OptMem：用 426 行提示词给 AI Agent 装上永久记忆

想象一下：你让 AI 帮你处理了一个复杂项目，花了半小时讲清了你们的代码库结构、业务背景和关键偏好。结果下次对话，它完全不记得了，你不得不从头再讲一遍。每一个新会话，AI 都是一张白纸——这是当前 AI Agent 最大的痛点之一。

Victor Taelin（里约热内卢，Higher Order Company）决定解决这个问题。他的方案：不依赖任何外部服务，不引入数据库，只用一个 Python 脚本，让 AI Agent 拥有跨越会话的永久记忆。这就是 OptMem。

图1：OptMem 核心机制演示——记忆如何追加、合并与检索

一个函数式程序员的 AI 记忆实验

Victor Taelin 在 GitHub 上有 6076 个粉丝，是典型的深而窄技术型创作者。他的代表作包括 HVM（一种与最优 λ-演算归约算法完美匹配的计算模型，951 ★）和 WebMonkeys（大规模 GPU 并行编程，1441 ★），以及 AI-scripts（实用的 AI 脚本集，693 ★）。

OptMem 诞生于 2026 年 7 月 25 日，距今不到一周，却在 AI Agent 圈迅速传播——830 颗星，大量 AI 工程师和研究者在 Issues 里讨论如何将它集成到自己的 Agent 工作流中。项目没有任何商业化意图，代码完全开源，文档简洁到极致：安装一条命令，使用一个脚本。

核心理念：固定宽度 + 二叉合并树

OptMem 的设计哲学异常清晰：append-only（只追加），fixed-width（固定宽度），O(1) 查找。

每一条记忆被写入 ~/.optmem/memory/LOG.txt，每条记录固定 320 字节。由于宽度固定，第 N 条记忆的位置 = N × 320 字节，不需要扫描文件，直接 seek 定位。官方测试显示：百万条记忆（608 MB），wake 命令仅需 0.03 秒。

但 append-only 会导致文件无限膨胀。OptMem 的解法是二叉合并树（Binary Merge Tree）：

• TREE/ 目录存放摘要文件，每块固定 288 字节
• 较新的记忆保持原始粒度，较旧的记忆逐步合并成 2、4、8……条一组的摘要
• memo wake 按预算行数输出：最近细节丰富，古代只有高层概括
• 整个 TREE 是缓存，可以从 LOG.txt 完全重建——TREE 删了无妨，下次 wake 自动恢复

这套机制精妙之处在于：细节随时间自然衰减，但永远不会丢失；摘要的合并（memo nap）由 AI 自己驱动，Agent 认为某条记忆需要压缩时才会触发。

极简安装：一条命令，全是 Python

安装过程干净利落：

curl -fsSL https://raw.githubusercontent.com/VictorTaelin/OptMem/main/install.sh | sh

脚本下载 memo 到 ~/.optmem/，执行 memo init，打印一段 426 token 的提示词。把这段提示词粘贴到 Agent 的 AGENTS.md 或 CLAUDE.md 顶部，集成即完成。

没有 Docker，没有依赖包，没有任何花哨功能——只有一个 31 KB 的 Python 3 脚本（含详细注释），运行在任意安装了 Python 3 的机器上。Windows 原生支持也已就绪。

核心命令：六个操作，覆盖完整生命周期

一个典型工作流：wake → 工作过程中 note 随时记录 → 需要时 recall 检索 → AI 触发压缩时 nap 处理合并。完全按需，没有任何后台进程，没有任何打扰。

OptMem 还考虑了多 Agent 场景：并行子 Agent 不得运行 memo（会重复记录），主 Agent 需要在启动提示词里明确声明这一点。

代码质量：严谨到令人惊讶

阅读 memo 源码会发现，Victor 在正确性上毫不妥协：

• 5000 条合成记忆的不变量测试套件（test.py），验证二叉树数学性质
• 固定宽度记录的设计让并发写入安全（fcntl / msvcrt 文件锁）
• 内存预算（WAKE_LINES）的调整零开销——只影响读取，不触发重计算
• PART_CHARS=30000 直接对应 Claude Code 的输出截断上限，每个设计参数都有具体理由

这份代码体现了函数式程序员的典型风格：用数学约束保证正确性，用最小原语构建复杂行为。

局限与争议

OptMem 并非银弹，有几个需要注意的点：

1. 无加密：记忆明文存储在本地文件系统，适合个人使用，不适合多用户协作场景
2. 纯本地：没有云端同步，$MEMORY_DIR 可以指向 git 仓库实现手动同步，但跨设备体验有限
3. 依赖人工判断：哪些值得记录、摘要质量如何，完全靠 Agent 的判断力，缺乏自动化
4. 固定宽度上限：单条记忆 280 字符限制，不适合存储长篇上下文

行业意义：从无状态到有记忆的范式转变

830 颗星在绝对数量上不算惊人，但上线不到一周就达到这个数字，说明社区对 Agent 记忆问题的共鸣极强。当前的 AI Agent 框架（LangChain、CrewAI、AutoGen 等）普遍依赖向量数据库来解决记忆问题——OptMem 用一个 31 KB 脚本给出了完全不同的思路：固定宽度追加 + 二叉树摘要 = 简单、可靠、可审计。

这是对复杂框架解决一切路线的一次有力反驳。对于真正追求简洁和可控的开发者，OptMem 提供了极有吸引力的选择。

作者：Victor Taelin（里约热内卢），Higher Order Company，GitHub 6076 followers | Stars：830（2026-07-29）