Zo Schakel Je tussen Claude Code en Codex Zonder Context te Verliezen

Bekende situatie: je zit in de terminal met Claude Code, aan het debuggen van een lastige bug in een gedistribueerde wachtrij gedurende anderhalf uur, hebt vijf niet-werkende hypothesen geprobeerd, en hebt eindelijk de juiste oplossing gevonden. Dan groeit de sessie, comprimeert de context, of raak je de limieten. Je schakelt over naar Codex of OpenCode in dezelfde map, en het circus begint. De nieuwe assistent moet vanaf nul worden ingelicht: waarom je de NGINX-configuratie niet mag aanraken, welke tests al zijn mislukt, en welke databasestructuur we twintig minuten geleden hebben gekozen.

Het ai-memory project heeft als doel dit probleem een keer en voor altijd op te lossen. Het is gemaakt door Fabio Akita (bekend in de community als AkitaOnRails). Het idee is om console AI-assistenten gedeeld langetermijngeheugen te geven en automatische context-overdracht tussen sessies en verschillende modellen.

Wat is het concept

Meestal betekent "AI-geheugen" een vector-database waar ruwe dialooglogs worden gedumpt als embeddings. In de praktijk zijn deze logs vol met rommel: tussentijdse tool-aanroepen, herhaalde testruns, syntaxisfouten.

De auteur van ai-memory koos een andere weg, geïnspireerd door Karpathy's LLM Wiki-concept. Hier wordt geheugen gestructureerd als een reguliere wiki gemaakt van Markdown-bestanden in een Git-repository. De server onderschept agent lifecycle-events, reinigt ze van onnodige ruis, en stelt een gecomprimeerde samenvatting samen aan het einde van de sessie: wat er is gedaan, welke conclusies zijn getrokken, welke taken nog open staan.

Wanneer je een nieuwe terminal opent met een andere agent, voedt het hulpmiddel automatisch een gestructureerde samenvatting net voor de eerste prompt. Geen handmatig knippen en plakken.

Onder de motorkap en in de terminal

De server is geschreven in Rust. Hij draait een lokale service met MCP (Model Context Protocol) ondersteuning, lifecycle hooks, en een ingebouwde webinterface.

Het ondersteunt vrijwel alle huidige agent CLI's:

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

Gegevens worden lokaal opgeslagen in één map:

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

Elk project is geïsoleerd op repository-pad of via een markerbestand .ai-memory.toml. Als je met een monorepo of meerdere Git worktrees werkt, worden ze gekoppeld tot één context.

Belangrijkste functies in de praktijk

Naadloos schakelen tussen agenten

ai-memory heeft een beheerde sessie-modus ai-memory run. Het werkt simpel:

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

De agent leest het "waar we gebleven zijn"-blok bij het opstarten. Het bevat recente architectuurbeslissingen, openstaande vragen en testresultaten. Als je geen agentnaam opgeeft, pakt het ai-memory run commando automatisch de meest recente actieve sessie in de huidige map op.

Het ai-memory continue commando gaat nog verder: je kunt het vanuit elke map aanroepen, en het brengt je terug naar het project waar je het laatst aan werkte.

Wiki in plaats van log-dumps

De hele kennisbank wordt opgeslagen als platte tekst. Je kunt het openen in Obsidian, lezen met grep, of browsen in de ingebouwde browser op poort 127.0.0.1:49374/web.

Als je een belangrijke projectregel wilt vastleggen, vertel je de agent gewoon: "sla op in permanent geheugen dat we NATS JetStream gebruiken voor wachtrijen." De agent roept het MCP-hulpmiddel memory_write_page aan, en er verschijnt een versioneel Markdown-bestand in de repository.

Kennisbankzoekopdrachten zijn hybride. SQLite FTS5 full-text search draait eerst, gevolgd door entiteitsmatching en graafverbindingen tussen pagina's. Als je een embeddings-model aansluit, wordt vector-zoekopdracht ook toegevoegd.

Tegelijkertijd kan ai-memory onderscheid maken tussen stabiele architectuurregels en tijdelijke sessienotities, waarbij stabiele pagina's uit de _rules/ en decisions/ mappen prioriteit krijgen.

Werken zonder externe LLM's

Een interessant detail: ai-memory start zonder enige neurale netwerk API-sleutels. In "zero-LLM" modus werkt zoeken via FTS5 en entiteiten, en sessiesamenvattingen worden samengesteld met behulp van deterministische regels.

Als je sleutels configureert (Anthropic, OpenAI, Gemini, of lokale Ollama via een compatibel eindpunt), schakelt het hulpmiddel slimme pagina-consolidatie, kennisbankconflictdetectie en achtergrond-zelfleren voor het project in.

Snelle start via Docker

De snelste manier om de server op je werkstation te deployen:

# 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

Voor Arch Linux-gebruikers zijn kant-en-klare pakketten ai-memory-bin met systemd-units beschikbaar in AUR. Native binaries voor Apple Silicon en Intel worden uitgebracht voor macOS.

Als de server wordt verplaatst naar een thuisserver of lokaal netwerk, wordt beveiliging geconfigureerd via Bearer-tokens. De server luistert naar verzoeken, verifieert autorisatie, en scheidt geheugen tussen meerdere ontwikkelaars via operator slots.

Waar het voor nuttig is

Het hulpmiddel lost drie specifieke taken op.

Ten eerste — multi-agent ontwikkeling. Het is sneller om één taak te ontwerpen in Claude, te refactoren in Codex, en codereview te doen via Gemini. Zonder een gedeelde geheugenlaag verandert deze workflow in eindeloos context-kopieerroutine.

Ten tweede — een agent onboarden in een oude repository. Het ai-memory bootstrap commando leest commitgeschiedenis, README en projectdocumentatie, en genereert initiële kennisbankpagina's.

Ten derde — lokale audit. Op elk moment kun je de webinterface openen, gegenereerde notities controleren, een slechte bewerking terugdraaien via ai-memory restore-page, of verouderde gegevens opschonen.

Samenvatting

ai-memory spreekt aan door zijn pragmatische aanpak. In plaats van nog een zware stack te bouwen met externe vector-databases, koos de auteur voor snelle Rust, betrouwbare SQLite, en eenvoudige Git met Markdown.

Als je actief terminal AI-assistenten gebruikt en het beu bent om projectcontext elke dag opnieuw aan modellen uit te leggen, is de repository zeker het bekijken waard. Begin met een lokale run gekoppeld aan je hoofd-CLI-agent om te evalueren hoe prettig context-overdracht tussen taken aanvoelt.