
MemoryCustodian
Zekun Wang (waittim) · Coding
MemoryCustodian ist ein kostenloses Open-Source-Tool, das Coding-Agenten ein dauerhaftes Projektgedächtnis gibt. Es speichert Entscheidungen, Vorgaben und verworfene Ideen als reine Markdown-Dateien in Ihrem Repository und leitet dann nur die aufgabenrelevanten Teile über ein Manifest an den Agenten weiter. Das Ergebnis: weniger Prompt-Füllung und gleichmäßigere Arbeit über Sitzungen, Agenten und Teammitglieder hinweg. Es ist für die Kontextverwaltung von KI-Coding-Agenten gebaut, nicht für Chat-Protokolle.

Über MemoryCustodian
Was ist MemoryCustodian
MemoryCustodian ist ein Gedächtnis-Tool für KI-Coding-Agenten, gebaut für Menschen, die mit Codex, Claude Code, Gemini oder einem beliebigen shellbasierten Agenten arbeiten. Es passt auch zu Teams, die ein Repository über mehrere Agent-Hosts hinweg teilen und eine einzige Quelle der Wahrheit wollen. Das Problem, das es angeht, ist konkret: Jede neue Agenten-Sitzung lernt Entscheidungen neu, die Ihr Repository längst getroffen hat. Architekturvorgaben, bevorzugte Arbeitsabläufe, verworfene Ansätze und die aktuelle Projektform landen wieder in den Prompts, und damit wird jede Aufgabe schwerer als die vorige. Warum passiert das? Weil das Gedächtnis im Chat lebt, und der Chat wird gelöscht.
Die Lösung besteht darin, den dauerhaften Projektkontext in das Repository selbst zu verlagern. MemoryCustodian hält diesen Kontext in reinem Markdown unter docs/memory/, sodass Menschen ihn wie Code prüfen und vergleichen können. Vor einer Aufgabe liest der Agent ein kleines, begrenztes Kontextpaket statt der ganzen Historie. Das ist Kontext-Routing des Agenten in der Praxis. Es hält den Token-Verbrauch niedrig und hindert den Agenten daran, Regeln zu erfinden, denen Sie nie zugestimmt haben.
Es ist keine Chat-Historie. Es ist Projektgedächtnis. Dieser Unterschied zählt, denn das Gedächtnis übersteht eine gelöschte Unterhaltung, einen Modellwechsel oder ein neues Teammitglied im Repository. Der Hauptkompromiss: Sie müssen die Startdateien von Hand schreiben. Ein grober Brief wird von den eingebauten Status- und Prüfbefehlen markiert.
Erste Schritte
- Bitten Sie Ihren Coding-Agenten, die MemoryCustodian-Skill aus ihrem GitHub-Repository zu installieren und dann zu initialisieren.
- Oder rufen Sie die CLI direkt auf:
memory-custodian init --project-root /path/to/project --agent all(ersetzen Siealldurchcodex,claudeodergemini, um einen einzelnen Host anzusprechen). - Sehen Sie die erzeugten Dateien unter
docs/memory/durch, besondersbrief.md, und füllen Sie die TODOs aus Ihrer maßgeblichen Projektdokumentation. - Erfassen Sie dauerhaftes Gedächtnis bei der Arbeit mit
memory-custodian addund versehen Sie jeden Eintrag mit einem Subjekt und einem Beleg. - Führen Sie
memory-custodian statusundmemory-custodian checkaus, um das Protokoll zu prüfen, bevor Sie sich darauf verlassen.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von MemoryCustodian.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Entwickler, die Coding-Agenten täglich nutzen
- Kleine Dev-Teams, die ein Repository teilen
- Wer zwischen Codex, Claude Code und Gemini wechselt
Aufgaben
- Architekturentscheidungen bewahren
- Verworfene Ansätze verfolgen
- Eine neue Agenten-Sitzung einarbeiten
Szenarien
- Ein Repository nach langer Pause wieder aufnehmen
- Einen Pull Request prüfen
- Agenten in der CI betreiben
Wichtigste Funktionen
Repo-natives Markdown-Gedächtnis
MemoryCustodian speichert das gesamte Projektgedächtnis als reines Markdown unter docs/memory/. Damit ist es prüfbar, vergleichbar, versionierbar und rollback-sicher, genau wie Ihr Quellcode, was genau der Punkt ist, wenn das Gedächtnis echte Engineering-Entscheidungen festhält. Nichts steckt in einer proprietären Datenbank fest, und Teammitglieder prüfen Gedächtnisänderungen in denselben Pull Requests wie den Code.
Manifest-basiertes Kontext-Routing
Statt die ganze Historie in jeden Prompt zu stopfen, liest das Tool zuerst manifest.md, dann brief.md und danach nur die Dateien, die das Manifest für Ihre Aufgabe nennt. Das Routing nutzt ausdrückliche Aufgaben- und Bereichseingaben, ohne semantisches Raten oder LLM-Ranking. Das Kontext-Routing des Agenten bleibt deterministisch und vorhersehbar. Sie erhalten ein begrenztes Kontextpaket, das zur anstehenden Arbeit passt.
Kanonische Aufgabentypen
Die CLI bringt einen festen Satz von Aufgabenkategorien mit: general, planning, implementation, artifact, preferences, history und maintenance. Der Aufruf read --task implementation zieht das fürs Codelesen relevante Gedächtnis, während andere Aufgaben je nach übergebenem Bereich einen anderen Ausschnitt laden. Ein --strict-routing-Flag schlägt bei unvollständigem oder mehrdeutigem Bereich geschlossen fehl, statt zu raten.
Konservative Gedächtnis-Schreibvorgänge
Das aktive Gedächtnis ist belegbar. Einträge erhalten stabile IDs wie MC-DEC-... und MC-SUBJ-..., und jeder Schreibvorgang braucht eine Nutzerbestätigung oder eine Projektquelle, um als echt zu gelten. Unbestätigte Beobachtungen des Agenten bleiben als Kandidaten in inbox.md, bis ein Mensch sie bestätigt. Das hält Phantomregeln aus Ihrem Arbeitsgedächtnis und von Ihrem Code fern.
Vergessen, Prüfungen und Wartung
Das Vergessen läuft vorgabenbasiert mit Vorschau und Bereich: memory-custodian forget gibt eine Plan ID aus, die Sie bestätigen müssen, bevor etwas gelöscht wird. Dieser Vorschauschritt zählt, weil Gedächtnisdateien geteilt werden, ein schlechtes Löschen also den Agenten aller zugleich treffen kann. Wartungsbefehle wie compact halten die Dateien im Budget und archivieren die ältesten Einträge auf Wunsch. Getrennte Prüfungen decken Routing, Aktualität, Datenschutz, Sicherheit und Konflikte ab, einschließlich einer Git-Merge-bewussten Prüfung gegen einen Basisbranch.
Abhängigkeitsfreie Python-CLI
Das ganze Tool läuft auf der Python-Standardbibliothek. Keine Drittanbieter-Laufzeitabhängigkeiten. Es arbeitet offline und braucht keine RAG-Pipeline und keine Vektor-Datenbank, was Embedding-Latenz und halluzinierte Abrufe vermeidet. Die Installation ist ein einziges editierbares pip install oder ein mitgelieferter Skript-Wrapper.
Vor- und Nachteile
Vorteile
- Kostenlos und Open Source unter der MIT-Lizenz, ohne Bezahlstufe und ohne Nutzungsgrenzen.
- Läuft offline, ohne Drittanbieter-Laufzeitabhängigkeiten und ohne Vektor-Datenbank.
- Das Gedächtnis liegt in Ihrem Repository als vergleichbares Markdown, also prüfbar und rollback-sicher.
- Ein Gedächtnissatz unterstützt Codex, Claude Code, Gemini und generische Shell-Agenten.
- Belegbare Schreibvorgänge und stabile IDs verringern Phantomregeln und versehentliches Überschreiben.
- Ressourcenschonend: kein Server, keine Datenbank, nur Markdown-Dateien in Ihrem Repository.
Nachteile
- Es ist ein Entwicklertool für Coding-Agenten, also werden nicht technische Nutzer die CLI und die Protokollkonzepte als schwer empfinden.
- Der Nutzen hängt von der Pflege der anfänglichen `brief.md` ab; ein ungepflegtes Setup wird markiert und die Routing-Qualität leidet.
- Der Gedächtnisabruf ist deterministisch und regelbasiert, also fasst er unordentliche Unterhaltungen nicht von selbst für Sie zusammen.
Häufige Fragen
Es gibt KI-Coding-Agenten ein dauerhaftes Projektgedächtnis. Es speichert Entscheidungen, Vorgaben und verworfene Ansätze in Ihrem Repository und lädt nur die aufgabenrelevanten Teile. So lernen Agenten nicht in jeder Sitzung denselben Kontext neu.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu MemoryCustodian.
Alternativen zu MemoryCustodian
Forefront
Forefront · CodingForefront ist eine Webplattform zum Bauen mit Open-Source-KI. Sie lassen sich führende Open-Source-Sprachmodelle mit eigenen Daten feintunen, ihre Leistung bewerten und sie über eine API ausführen oder exportieren, um sie selbst zu hosten. Entwickler, die den Komfort einer geschlossenen Plattform wollen, aber darauf bestehen, ihre Modelle und Daten zu besitzen, sind hier die Zielgruppe.
Startkit
StartKit.AI · CodingStartkit ist ein Boilerplate zum Bauen von KI-SaaS-Produkten und KI-Wrappern. Man kann es sich als KI-Startup-Boilerplate vorstellen, bei dem die langweiligen Teile schon verdrahtet sind: Authentifizierung, Zahlungen über Stripe und Lemon Squeezy, Nutzungslimits, transaktionale E-Mail und ein KI-API-Starter-Kit, das mit OpenAI, Anthropic, Groq oder Llama spricht. Man klont das Repository, setzt seinen Preis und kümmert sich um den Teil des Produkts, für den Menschen wirklich bezahlen. Es basiert auf Next.js über React und Tailwind, deshalb fühlt sich ein Großteil des Boilerplate-Codes schon vertraut an.
Testim
Tricentis · CodingTestim ist eine KI-gestützte Plattform für Testautomatisierung, mit der man End-to-End-Tests für Web-, Mobile- und Salesforce-Anwendungen baut und ausführt. Sie setzt auf maschinelles Lernen, um Tests stabil zu halten, wenn sich eine Oberfläche ändert, sodass Teams weniger Zeit mit der Reparatur kaputter Selektoren verbringen. Nicht schlecht für ein Tool für automatisierte Tests, das Sie heute schon nutzen können. Sie erstellen Tests, indem Sie Aktionen im Browser aufzeichnen, und fügen danach JavaScript hinzu, wenn Sie mehr Kontrolle brauchen. Für ein beschäftigtes QA-Team eine solide Wahl.
