文章摘要
MemoraXCode是为解决不同AI编码工具上下文无法共享问题而生的轻量化记忆工具。在智能体记忆基础设施竞争中，开发该产品的国产初创团队崭露头角。它将长期记忆嵌入编码工作流，安装简洁，能无缝打通不同编码智能体、构建项目专属记忆库。其背后是双回路记忆系统，智能体记忆系统有重要行业价值，未来会有更多国产团队加入赛道。

很多AI编码开发者都有过这样的困扰：先用高性价比的模型快速搭建项目骨架，再切换到更强的智能体做审查和规划，但不同工具之间的上下文无法共享，直接让智能体读取源码不仅消耗大量令牌，还容易丢失关键信息。MemoraX Code正是为解决这个问题而生的轻量化记忆工具。

过去一年里，智能体记忆（Agent Memory）已经从小众学术概念成长为独立技术赛道。头部玩家Mem0在GitHub收获4.8万星标，完成2400万美元融资；主打操作系统式记忆分层方案的Letta，也拿到同量级A轮融资。赛道上还有Zep、LangMem、Cognee等一众跟进者，让这个领域的竞争愈发激烈。

在这场智能体记忆基础设施的竞争中，一支成立不足半年的国产初创团队崭露头角。在今年7月底由清北等高校及研究机构发起的AML（Agent Memory Leaderboard）商业产品组评测中，该团队的产品拿下第一名，这就是MemoraX。他们推出的MemoraX Code，相比通用记忆框架有了更明确的落地场景。

与纯通用记忆框架不同，MemoraX Code将长期记忆深度嵌入编码智能体工作流，在会话关闭、上下文压缩和多智能体协作场景中保留关键记忆，让不同AI编码工具之间的协作变得顺畅。

为了验证MemoraX Code的实际效果，我们选择了一个真实开发场景：配合Codex和Claude Code协同迭代一款「实时语音聊天转社交平台推文」的App。这次测试用的工具，是团队成员此前通过即兴编码开发的「AI语音采访与内容生成」应用。

按下快捷键开启语音输入，通过本地Whisper模型或豆包语音API完成实时转录；DeepSeek根据用户回答逐句追问，模拟语音采访；最终将整场对谈提炼为适配微博、朋友圈或小红书的图文草稿。不过这个初始版本还有不少粗糙之处，正好可以通过MemoraX Code优化开发流程。

MemoraX Code的安装流程非常简洁，只需要在Claude Code或Codex中执行一行命令即可完成自动安装：

npm install -g @memorax/memorax-code --foreground-scripts

安装完成后，日常使用无需额外下载应用或安装框架，它会以Skill的形式自动运行，在需要处理记忆相关任务时被智能体调用，整体体验非常轻便。

无缝打通不同编码智能体

当我们用Codex完成项目骨架搭建后，想要转到Claude Code中审查架构、讨论后续规划时，MemoraX Code的价值就凸显出来了。通常在搭建骨架的过程中，我们会经历多轮对话，上下文已经变得很长，甚至经过多次压缩。如果直接让Claude Code中的Fable 5读取完整上下文，不仅消耗大量令牌，还可能超出订阅额度限制，同时过长的上下文也会降低处理效率。

MemoraX Code会在日常开发中，直接从Claude Code、Codex的运行记录中提取关键记忆，提前完成记忆精简。此时只需要在Claude Code中发送「继续Codex里刚刚关于这个语音项目的讨论」，就可以直接调用MemoraX Code的Skill，自动同步之前的上下文信息。

MemoraX Code还提供了网页端管理面板，可以按项目和ID存储智能体运行记忆。所有开发信息都会经过多轮精简，自动归类到对应项目中，每个项目下都包含记忆摘要和关键事实。同时这个Skill的规范明确要求，将存储的记忆作为参考假设，使用当前代码验证，且验证不会扫描全部上下文，既保证了调用效率，也确保了结果准确。

构建项目专属记忆库

在开发过程中，我们会积累大量issue、PR和commit记录。此时可以直接让智能体调用MemoraX Code技能，自动构建Repo Memory，拉取最近的相关记录，完整记录项目开发历程。比如我们可以看到搭建本地语音聊天模块、调用DeepSeek接口等关键commit的详细信息。

在Codex中开发时，我们还可以让智能体直接回顾Repo Memory中的最新issue。这些issue可能是之前用Claude Code创建的，现在可以直接通过Codex查询，因为两个智能体已经通过MemoraX Code完成了上下文打通。

日常开发中，我们也可以让主力智能体使用MemoraX Code技能，构建项目级开发记忆库。比如在Codex中完成记忆库创建后，可以新建会话甚至切换到Claude Code，让MemoraX Code直接回忆之前的开发经验，按优先级从P0到P10列出优化建议。

由于记忆可以跨智能体调用，我们可以实现流畅的开发流程：先用Codex Terra这款高性价比模型快速搭建骨架，再转到Claude Code的Fable 5进行审查和规划，最后无缝转回Codex继续开发，甚至可以切换到Luna模型完成最终收尾。

回到这款语音采访工具本身，用户在实时语音对话中说出的所有内容，以及和AI的互动记录，都会自动存入应用记忆库，再通过DeepSeek转化为适配各大社交平台的稿件，辅助完成头脑风暴。整体使用下来，MemoraX Code的轻量化体验非常明显，在两个智能体交替协作的场景中，记忆交互几乎实时，体感和在单个智能体中开发没有明显差别。

背后的双回路记忆系统

根据官方披露的信息，MemoraX Code背后是一套双回路系统，分为在线和离线两个部分，两者通过MemoraX Cloud形成完整的数据闭环。

在线回路：意图→记忆→执行。当我们用自然语言向智能体下达编码任务时，比如「继续修复这一组相关Bug」，系统会先通过大模型进行意图理解，再进行记忆检索，不会直接使用原始文本检索。记忆部分由MemoraX Local和MemoraX Cloud组成：MemoraX Local负责代码仓记忆的冷启动，比如关键入口、历史PR和Issue、重要决策、当前实现细节等；MemoraX Cloud负责跨智能体、跨终端的动态记忆沉淀，存储用户偏好、开发流程、跨会话经验和失败案例等。整个记忆层不绑定任何特定智能体，属于与开发框架无关的中间层。

这个方案的核心特点之一，就是不会将全部记忆灌入上下文，而是根据实际需求裁剪精简，这也是提升开发效率的关键。

离线回路：迭代飞轮。除了数据闭环之外，这套系统的奖励机制也很重要。训练过程中有三类奖励信号：写入奖励，判断记忆是否值得存储；召回奖励，验证检索到的记忆是否准确；任务结果奖励，判断记忆是否促进任务成功。整个系统的底座是完整的Agentic RL训练基础设施，包含沙箱环境、奖励计算、评测体系和分布式训练框架。线上用户的使用轨迹会持续反哺模型训练，形成记忆模型的迭代飞轮，使用频率越高，模型效果越好。

智能体记忆的行业价值

Andrej Karpathy在2025年6月提出「上下文工程」时，曾用广为流传的类比解释大模型逻辑：大模型就像是CPU，上下文窗口则是它的内存。顺着这个逻辑延伸，智能体记忆系统本质上解决的是操作系统级的调度问题：哪些信息应该放入当前上下文内存，哪些应该被置换出去，哪些又值得写入磁盘长期留存。

同年在Sequoia AI Ascent活动中，他又提出「Agentic Engineering」概念，区分系统化AI编码和即兴编码。他指出，真正用好AI开发，关键在于做好需求设计、理解代码改动、完成测试和保障安全，而这些环节几乎都重度依赖智能体记忆系统，这也正是Agent Memory赛道的真正价值所在。

当前Agent Memory赛道已经有多种解决方案，包括轻量型工具、开源框架和MemoraX Code这类国产商用产品。目前还无法确定哪一种方案会成为行业标准，但可以预见的是，未来一年里，将会有更多国产团队的名字出现在这个赛道上。

以上内容不代表本平台立场，仅供读者参考