So wechseln Sie zwischen Claude Code und Codex, ohne den Kontext zu verlieren

Vertraute Situation: Sie sitzen im Terminal mit Claude Code, debuggen seit eineinhalb Stunden einen kniffligen Bug in einer verteilten Queue, haben fünf nicht funktionierende Hypothesen ausprobiert und schließlich die richtige Lösung gefunden. Dann wächst die Session, der Kontext wird komprimiert oder die Limits werden erreicht. Sie wechseln zu Codex oder OpenCode im selben Ordner, und das Zirkus beginnt. Der neue Assistent muss von Grund auf eingewiesen werden: warum man die NGINX-Konfiguration nicht anfassen darf, welche Tests bereits fehlgeschlagen sind und welche Datenbankstruktur wir vor zwanzig Minuten gewählt haben.

Das Projekt ai-memory zielt darauf ab, dieses Problem ein für alle Mal zu lösen. Es wurde von Fabio Akita entwickelt (in der Community bekannt als AkitaOnRails). Die Idee ist, Konsolen-KI-Agenten gemeinsames Langzeitgedächtnis und automatischen Kontextwechsel zwischen Sessions und verschiedenen Modellen zu geben.

Was ist die Grundidee

Normalerweise bedeutet „KI-Gedächtnis" eine Vektordatenbank, in die rohe Dialogprotokolle als Embeddings abgeladen werden. In der Praxis sind diese Protokolle voller Müll: Zwischenaufrufe von Tools, wiederholte Testläufe, Syntaxfehler.

Der Autor von ai-memory hat einen anderen Weg eingeschlagen, inspiriert von Karpatkys LLM Wiki-Konzept. Hier wird das Gedächtnis als reguläres Wiki aus Markdown-Dateien in einem Git-Repository strukturiert. Der Server fängt Agent-Lebenszyklus-Events ab, bereinigt sie von unnötigem Rauschen und erstellt am Ende der Session eine komprimierte Zusammenfassung: was wurde gemacht, welche Schlussfolgerungen wurden gezogen, welche Aufgaben sind noch offen.

Wenn Sie ein neues Terminal mit einem anderen Agenten öffnen, füttert das Tool automatisch eine strukturierte Zusammenfassung direkt vor der ersten Eingabeaufforderung. Kein manuelles Kopieren in die Zwischenablage.

Unter der Haube und im Terminal

Der Server ist in Rust geschrieben. Er startet einen lokalen Dienst mit MCP (Model Context Protocol)-Unterstützung, Lifecycle-Hooks und einer eingebauten Weboberfläche.

Es unterstützt praktisch alle aktuellen Agent-CLIs:

• Claude Code
• OpenAI Codex
• Command Code
• Devin CLI
• OpenCode, Cursor, Zed
• Gemini CLI, Grok Build CLI, Kimi Code, Kiro CLI, Pi / OMP

Die Daten werden lokal in einem einzigen Verzeichnis gespeichert:

<data_dir>/
├── wiki/    # Markdown-страницы под версионным контролем Git
├── raw/     # очищенные сегменты сессий
├── db/      # SQLite с индексами FTS5, сущностями и эмбеддингами
└── logs/    # логи работы

Jedes Projekt wird durch Repository-Pfad oder über eine Marker-Datei .ai-memory.toml isoliert. Wenn Sie mit einem Monorepo oder mehreren Git-Worktrees arbeiten, werden diese in einen einheitlichen Kontext verknüpft.

Wichtige Funktionen in der Praxis

Nahtloses Wechseln zwischen Agenten

ai-memory hat einen verwalteten Session-Modus ai-memory run. Er funktioniert einfach:

cd /path/to/project
ai-memory run claude

# Закончили работу в Claude Code, продолжаем задачу в Codex:
ai-memory run codex --yolo

# А потом возвращаемся к сессии через Command Code:
ai-memory run command-code

Der Agent liest beim Start den Block „wo wir aufgehört haben". Er enthält aktuelle Architekturentscheidungen, offene Fragen und Testergebnisse. Wenn Sie keinen Agentennamen angeben, wählt der Befehl ai-memory run automatisch die aktuellste aktive Session im aktuellen Ordner.

Der Befehl ai-memory continue geht noch weiter: Sie können ihn von einem beliebigen Ordner aus aufrufen, und er bringt Sie zurück zum Projekt, an dem Sie zuletzt gearbeitet haben.

Wiki statt Log-Dumps

Die gesamte Wissensdatenbank wird als Klartext gespeichert. Sie können sie in Obsidian öffnen, mit grep lesen oder im eingebauten Browser auf Port 127.0.0.1:49374/web durchsuchen.

Wenn Sie eine wichtige Projekt-Regel festhalten möchten, sagen Sie dem Agenten einfach: „Speichere dauerhaft, dass wir NATS JetStream für Queues verwenden." Der Agent ruft das MCP-Tool memory_write_page auf, und eine versionierte Markdown-Datei erscheint im Repository.

Die Suche in der Wissensdatenbank ist hybrid. SQLite FTS5 Volltextsuche läuft zuerst, dann Entitätsabgleich und Graph-Verbindungen zwischen Seiten. Wenn Sie ein Embeddings-Modell anschließen, wird auch Vektorsuche hinzugefügt.

Gleichzeitig kann ai-memory zwischen stabilen Architekturregeln und temporären Session-Notizen unterscheiden und stabile Seiten aus den Ordnern _rules/ und decisions/ priorisieren.

Arbeiten ohne externe LLMs

Ein interessantes Detail: ai-memory startet ganz ohne Neural-Network-API-Keys. Im „Zero-LLM"-Modus funktioniert die Suche über FTS5 und Entitäten, und Session-Zusammenfassungen werden mit deterministischen Regeln zusammengestellt.

Wenn Sie Keys konfigurieren (Anthropic, OpenAI, Gemini oder lokales Ollama über einen kompatiblen Endpunkt), aktiviert das Tool intelligente Seitenkonsolidierung, Konflikterkennung in der Wissensdatenbank und Hintergrund-Selbstlernen für das Projekt.

Schnellstart über Docker

Der schnellste Weg, den Server auf Ihrem Arbeitsplatz bereitzustellen:

# 1. Запускаем локальный сервер
docker run -d --name ai-memory \
    --restart unless-stopped \
    -p 127.0.0.1:49374:49374 \
    -v ai-memory-data:/data \
    -e AI_MEMORY_LLM_PROVIDER=anthropic \
    -e ANTHROPIC_API_KEY=sk-ant-... \
    akitaonrails/ai-memory:latest

# 2. Подключаем MCP и хуки для Claude Code
ai-memory install-mcp   --client claude-code --apply
ai-memory install-hooks --agent  claude-code --apply

Für Arch-Linux-Nutzer sind fertige Pakete ai-memory-bin mit systemd-Units im AUR verfügbar. Native Binärdateien für Apple Silicon und Intel werden für macOS veröffentlicht.

Wenn der Server auf einen Heimserver oder ein lokales Netzwerk verschoben wird, wird die Sicherheit über Bearer-Tokens konfiguriert. Der Server lauscht auf Anfragen, verifiziert die Autorisierung und trennt Gedächtnisse zwischen mehreren Entwicklern über Operator-Slots.

Wofür es nützlich ist

Das Tool löst drei spezifische Aufgaben.

Erstens — Multi-Agent-Entwicklung. Es ist schneller, eine Aufgabe in Claude zu entwerfen, sie in Codex zu refaktorieren und die Code-Review über Gemini zu machen. Ohne eine gemeinsame Gedächtnis-Schicht wird dieser Workflow zur endlosen Kontext-Kopier-Routine.

Zweitens — Einweisung eines Agenten in ein altes Repository. Der Befehl ai-memory bootstrap liest die Commit-Historie, README und Projektdokumentation und generiert initiale Wissensdatenbank-Seiten.

Drittens — Lokales Audit. Sie können jederzeit die Weboberfläche öffnen, generierte Notizen prüfen, eine schlechte Änderung über ai-memory restore-page rückgängig machen oder veraltete Daten bereinigen.

Zusammenfassung

ai-memory besticht durch seinen pragmatischen Ansatz. Anstatt einen weiteren schweren Stack mit externen Vektordatenbanken aufzubauen, nahm der Autor schnelles Rust, zuverlässiges SQLite und einfaches Git mit Markdown.

Wenn Sie aktiv Terminal-KI-Assistenten nutzen und es leid sind, Projektkontext täglich neu erklären zu müssen, lohnt sich ein Blick auf das Repository definitiv. Beginnen Sie mit einem lokalen Lauf gepaart mit Ihrem Haupt-CLI-Agenten, um zu evaluieren, wie angenehm der Kontexttransfer zwischen Aufgaben sich anfühlt.