AI Agent 持久记忆实战：Claude Code 接入 MemMachine 全流程
在做 AI Agent 的过程中，模型越强、工具链越完善，但 Agent 却依旧像个"七秒记忆"的金鱼。只要你关闭对话框、上下文 token 一溢出，它立刻忘记你是谁、你喜欢什么、你昨天让它做了哪件事。对于任何需要长期跟踪、持续协作的场景而言，这几乎就是致命缺陷。
直到最近，在 GitHub 上看到一个开源项目 —— MemMachine。
项目开源地址：https://github.com/MemMachine/MemMachine
把 MemMachine 接入 Claude Code 的那一刻，才第一次觉得 AI 助手真的'活'了。MemMachine 给 Agent 装上了一层独立于模型之外的"持久化大脑"，不仅能跨会话记忆用户偏好，还能自动结构化信息、持续进化，而且可以本地部署、完全私有，不会随着模型切换而丢失。更惊喜的是，通过 MCP 协议，它能在 Claude Code 中做到即插即用，让你的 Agent 从第一天起就具备'越聊越懂你'的能力。
下面记录整套流程：从零部署 MemMachine，到通过 MCP 接入 Claude Code，再到实际写入用户偏好、跨会话成功调用记忆。整个过程顺滑得多，最终效果也远超预期。
1️⃣ 为什么开始研究 AI 长期记忆？
为了验证 MemMachine 是否真的能改变 AI 的交互方式，准备了一个非常现实、但同时又极度考验记忆系统的测试场景——让 Agent 记住用户的完整饮食偏好。
从喜好口味、忌口食材，到三餐作息、营养目标、减脂计划，把一整段像现实生活中'第一次自我介绍'那样的信息交给了 Claude Code，让它通过 MemMachine 自动解析、提取并写入档案记忆。在传统的 LLM 中，这些内容通常会随着窗口关闭而消失，但这一次结果完全不同：隔天再次打开对话、随口问一句'今晚吃什么比较好？'它不仅记得我喜欢辣、不吃香菜、控制碳水，还能根据增肌目标反推蛋白质摄入建议——而这些信息，是在昨天的另一场会话里告诉它的。
正因为这个体验如此震撼，意识到：MemMachine 并不是 RAG 的替代品，而是 Agent 能否进入'长期协作'时代的真正分水岭。它让 AI 不再是即时回答工具，而是一个可以理解你、陪伴你、根据你持续变化的喜好主动调整行为的数字伙伴。而且，这一切都可以通过本地部署完成，隐私可控、架构简单，也不依赖任何特定模型。
接下来，把整个过程拆解成一套可完全复现的实战教程：从 MemMachine 的部署、到 MCP 接入、到 Claude Code 内的真实记忆写入，再到最终的跨会话查询，全部一步步带你搭建起来。
2️⃣ 什么是 MemMachine？
MemMachine 可以简单理解为：一个独立于模型之外的'长期记忆服务'。它不负责生成内容，也不和你的 LLM 混在一起，它只做一件事——把用户的重要信息存下来、管起来、长期提供给 Agent 调用。
不同于传统把聊天记录塞进向量库的做法，MemMachine 会自动把信息拆成'事实''偏好''习惯''事件'等结构化内容，并存到自己的数据库里。这样，不论你换模型、换会话、甚至隔一天再来，它都能让 Agent 恢复到正确的'理解用户的状态'。
