直接刪掉。
- Agent A 寫入「用 Postgres」
- Memanto 回覆寫入完成
- Agent B 寫入「用 MongoDB」
- Memanto 偵測到矛盾,標記待審
- Agent B 查詢「資料庫用哪個」
- Memanto 回傳目前版本與矛盾紀錄
適合場景:同一個專案同時掛了多個 coding agent,需要共用一份「現在是真的」的知識;需要把 agent 做過的決策、踩過的坑整理成可稽核的記憶流水帳,而不是信任 agent 自己口述過去;或者想把記憶從某個平台(Mem0、Letta、Supermemory 等)搬到另一個,又不想重新打一輪資料。
快速上手
安裝
免安裝、託管版(今天上線的 Memanto Cloud,瀏覽器登入即可,不用 Docker):
pip install memanto
memanto login # 瀏覽器授權,不用複製貼上 API key
memanto connect # 選要接的工具:claude-code、cursor、codex... 共 15+ 種
完全地端、資料不出機器(需要 Docker + Ollama):
pip install memanto
memanto # 互動選單選「Memanto local」→「on-prem」
接上 MCP(任何 MCP 相容客戶端一行設定):
pip install memanto-mcp
{
"mcpServers": {
"memanto": {
"command": "memanto-mcp",
"env": {
"MOORCHEH_API_KEY": "mch_xxxxxxxxxxxxxxxxxx",
"MEMANTO_DEFAULT_AGENT_ID": "my-assistant"
}
}
}
}
MOORCHEH_API_KEY 可在 console.moorcheh.ai 免費申請,免費額度每月 10 萬次操作,不用卡號。
基本用法
# 週一:backend agent 學到一件事
memanto remember "Auth migrated to JWT — session cookies deprecated" --type decision
# 週五:review agent 從沒看過那個 session,但已經知道
memanto recall "how does auth work"
memanto answer "why did we drop session cookies?" # 從記憶裡找證據回答
MCP 介面則對應 7 個預設開放的工具:remember、batch_remember、recall、recall_recent、recall_as_of、recall_changed_since、answer。
進階用法
查某個時間點「當時」agent 相信什麼,以及這段時間改了什麼:
memanto recall "deployment policy" --as-of 2026-10-01
memanto recall "deployment policy" --changed-since "last 7 days"
寫自己的到期政策(存在 ~/.memanto/policies/<agent>.yaml):
retention:
context: 7d
event: 30d
preference: never # 使用者偏好這類持久事實不過期
rules:
- name: low-confidence-guesses
match: {provenance: [inferred], confidence_below: 0.5}
expire_after: 14d
與現有工具的比較
| Memanto | Mem0(agentic 流程) | 手寫在 CLAUDE.md / AGENTS.md | |
|---|---|---|---|
| 寫入時呼叫 LLM | 不呼叫 | 呼叫(抽取實體/建圖) | 不適用 |
| 寫完多久可被檢索 | 立刻 | 需等索引(README 實測約 48 分鐘) | 立刻(但是純文字,agent 要自己判斷真假) |
| 跨 agent 矛盾偵測 | 有,自動標記待審 | 無內建機制 | 無,全靠人工發現 |
| 到期 / 過時記憶清理 | 政策驅動,可還原 | 需自行實作 | 檔案只會越長 |
| 完全地端跑 | 可以(Docker + Ollama) | 視部署方式 | 本來就是本機檔案 |
| MCP 原生支援 | 有(memanto-mcp,7+4 個工具) | 需另接 | 不適用 |
注意事項
- 雲端模式仍要一支 Moorcheh API key:免費額度每月 10 萬次操作,超過要付費;只有選「Memanto local + on-prem」才完全不需要任何 key、資料也不出機器。
- README 自己揭露的 benchmark 限制:作者在文件裡坦白寫「不同專案發布的分數不能直接比較,讀者模型、裁判模型、裁判 prompt 都會讓結果跑掉幾個百分點」,也公開列出自己在對抗性測試套件裡輸給 Mem0 的項目(放進更多過時/被污染的記錄到檢索結果前段);把這些數字當方向參考,不要當絕對值。
- 和專案既有的
CLAUDE.md/AGENTS.md記憶慣例會重疊:導入前先想清楚哪一個是 single source of truth,不然等於多了一套要同步的記憶來源。 - Admin 工具預設關閉,開啟前想清楚:MCP server 預設只開放讀寫記憶的 7 個工具,
create_agent/delete_agent這類管理工具要手動設MEMANTO_EXPOSE_ADMIN=true才會出現,避免 agent 誤刪掉別的 agent 的記憶空間。
今日收穫
多數 agent 記憶工具在優化「怎麼存、怎麼搜」,Memanto 的切入點是「怎麼知道哪筆記憶現在才是對的」——在單一 agent、單一 session 的場景下,檢索準確率確實是主要瓶頸;但一旦變成多個 agent 共用一份記憶,版本化與矛盾偵測的重要性會超過單純的搜尋精準度,這也是為什麼它在「同一件事情被反覆修正」的時序測試集上,領先得比一般檢索準確率測試明顯更多。