AI 工具与平台切换 + agentmemory 跨会话记忆
一个越来越常见的处境：之前买的 AI 服务涨价了（AI 服务商拿到大量客户后轮流涨价是常态），或者公司统一换了工具——想从 Claude Code 切到 Codex、Trae、OpenCode，怎么办？这一节讲两件事：配置资产迁移的通用打法（把
.claude一套转成新工具认的格式），以及跨会话记忆的免费方案 agentmemory。与前面章节的分工：第 3 章 06 节讲过 cc-switch 这类配置切换器（同一工具内换供应商），第 5 章 03 节讲过 claude-mem 的 Hook 机制与工作流。本节不重复这些，聚焦"跨工具迁移怎么落地"和"agentmemory 这个免费方案本身"。
一、切换工具的本质：迁移的是配置资产
在 Claude Code 里养成的资产清单：CLAUDE.md（项目规范）、.claude/rules/（规则）、skills（技能）、hooks（钩子，比如"改代码后自动同步文档"）。切到 Codex，等价物是 AGENTS.md + .codex/ 配置；切到 OpenCode 等工具，又各有自己的文件格式与路径。
迁移的关键决策：在哪个工具里做迁移？
两种做法：
- 在 Claude Code 里让它生成 Codex 的配置——不推荐。想切换的时机往往正是旧工具不可用的时候（订阅到期、服务涨价、公司禁用），指望旧工具干活不现实。
- 在新工具里做（推荐）。本地安装并启动 Codex，以较高权限模式运行（如
codex --full-auto，允许它自动执行文件操作），让它读取旧的.claude资产，生成自己认的配置。
迁移提示词（实测可用）
在 Codex 里发送：
读取本项目的 .claude 目录（CLAUDE.md、rules、skills、hooks 配置），
生成配套的 Codex 使用的 .codex 及 AGENTS.md 文件。
了解项目的基本结构及技术栈，记录下来。
text
Codex 会创建项目级的 .codex/ 配置（与 .claude/ 的定位一致），并生成 AGENTS.md——后者大部分内容可直接复用 CLAUDE.md，措辞略有调整。换 OpenCode、Trae 等任何工具同理：让目标工具自己读旧配置，按它认识的格式和路径生成。模型间的差异越来越小，这类"翻译"活它们都做得来。
成本考量：迁移用不着旗舰模型
迁移 rules 和 skills 属于机械性工作，用旗舰模型是"杀鸡用牛刀"，可以选便宜、性价比高的模型来做。但如果你希望迁移结果在本地长期稳定可跑，也可以直接用中档模型一步到位——迁移产出的配置文件会在后续每个会话里生效，多花一点 token 换稳定是值得的。
怎么验证迁移成功：考一考它
不要只看文件生成了没有，直接问它细节。例如项目里曾配置过"编辑代码后自动更新文档"的钩子，就问：这个钩子你有没有一并迁移？
实测结果：Codex 不仅迁移了配置，还把钩子行为完整复刻——改代码后自动进入 hook、注入文档同步需求、修改公共代码后立即提示同步文档、git commit 前检查（有未同步文档则阻止提交）、任务结束时再次检查（未同步则要求继续处理），最后跑了一遍测试且全部通过。
会话纪律：别在一个会话里聊到天荒地老
迁移完开新会话干活，这是必须养成的习惯。原因有二：
- 上下文挤压：前面会话的内容占掉大模型的输出空间，越往后输出越不准确；
- 自动压缩丢信息："上下文给得越足越准"只在高复杂度问题上部分成立。像 1M 上下文窗口的模型，一旦占用超过 80%，会触发工具的 auto-compact（自动压缩），而压缩会滤除一部分信息——不是无损的。
新任务开新会话，配合下面要讲的跨会话记忆工具补回"它不记得上个会话"的短板。
二、跨会话记忆：三个方案的定位
| 方案 | 定位 | 适合谁 |
|---|---|---|
| claude-mem | Claude Code 生态起步的记忆插件，现已扩展支持 OpenClaw、Codex、Gemini、Hermes、Copilot、OpenCode 等十余种 agent（GitHub README，2026-10 核实） | 以 Claude Code 为主力 |
| Mem0 | 跨 agent 记忆层，原生 MCP 支持 | 以 Codex 为主力 |
| agentmemory | 免费、跨 agent、原生 MCP、本地优先 | 不想花钱且要跨会话/跨 agent |
claude-mem 的机制（Hook 自动监听、Observations、smart-explore）第 5 章 03 节已详讲，不重复。下面重点讲 agentmemory。
三、agentmemory：免费的跨 agent 记忆方案
基本信息（2026-10 核实自 GitHub rohitg00/agentmemory）
- 定位：AI coding agent 的持久记忆——"Your coding agent remembers everything. No more re-explaining"。基于 iii engine（锁定 v0.22.1）构建，本地优先（SQLite 存储，默认自托管、不上云）。
- 支持面：约 20 个 agent 适配器。Claude Code（原生插件：12 个 hooks + 17 个 skills + 54 个 MCP 工具）、Codex CLI（原生插件：6 hooks + MCP）、Cursor（7 hooks + MCP）、GitHub Copilot CLI、OpenCode、OpenClaw、Gemini CLI、Devin、Zed、Cline、Continue、Warp、Antigravity、DeepSeek Harness、pi / Oh My Pi 等，以及任何 MCP 客户端（README 领衔列表 2026-11-07 核实）。
- 文档：README 提供包括简体中文在内的 20 余种语言文档。
- 检索：BM25 关键词 + 向量 + 图谱三路混合（RRF 融合）；无 key 的 keyless 模式只有 BM25，设
EMBEDDING_PROVIDER=local后启用本地向量（首次下载 all-MiniLM-L6-v2 模型，之后推理全在本地、零成本）。
安装与接入
# 标准安装（@latest 避免 npx 命中旧缓存版本）
npx -y @agentmemory/agentmemory@latest
bash
首次运行是交互式引导：选择要接入的 agent（Claude Code、Cursor、Codex、Gemini CLI、OpenCode…）、选择 LLM provider 或保持 keyless，然后自动写入配置、启动记忆服务器，并可全局安装成裸 agentmemory 命令。
Claude Code 走插件市场更完整（自动注册全部 hooks、skills 和 MCP）：
/plugin marketplace add rohitg00/agentmemory
/plugin install agentmemory
text
后续随时补接其它 agent：
agentmemory connect <agent> # 如 connect codex
agentmemory stop # 干净停止
agentmemory doctor # 交互式诊断
bash
本地运行占用四个端口：3111（REST / MCP HTTP）、3112（iii 流）、3113（实时查看器 Viewer）、49134（worker WebSocket）。浏览器打开 http://localhost:3113 可以实时看记忆的生成过程。
性能与成本（官方基准，自测口径）
- LongMemEval-S（ICLR 2025，500 题）：agentmemory 混合检索 R@5 95.2%、R@10 98.6%、MRR 88.2%；纯 BM25 回退为 86.2%。对比：mem0 在 LoCoMo 数据集公布值 68.5%、Letta/MemGPT 83.2%（不同数据集，仅量级参考，官方也注明非同场对比）。
- token 成本：每年全量贴上下文需 19.5M+ token（超窗口，不可行）；LLM 摘要约 650K token / 约 500；agentmemory约170Ktoken/∗∗约10 每年**；配本地 embedding 则 $0（约每会话 1,900 token）。
记忆生命周期与回放
- 四层整理 + 衰减 + 自动遗忘：working → episodic → semantic → procedural 逐层巩固，长期不用的记忆自动衰减，避免越积越脏。
- Session Replay：每个历史会话可在 Viewer 里回放（提示词、工具调用、工具结果、响应按时间线渲染，支持 0.5x–4x 变速）。
- 导入历史会话：
agentmemory import-jsonl可把~/.claude/projects下的 Claude Code JSONL 转录导入索引。注意 Claude Code 的cleanupPeriodDays（~/.claude/settings.json，默认 30 天）会自动删掉更早的 JSONL——想保历史要么调大该值，要么装 hooks 实时捕获。 - LLM 接入：可接 OpenAI 或 Anthropic，前期没 key 时也可以先接本地 Ollama 跑通（embedding 同理走本地）。
npx 缓存坑
裸 npx agentmemory 会命中旧版本缓存。两个解法：始终带 @latest，或一次性清缓存：
rm -rf ~/.npm/_npx # macOS / Linux
bash
四、选型建议（一图收束）
三者的共同价值：把"我在这个项目里的会话经验"变成跨会话可调用的资产——这个项目里教会 AI 的做事方式，换个会话、换个工具还在。这正是下一节章小结要展开的主题。
下一节：后编程时代，把经验沉淀成可复用的 AI 资产。
↑