昨天的 Product Hunt Launching Today 榜单里，Agentmemory 挂在了 #2。另一边，CodeGraph 的 GitHub README 还把平均 92% fewer tool calls / 71% faster 摆在 benchmark 区块里。表面看，这是 Claude Code 周边又热了一波工具。
Product Hunt 截图：Agentmemory 在 Launching Today 榜单位列第 2 但更值得看的，不是哪一个项目又火了，而是 coding agent 生态终于在补四层长期缺位的东西：记忆、检索、索引、上下文。很多人把这些问题混成一句“它老忘事”，结果装工具时，第一步就装偏了。
💬这一轮工具热真正抬起来的，不是“换个模型试试”，而是“先把 agent 的外层基础设施补齐”。
一、先把故障分开，再谈工具 CLAUDE.md 当然有用。
只是它更像规则本，不太像历史库。
Claude Code 最常见的四种故障，其实不是一回事： 真实症状 缺的层 对应工具 新会话一开，又得把项目约定讲一遍 记忆层 Agentmemory 明明聊过这个坑，旧结论却翻不出来 检索层 Memsearch 仓库一大，agent 一直 grep、read、乱跑 索引层 CodeGraph 相关文件很多，但上下文窗口装不下 上下文层 Claude Context 前两层处理“以前发生过什么”。
后两层处理“代码现在到底在哪”。
这一步一旦想清楚，很多折腾就会少掉一半。
二、四件套里，谁在补哪一块？
Agentmemory 它更像一台完整记忆引擎，不像小补丁。官方 README 写得很直白：支持 Claude Code、Codex CLI、Gemini CLI 等多种 agent，基准里给出 95.2% retrieval R@5；同一张 benchmark 表里，年化 token 成本写到 ~10，如果走本地 embedding，甚至可以压到 0。这类工具最值钱的时刻，往往不是“搜索代码”，而是“昨天已经解释过的项目约定，今天别再重讲一遍”。
是什么：持久记忆引擎 + MCP server 更适合：高频多 session、长期项目、经常跨 agent 切换的人 起步方式：npx @agentmemory/agentmemory 边界：第一次接线不轻，能力也明显重于“只做 recall”的工具 Memsearch memsearch 走的是另一条路。它把 Markdown 当 source of truth，Milvus 只是 shadow index；默认 embedding 还是 ONNX bge-m3，本地 CPU 就能跑。它没有把自己写成一个庞大的记忆平台，反而更像“先把旧对话和旧结论找回来”的轻量层。这一点，对很多单人开发者很重要。
是什么：Markdown-first 语义记忆层 更适合：想先获得 recall，又不想先承担重接线的人 起步方式：插件装完后，在 .memsearch/memory/ 里累计日记式记忆 边界：它更强在历史检索，不负责解决大仓库结构探索 💬如果当前最痛的是“旧决策找不到”，而不是“代码入口摸不着”，先补记忆层和检索层，通常更划算。
CodeGraph CodeGraph 解决的是另一种浪费。它不负责记住上次聊过什么，而是提前把代码结构索引好，让 Explore agent 少做无效搜索。README 顶部 headline 写的是 94% fewer / 77% faster，更细的 benchmark 平均值是 92% fewer / 71% faster；而且这组数据来自 6 个真实代码库。再加上 100% local、19+ languages，它很容易变成那类“仓库一变大，体感立刻不同”的工具。
是什么：本地代码知识图谱 更适合：中大型、多语言、接手成本高的仓库 起步方式：npx @colbymchenry/codegraph，再跑 codegraph init -i 边界：它解决的是“怎么找代码”，不是“为什么这样做” Claude Context 如果说 CodeGraph 处理的是“结构入口”，Claude Context 更像“超大仓库里的语义检索层”。官方 quick start 也说得很明白：要接 Milvus / Zilliz Cloud，也要准备 embedding provider；README 里的评估口径是，在等价检索质量下，大约能做到 40% token reduction。它真正值钱的时候，通常已经不是普通项目，而是相关代码块太多，光靠目录和 grep 已经不够了。
是什么：semantic code search MCP 更适合：百万行级项目、monorepo、跨 repo 检索 起步方式：npx @zilliz/claude-context-mcp@latest，再配向量库和 embedding 边界：接线最重，项目不大时，收益未必能立刻覆盖复杂度 三、真正有用的，不是冠军，而是顺序 这四个工具里，没有谁能一把包圆。
更常见的是三种组合： 组合 适合的场景 为什么成立 Memsearch + CodeGraph 轻量单兵 一边补旧对话 recall，一边压代码探索成本 Agentmemory + CodeGraph 高频开发 一个留住项目历史，一个减少无效读文件 Agentmemory + Claude Context 超大仓库 一个处理跨会话记忆，一个处理大规模语义检索 真正容易装错的情况反而很典型：项目还不大，却先把最重的向量检索接起来；或者每天都在重复解释项目约定，却只顾着补代码搜索。
💬真正值得收藏的，不是哪一个工具名字，而是这张判断顺序：先分清自己缺的是历史、入口，还是上下文容量。
四、这轮工具热，说明了什么？
2026 年中段，Claude Code 生态最明显的变化，不是“又来一个更强模型”，而是工程化层开始补齐。模型负责理解和生成，外面的记忆层、检索层、索引层、上下文层，负责把它从“会写”推进到“会持续记住项目”。
这也是这个题目最有价值的地方：Claude Code 教程已经不少，但直接把这四层拆开讲，再落到选型顺序上的内容，还不多。
七、关注「智谈局 inAIGC」 关注「智谈局 inAIGC」，四大系列陪你打通技能-注意力-价值闭环： 局·技析：拆解AI工具，学即用技能 局·深聊：走进从业者，呈现真实故事 局·趋研：洞察技术趋势，看清行业走向 局·资选：精选AI工具，帮你省时做对选择 👇 你现在给 Claude Code 补的是记忆层、索引层，还是还在裸跑？换过几次工具？评论区见。
觉得有用，点右下角「在看」👁️，让更多人看到这篇。
原文：mp.weixin.qq.com。 这里是静态副本，平台改了、删了，这一份还在。