Dein nächster Coding-Agent sollte nicht bei null anfangen

Das Teuerste am Wechsel des Coding-Agenten ist nicht das Abo. Es ist die Stunde, die du damit verbringst, dein Projekt noch einmal zu erklären.

Welche Dateien zählen, welcher Ansatz schon gescheitert ist, warum die Tests so aufgebaut sind, was der halbfertige Branch gerade macht. Claude Code weiß davon nichts. Codex, Cursor oder Gemini CLI auch nicht. Jeder startet mit einem leeren Kontextfenster und der höflichen Bereitschaft zu helfen.

ai-memory ist eine Rust-Binary, die das beheben soll, und die Designentscheidungen dahinter sind interessanter als die Feature-Liste.

Ein Gedächtnis, viele Harnesses

Der Pitch: gut zwanzig Agent-Harnesses — Claude Code, Codex, Cursor, Gemini CLI, OpenCode, Grok, Devin, Kimi, Kiro und wie sie alle heißen — lesen aus einem gemeinsamen Speicher. Du arbeitest in einem, hörst mitten in der Aufgabe auf, öffnest im selben Verzeichnis einen anderen, und der macht da weiter, wo der erste aufgehört hat.

Der Mechanismus ist ein typisierter Handoff. Keine Zusammenfassung, die der Agent generiert und von der er hofft, dass sie stimmt, sondern ein expliziter Datensatz mit einem Owner, der nur einmal beansprucht werden kann. Genau diese Einschränkung ist der nützliche Teil: Zwei Agenten können nicht beide glauben, sie würden die Arbeit fortsetzen, und ein aufgegebener Handoff ist sichtbar statt still verloren.

Dazu kommt eine projektübergreifende Ebene. Deine Arbeitsvorlieben — Paketmanager, Aufbau der Tests, wie du Module organisiert haben willst — wandern mit in neue Repositories, sodass ein frischer Checkout bei den Dingen, die überall gelten, nicht bei null anfängt.

Markdown als Quelle der Wahrheit

Hier ist die Designentscheidung, über die es sich zu streiten lohnt.

Gedächtnissysteme für Agenten bedeuten normalerweise Embeddings. Historie chunken, einbetten, in eine Vektordatenbank schreiben, per Ähnlichkeit abrufen. Funktioniert — und hat drei Probleme: Du kannst es nicht lesen, du kannst es nicht diffen, und der Abruf ist so undurchsichtig, dass du keine Ahnung hast, warum er das Falsche zurückgibt.

ai-memory dreht das um. Quelle der Wahrheit ist ein einfaches Markdown-Wiki, versioniert mit git. Der SQLite-Index — Volltextsuche, Entitäten, Embeddings — ist abgeleitet und lässt sich neu bauen. Lösch die Datenbank und du verlierst nichts.

Diese eine Entscheidung bringt viel. Du kannst das Wiki greppen. Du kannst es in Obsidian öffnen. Du kannst einen falschen Eintrag von Hand korrigieren. Du kannst es per rsync kopieren. Du kannst einen Diff lesen und sehen, dass sich das Architekturverständnis des Agenten am Dienstag geändert hat. Und es gibt keinen Vector Store, in den du dich einsperren lässt.

Es heißt auch, dass das Gedächtnis auf eine Art auditierbar ist, die für Teams zählt. „Warum glaubt der Agent, dass wir pnpm nutzen“ ist eine Frage, deren Antwort eine Datei ist.

Altern ohne Löschen

Das Projekt beschreibt ein Alternssystem für Erinnerungen: stufenbasierter Verfall, zugriffsgewichtete Aufbewahrung, Deduplizierung und Markierung von Widersprüchen. Notizen, die nicht genutzt werden, sinken in der Priorität, ohne zu verschwinden, und widersprüchliche Einträge werden markiert statt still überschrieben.

Das wichtige Detail: Nichts wird hart gelöscht. Alte Seiten bleiben in git, ein Restore-Befehl holt sie zurück. Wenn man bedenkt, wie oft sich die „veraltete“ Notiz eines Agenten als einziger Beleg dafür herausstellt, warum eine Entscheidung getroffen wurde, ist das der richtige Default.

Es gibt ein optionales Feature namens Dreaming, das per LLM Cluster kalter Notizen in Leerlaufzeiten umschreibt. Standardmäßig aus, und das README sagt ausdrücklich, dass es nie Quellmaterial löscht. Default-off ist die richtige Wahl für alles, was deine Notizen mit einem Modell umschreibt.

Das Setup ist wirklich kurz

Zwei Befehle unter Linux oder macOS: ein curl-to-shell-Installer, der eine SHA-256-Prüfsumme verifiziert, dann ai-memory setup, das das Datenverzeichnis anlegt, einen Dienst auf User-Ebene startet und alle Agenten verdrahtet, die es findet. Für Windows gibt es ein PowerShell-Äquivalent, dazu AUR, RPM, Nix, Docker und Einträge im Plugin-Marketplace für Claude Code und Codex.

Der Alltag läuft über einen Wrapper: ai-memory run claude statt claude. Er installiert beim ersten Lauf die passenden Hooks und den MCP-Server und begrenzt die Session auf das aktuelle Projekt. Von da an setzt ai-memory continue den letzten verwalteten Checkout fort, und resume --search auth wählt per Name aus deinen Workflows.

Es gibt einen bootstrap-Befehl, der bestehende Projekthistorie in einem Durchgang importiert — genau der Unterschied zwischen einem Tool, das du einsetzt, und einem, das du dir ständig vornimmst.

Die unangenehmen Stellen

Stilles Mitschreiben über Lifecycle-Hooks heißt: Das System zeichnet Prompts, Tool-Aufrufe und Session-Grenzen auf, während du arbeitest. Anders kann das nicht funktionieren — du wirst kein Journal von Hand führen —, aber man sollte es klar benennen. Ein Protokoll jedes Prompts, den du gegen eine Kunden-Codebase getippt hast, ist sensibles Material, und es liegt jetzt in einem Verzeichnis, das mit git versioniert wird.

Die Gegenmaßnahmen sind vernünftig: standardmäßig bindet es nur an Loopback, und das Setup erzeugt ein Bearer-Token, das in eine Datei geschrieben wird, die nur der Owner lesen kann, nicht in deine Agent-Config. Aber der Docker-Quickstart läuft ohne Authentifizierung, was das README als reine lokale Nutzung kennzeichnet. Wenn du den Port ohne TLS-Reverse-Proxy nach außen legst, hast du deine Arbeitshistorie veröffentlicht.

Die Team-Story ist reifer, als ich für ein so junges Projekt erwartet hätte: ein geteilter Server, Sharing pro Projekt, private Handoffs, Multi-User-Auth, Attribution und ein Audit-Log, alles außerhalb des bezahlten Tiers. Genau das entscheidet, ob das den Kontakt mit einer echten Engineering-Organisation übersteht.

Wenn du keinen Server betreiben willst

Berechtigter Einwand: „mein eigener Server“ ist ein Satz, der sofort die Hälfte des Publikums verliert.

Es muss kein Server sein. Der Setup-Befehl startet einen Dienst auf User-Ebene auf derselben Maschine, gebunden an Loopback, und das ist der Standardweg — kein Homelab, kein VPS, kein DNS. Die Features über Maschinen hinweg und für Teams zählen erst, wenn du sie willst, und sie lassen sich vom Kern-Loop trennen.

Es gibt außerdem eine Menu-Bar-App für macOS, gebaut aus dem Repo, und eine Read-only-Webansicht, falls du dein Wiki lieber im Browser durchstöberst als im Editor. Der Docker-Weg existiert vor allem für Leute, die ohnehin in Containern denken.

Die ehrliche Einstiegsleiter ist also: auf dem Laptop installieren, ein Projekt mitschreiben lassen und schauen, ob das entstehende Wiki etwas ist, das du tatsächlich lesen würdest. Wenn ja, folgt der Rest. Wenn das Wiki nur Rauschen ist, rettet es keine Team-Feature.

Warum das wichtiger ist, als es klingt

Der Agent-Markt ist derzeit um Vendoren herum organisiert, und Vendoren haben kein Interesse daran, den Ausstieg leicht zu machen. Dein Kontext ist das Lock-in. Deshalb fühlen sich die Wechselkosten höher an, als der Abo-Preis vermuten lässt.

Ein Tool, das unter allen von ihnen sitzt und das Gedächtnis in einem Format hält, das dir gehört, ist ein kleiner Akt der Standardisierung von Nutzerseite. Ob ausgerechnet ai-memory das Rennen macht, ist fast nebensächlich — die Form der Lösung, portabler Plain Text mit neu baubarem Index, ist offensichtlich richtig, und mit dieser Form wird jedes proprietäre Memory-Feature irgendwann konkurrieren müssen.

Außerdem: ein einziges Binary, kein API-Key nötig für den Kern-Loop. In einer Kategorie, in der „Memory“ meist „noch ein Abo“ bedeutet, ist das selten.