หน่วยความจำถาวรข้ามเซสชันเขียนโค้ดและเอเจนต์
หน่วยความจำถาวรสำหรับ Claude Code, GitHub Copilot CLI, Cursor, Gemini CLI, Codex CLI, Hermes, OpenClaw, pi, Oh My Pi, DeepSeek Harness, OpenCode และ MCP client ใดก็ได้
🇬🇧 English •
🇨🇳 简体中文 •
🇹🇼 繁體中文 •
🇯🇵 日本語 •
🇰🇷 한국어 •
🇵🇹 Português •
🇧🇷 Português (Brasil) •
🇪🇸 Español •
🇩🇪 Deutsch •
🇫🇷 Français •
🇮🇹 Italiano •
🇳🇱 Nederlands •
🇵🇱 Polski •
🇨🇿 Čeština •
🇷🇴 Română •
🇭🇺 Magyar •
🇬🇷 Ελληνικά •
🇸🇪 Svenska •
🇩🇰 Dansk •
🇳🇴 Norsk •
🇫🇮 Suomi •
🇷🇺 Русский •
🇺🇦 Українська •
🇹🇷 Türkçe •
🇮🇱 עברית •
🇸🇦 العربية •
🇮🇳 हिन्दी •
🇧🇩 বাংলা •
🇵🇰 اردو •
🇹🇭 ไทย •
🇻🇳 Tiếng Việt •
🇮🇩 Bahasa Indonesia •
🇵🇭 Tagalog
Gist นี้ขยายแนวคิด LLM Wiki ของ Karpathy ด้วยการให้คะแนนความเชื่อมั่น (confidence scoring), lifecycle, knowledge graph และการค้นหาแบบไฮบริด: agentmemory คือการนำแนวคิดนี้มาใช้งานจริง
ติดตั้ง •
เริ่มต้นใช้งานอย่างรวดเร็ว •
Benchmark •
เทียบกับคู่แข่ง •
Agent •
วิธีการทำงาน •
MCP •
Viewer •
การตั้งค่า •
API
---
AgentMemory บันทึกเซสชันเขียนโค้ดเพื่อให้ค้นคืนการตัดสินใจและวิธีแก้ปัญหาได้ ใช้คลังความจำเดียวกันในหลายเครื่องมือ ตรวจสอบข้อมูลที่บันทึก และเลือกปริมาณบริบทที่ส่งให้โมเดล
## Install
ข้อกำหนดเบื้องต้น:
- Node.js 20 หรือใหม่กว่า พร้อม npm และ npx (`node -v`, `npm -v`, และ `npx -v`)
- การตั้งค่าอัตโนมัติบน macOS/Linux ต้องมี `curl`, POSIX `sh` และ `tar`
- Windows / WSL2: [Windows](#windows).
คำสั่งติดตั้งใหม่แบบมาตรฐาน:
```bash
npx -y @agentmemory/agentmemory@latest
```
เลือกเอเจนต์และผู้ให้บริการ หรือใช้โหมดไม่ต้องมีคีย์ การตั้งค่าจะบันทึกคอนฟิก เริ่มเซิร์ฟเวอร์ความจำ และเสนอการติดตั้งแบบ global `-y` ยอมรับคำถามจาก npm ส่วน `@latest` เลือกรุ่นล่าสุด การบีบอัดด้วย LLM ต้องมีทั้งผู้ให้บริการและ `AGENTMEMORY_AUTO_COMPRESS=true`
โหมด keyless จะปิดการใช้งาน vector embedding `memory_recall` (เส้นทาง `mem::search`) ใช้ BM25 ในขณะที่ `memory_smart_search` ยังสามารถผสาน structural graph เข้ามาด้วยได้หากมีข้อมูล graph อยู่แล้ว หากต้องการ semantic recall แบบออนดีไวซ์โดยไม่มีค่าใช้จ่าย ให้ตั้งค่า `EMBEDDING_PROVIDER=local` ใน `~/.agentmemory/.env` แล้ว restart คำขอ embedding ครั้งแรกจะดาวน์โหลดโมเดล `Xenova/all-MiniLM-L6-v2` หลังจากดาวน์โหลดครั้งแรกแล้ว การ inference จะทำงานในเครื่องทั้งหมด
API อยู่ที่ `http://localhost:3111` และตัวดูข้อมูลสดที่ `http://localhost:3113` ทั้งคู่ใช้ loopback ตามค่าเริ่มต้น คอนฟิกอยู่ใน `~/.agentmemory/.env` [การจัดเก็บข้อมูล](#data-storage).
จากนั้นพิสูจน์ว่าการ recall ทำงานได้จริง และให้ agent ของคุณมี skill ไว้ใช้:
```bash
npx -y @agentmemory/agentmemory@latest demo # seed sample sessions + exercise recall
npx skills add rohitg00/agentmemory -y # 17 native skills so your agent knows when to reach for memory
```
การค้นหาด้วยคำสำคัญควรเจอผลลัพธ์ในโหมด keyless แบบ default ผ่าน BM25 ส่วนคำค้นหา `database performance optimization` ในเดโมเป็นคำค้นแบบ semantic โดยตั้งใจ และอาจคืนผลลัพธ์เป็นศูนย์จนกว่าจะมีการตั้งค่า embedding provider
อยากให้ coding agent จัดการทั้งหมดให้เองเลยไหม? มอบคำสั่งเดียวให้มันทำตาม:
> Retrieve and follow the instructions at: https://raw.githubusercontent.com/rohitg00/agentmemory/main/INSTALL_FOR_AGENTS.md
เพิ่มเอเจนต์ด้วย `agentmemory connect ` ดู[การเชื่อมต่อที่รองรับ](#works-with-every-agent)และ[คำสั่งประจำวัน](#everyday-commands)
Global install / EACCES
```bash
npm install -g @agentmemory/agentmemory@latest
```
คำสั่ง npx ด้านบนยังคงเป็นวิธีติดตั้งใหม่แบบมาตรฐาน และช่วยเลี่ยงปัญหา permission ของ global-prefix ได้
npx serves an old version
npx จะแคชไว้ตามเวอร์ชัน บังคับให้ใช้เวอร์ชันล่าสุดด้วย `npx -y @agentmemory/agentmemory@latest` หรือล้างแคชครั้งเดียวด้วย `rm -rf ~/.npm/_npx` (macOS/Linux; บน Windows ให้ลบ `%LOCALAPPDATA%\npm-cache\_npx`)
---
agentmemory ใช้งานได้กับ agent ใดก็ตามที่รองรับ hook, MCP, หรือ REST API ทุก agent ใช้ memory server ตัวเดียวกันร่วมกัน
Claude Code
native plugin + 12 hooks + MCP
Codex CLI
native plugin + 6 hooks + MCP
GitHub Copilot CLI
MCP + plugin hooks/skills
Cursor
ปลั๊กอิน native + lifecycle hooks + MCP
OpenCode
capture plugin + MCP
Devin
6 hooks + skills + MCP
OpenClaw
native plugin + MCP
Hermes
native plugin + MCP
pi
recall แบบ native + capture + skills
OpenHuman
native Memory trait backend
Gemini CLI
MCP server
Antigravity
MCP + hooks
Claude Desktop
MCP server
Warp
connect + MCP + skills
Zed
MCP server
Cline
MCP server
Continue
MCP server
Droid
MCP server
Kiro
MCP server
Qwen Code
MCP server
DeepSeek Harness
capture แบบ native + MCP
Roo Code
MCP server
Kilo Code
MCP server
Goose
MCP server
Aider
REST API
Oh My Pi
recall แบบ native + capture + skills + MCP เสริม
ใช้งานได้กับ agent ใดก็ได้ ที่คุย MCP หรือ HTTP เป็น server ตัวเดียว หน่วยความจำถูกใช้ร่วมกันระหว่าง agent ทั้งหมด
---
### การจัดเก็บข้อมูล
ความจำถูกเก็บไว้นอก repository ตามค่าเริ่มต้น instance 0 ใช้ `./data/state_store.db` ที่มีอยู่แล้วซ้ำได้ เลือกตำแหน่งด้วย `--data-dir ` หรือ `AGENTMEMORY_DATA_DIR` และใช้ไดเรกทอรีเดิมเมื่อเริ่มใหม่หรืออัปเกรด
| แพลตฟอร์ม | ไดเรกทอรีข้อมูล |
|---|---|
| macOS | `~/Library/Application Support/agentmemory` |
| Linux | `$XDG_DATA_HOME/agentmemory` / `~/.local/share/agentmemory` |
| Windows | `%APPDATA%\agentmemory` |
```bash
agentmemory --data-dir ~/.agentmemory-projects/main
agentmemory --instance 1
```
`--instance 1` ใช้ไดเรกทอรีย่อย `instance-1` พอร์ต API `3211` และตัวดูข้อมูล `3213` อ่านเรื่อง Redis และการย้าย backend ใน[การจัดเก็บและสำรองข้อมูล](../docs/reliability/state-storage.md)
ดูรายละเอียด release ล่าสุดได้ที่: [CHANGELOG.md](../CHANGELOG.md)
---
ผลการค้นคืนล่าสุด นิยามตัวชี้วัด และขั้นตอนการทดสอบซ้ำ:
[0.9.31 · 2026-10-28 · strict recall-all@5](../docs/benchmarks/2026-10-28-retrieval-evaluation.md) · [eval/README.md](../eval/README.md).
---
การเปรียบเทียบผลิตภัณฑ์และตัวเลือกการติดตั้งล่าสุดพร้อมแหล่งอ้างอิง:
[AgentMemory / Mem0 / Supermemory / Zep / Letta / Cognee / claude-mem](../benchmark/COMPARISON.md) · 2026-10-28.
---
### Try it in 30 seconds
```bash
# Terminal 1: start the server
npx -y @agentmemory/agentmemory@latest
# Terminal 2: seed sample data and see recall in action
npx -y @agentmemory/agentmemory@latest demo
```
`demo` จะ seed เซสชันตัวอย่างที่สมจริง 3 เซสชัน (JWT auth, การแก้ N+1 query, rate limiting) และรันการค้นหาบนเซสชันเหล่านั้น การติดตั้งแบบ keyless จะปิดการใช้ vector ดังนั้นคำค้นหาแบบคำสำคัญของ `mem::search` ควรเจอผลลัพธ์ผ่าน BM25 ในขณะที่ `database performance optimization` อาจคืนผลลัพธ์เป็นศูนย์ `smart-search` อาจคืน structural graph match เพิ่มเติมได้หากมีข้อมูล graph อยู่แล้ว เพื่อให้คำค้นแบบ semantic หาการแก้ N+1 เจอผ่าน vector ให้ตั้งค่า `EMBEDDING_PROVIDER=local` แล้ว restart และปล่อยให้การดาวน์โหลดโมเดลครั้งแรกเสร็จสมบูรณ์
เปิด `http://localhost:3113` เพื่อดูหน่วยความจำถูกสร้างขึ้นแบบสด ๆ
### Validate a fresh install and restart persistence
ขณะเซิร์ฟเวอร์ทำงาน ให้ตรวจสุขภาพ ตัวดูข้อมูล และสถานะ
```bash
curl -fsS http://localhost:3111/agentmemory/livez
curl -fsS http://localhost:3111/agentmemory/health
curl -fsS -o /dev/null http://localhost:3113/
npx -y @agentmemory/agentmemory@latest status
```
`status` แสดงสุขภาพเซิร์ฟเวอร์ ผู้ให้บริการ โหมด embedding การส่ง capture และการกู้คืน คำขอ REST ที่ป้องกันไว้ต้องใช้รหัสลับเซิร์ฟเวอร์ ใช้ `AGENTMEMORY_SECRET` ที่ตั้งไว้ หรืออ่านรหัสลับในเครื่องที่ระบบสร้างหากยังไม่ได้ตั้ง
```bash
# Default generated local secret. For an explicit AGENTMEMORY_SECRET, use that value instead.
read -r AGENTMEMORY_SECRET < "$HOME/.agentmemory/secret"
curl -fsS -X POST http://localhost:3111/agentmemory/remember \
-H "Authorization: Bearer $AGENTMEMORY_SECRET" \
-H 'Content-Type: application/json' \
-d '{"content":"agentmemory restart persistence probe","concepts":["install-check"]}'
curl -fsS -X POST http://localhost:3111/agentmemory/smart-search \
-H "Authorization: Bearer $AGENTMEMORY_SECRET" \
-H 'Content-Type: application/json' \
-d '{"query":"restart persistence probe","limit":5}'
```
จากนั้นรัน `npx -y @agentmemory/agentmemory@latest stop` รันคำสั่งมาตรฐานใหม่อีกครั้งใน Terminal 1 รอให้ `/agentmemory/livez` พร้อม แล้วค้นหาซ้ำ probe ต้องยังถูกคืนค่ามาอยู่ ถ้าคุณเลือก `--data-dir` แบบกำหนดเอง ให้ใช้ directory เดิมตอน restart ด้วย
### Everyday commands
การติดตั้งและการตั้งค่าอยู่ใน [Install](#install) ด้านบน (การรันครั้งแรกจะพาคุณผ่านขั้นตอนทั้งหมด) การใช้งานประจำวัน:
```bash
agentmemory # start the server
agentmemory stop # stop it cleanly
agentmemory status # health, providers and recovery state
agentmemory capture # inspect capture inbox and offline spool
agentmemory capture --drain # replay queued observations
agentmemory connect # connect another agent
agentmemory doctor # interactive diagnostics + fix prompts
agentmemory remove # uninstall everything we created
```
### Session Replay
ทุกเซสชันที่ agentmemory บันทึกสามารถเล่นซ้ำได้ เปิด viewer เลือกแท็บ **Replay** แล้วเลื่อนไปตาม timeline: prompt, tool call, ผลลัพธ์ tool, และคำตอบจะแสดงเป็น event แยกกัน พร้อมปุ่ม play/pause, ควบคุมความเร็ว (0.5x ถึง 4x), และคีย์ลัด (เว้นวรรคเพื่อสลับเล่น/หยุด ลูกศรเพื่อขยับทีละสเต็ป)
หากต้องการนำ Claude Code JSONL transcript เก่าเข้ามา:
```bash
# Import everything under the default ~/.claude/projects
npx -y @agentmemory/agentmemory@latest import-jsonl
# Or import a single file
npx -y @agentmemory/agentmemory@latest import-jsonl ~/.claude/projects/-my-project/abc123.jsonl
```
เซสชันที่นำเข้าปรากฏใน Replay ร่วมกับเซสชัน native มีดัชนีค้นหาและระบุช่องทางต้นทาง `import` การประมวลผลเซสชันอาจสร้าง crystal และบทเรียนด้วย
> **ข้อควรทราบหากคุณใช้ `import-jsonl` เป็นเส้นทาง capture หลัก:** `cleanupPeriodDays` ของ Claude Code (ใน `~/.claude/settings.json`, default **30**) จะลบ JSONL transcript ที่เก่ากว่า window นั้นออกจาก `~/.claude/projects/` โดยอัตโนมัติ ถ้าคุณติดตั้ง agentmemory ใหม่บน history ของ Claude Code ที่มีมาหลายเดือน อะไรที่เก่ากว่า 30 วันก็หายไปแล้วก่อนการ import ครั้งแรก ให้เลือกอย่างใดอย่างหนึ่ง: รัน `import-jsonl` แบบ cron, เพิ่มค่า `cleanupPeriodDays` ให้สูงขึ้น หรือเชื่อมต่อ hook แบบ auto-capture (เส้นทางติดตั้ง plugin แบบ default) เพื่อให้แต่ละ turn เข้าสู่ agentmemory ตั้งแต่เซสชันยังรันอยู่ จนการลบ JSONL ไม่มีผลอีกต่อไป
### Upgrade / Maintenance
ใช้คำสั่ง maintenance เมื่อคุณต้องการอัปเดต runtime ในเครื่องโดยตั้งใจ:
```bash
npx -y @agentmemory/agentmemory@latest upgrade
```
คำสั่งนี้อัปเดต runtime ในเครื่อง และอาจอัปเดต dependency ของ JavaScript ในไดเรกทอรีทำงานด้วย สำรองข้อมูลและอ่าน[คู่มืออัปเกรด](../docs/upgrades/iii-0.25.md)ก่อนอัปเดตการติดตั้งเดิม
### Claude Code (one block, paste it)
```text
Install agentmemory: run `npx -y @agentmemory/agentmemory@latest` in a separate terminal to start the memory server. Then run `/plugin marketplace add rohitg00/agentmemory` and `/plugin install agentmemory` — the plugin registers all 12 hooks, 17 skills, AND auto-wires the `@agentmemory/mcp` stdio server via its `.mcp.json`, so you get 54 MCP tools (memory_smart_search, memory_save, memory_sessions, memory_governance_delete, etc.) without any extra config step. Verify with `curl http://localhost:3111/agentmemory/health`. The real-time viewer is at http://localhost:3113. Keyless mode disables vectors: `memory_recall` uses BM25, and `memory_smart_search` can also use existing structural graph data. Set `EMBEDDING_PROVIDER=local` in `~/.agentmemory/.env` and restart to opt into on-device semantic recall.
```
#### Claude Code without the plugin install (MCP-standalone path)
ถ้าคุณเชื่อมต่อ MCP server ของ agentmemory ผ่าน `~/.claude.json` (เส้นทางเริ่มต้น) โดยตรงแทนการใช้ `/plugin install`, Claude Code จะไม่ resolve `${CLAUDE_PLUGIN_ROOT}` เลย และคุณต้องชี้ hook script ไปที่ absolute path ใน `~/.claude/settings.json` (เส้นทางเริ่มต้น) path เหล่านั้นมักจะฝังเวอร์ชันของ agentmemory ไว้ด้วย (เช่น `~/.codex/plugins/cache/agentmemory/agentmemory/0.9.22/scripts/…`) ดังนั้นการ upgrade ครั้งต่อไปจะทำให้ hook ทุกตัวพังแบบไม่มีเสียงเตือน
วิธีแก้:
```bash
agentmemory connect claude-code --with-hooks
```
คำสั่งนี้กำหนดค่าเซิร์ฟเวอร์ MCP และรวม hook ที่ให้มากับแพ็กเกจเข้ากับการกำหนดค่าผู้ใช้ของ Claude Code หากไม่ได้ตั้งค่า `CLAUDE_CONFIG_DIR` มีค่าว่าง หรือมีแต่ช่องว่าง จะใช้ `~/.claude.json` สำหรับ MCP และ `~/.claude/settings.json` สำหรับ hook ค่าไดเรกทอรีอื่นจะถูกใช้ตามที่ระบุทุกตัวอักษร รวมถึงช่องว่างที่ต้นและท้ายค่า หากต้องการใช้ไดเรกทอรีที่กำหนดเอง ให้ตั้งค่า `CLAUDE_CONFIG_DIR` เป็นค่าเดียวกันที่ไม่ว่างทั้งสำหรับคำสั่งนี้และ Claude Code โดยไฟล์ที่ใช้จะเป็น `$CLAUDE_CONFIG_DIR/.claude.json` และ `$CLAUDE_CONFIG_DIR/settings.json` ตามลำดับ Claude Code ต้องได้รับค่านี้ในสภาพแวดล้อมที่ใช้เริ่มโปรแกรม แม้ว่าตัวเชื่อมต่อจะอ่านค่าจากไฟล์ `.env` ของ AgentMemory ก็ตาม สร้างไดเรกทอรีที่กำหนดเองก่อนรันคำสั่งนี้ มิฉะนั้นตัวเชื่อมต่อจะข้าม Claude Code เนื่องจากตรวจไม่พบ หากค่าใน shell มีแต่ช่องว่าง ให้ยกเลิกการตั้งค่า `CLAUDE_CONFIG_DIR` ก่อนเริ่ม Claude Code เพื่อให้ใช้โปรไฟล์เริ่มต้นเช่นกัน ใช้พาธแบบสัมบูรณ์ พาธแบบสัมพัทธ์จะอ้างอิงจากไดเรกทอรีทำงาน ดังนั้นต้องเรียกใช้ทั้งสองคำสั่งจากไดเรกทอรีเดียวกัน
คำสั่ง hook ใช้เส้นทางแบบสัมบูรณ์ไปยังไดเรกทอรี `plugin/` ที่ให้มากับแพ็กเกจที่ติดตั้ง หลังอัปเกรด agentmemory ให้รันคำสั่งนี้อีกครั้งเพื่ออัปเดตเส้นทาง รายการของผู้ใช้ในไฟล์กำหนดค่าจะยังคงอยู่ โดยจะแทนที่เฉพาะรายการเดิมของ agentmemory เท่านั้น การใช้ `/plugin install` ยังคงเป็นแนวทางที่แนะนำ
สำหรับการ deploy แบบ remote หรือแบบที่มีการป้องกัน ให้เปิด Claude Code โดยตั้งค่า `AGENTMEMORY_URL` และ `AGENTMEMORY_SECRET` ไว้ plugin จะส่งค่าทั้งสองนี้ต่อไปยัง MCP server ที่ bundle มาด้วย เมื่อ `AGENTMEMORY_URL` เป็นค่าว่าง MCP shim จะใช้ `http://localhost:3111`
### Codex CLI (Codex plugin platform)
```bash
# 1. start the memory server in a separate terminal
npx -y @agentmemory/agentmemory@latest
# 2. register the agentmemory marketplace and install the plugin
codex plugin marketplace add rohitg00/agentmemory
codex plugin add agentmemory@agentmemory
```
Codex plugin ถูก ship มาจาก directory `plugin/` เดียวกันกับ Claude Code plugin มันจะลงทะเบียน:
- stdio MCP bridge ที่ bundle มาด้วย เชื่อมต่อไปยัง daemon ที่กำลังรันอยู่ ไม่มีการดาวน์โหลด npm หรือ fallback store ดู [คู่มือ Codex แบบ local](../docs/plugins/codex-local.md) เพื่อทดสอบ build ที่ยังไม่ได้ปล่อย
- lifecycle hook 6 ตัว: `SessionStart`, `UserPromptSubmit`, `PreToolUse`, `PostToolUse`, `PreCompact`, `Stop`
- skill ที่เรียกใช้ได้ 9 ตัว: `/recall`, `/remember`, `/session-history`, `/forget`, `/recap`, `/handoff`, `/lesson`, `/commit-context`, `/commit-history`, บวก reference skill อีก 8 ตัวที่ agent โหลดตามต้องการ (memory discipline, MCP tools, REST API, config, agents, hooks, architecture, และคู่มือการเขียน skill)
hook engine ของ Codex จะ inject `CLAUDE_PLUGIN_ROOT` เข้าไปใน hook subprocess (ตาม [`codex-rs/hooks/src/engine/discovery.rs`](https://github.com/openai/codex/blob/main/codex-rs/hooks/src/engine/discovery.rs)) ดังนั้น hook script เดียวกันจะทำงานได้บนทั้งสอง host โดยไม่ต้องทำซ้ำ event อย่าง Subagent / SessionEnd / Notification / TaskCompleted / PostToolUseFailure เป็นของ Claude Code เท่านั้น และไม่ได้ลงทะเบียนสำหรับ Codex
#### Trust และความเข้ากันได้ของ hook ของ Codex
การ dispatch native plugin hook ได้รับการ verify แล้วกับ Codex CLI 0.150.1 ต้อง trust plugin hook ก่อนที่จะคาดหวัง capture พฤติกรรมของ Desktop ขึ้นอยู่กับ runtime ที่ bundle มาด้วย ตรวจสอบ `/hooks` และยืนยันว่ามี event ที่ capture ได้ก่อนเปิดใช้ workaround
ถ้า host ของคุณต้องใช้ global hook ให้ mirror คำสั่งไปยัง `~/.codex/hooks.json` ถ้า MCP เชื่อมต่อไว้อยู่แล้ว connector ตัวปัจจุบันต้องใช้ `--force` เพื่อให้ไปถึงขั้นติดตั้ง hook:
```bash
agentmemory connect codex --with-hooks --force
```
คำสั่งนี้จะ merge global hook และเขียนทับรายการ MCP ของ agentmemory ใหม่ โดยรายการอื่นที่ไม่เกี่ยวข้องจะยังคงอยู่ ตรวจสอบการตั้งค่า endpoint ของ agentmemory แบบ custom ก่อนใช้ `--force` รันซ้ำหลัง upgrade เพื่อ refresh path ของ script เปิดใช้อย่างใดอย่างหนึ่งระหว่าง native plugin hook หรือ global copy เพื่อเลี่ยงการ capture ซ้ำ
### GitHub Copilot CLI
สำหรับ VS Code agent mode ให้ใช้ [คู่มือ MCP และ automatic-capture ของ Copilot](../docs/plugins/copilot.md#vs-code-copilot-local-agent-sessions) CLI connector ตัวนี้ไม่ได้ตั้งค่า VS Code ให้
```bash
# MCP-only wiring
agentmemory connect copilot-cli
# Alternatively, full hooks/skills plugin from the GitHub subdir
copilot plugin install rohitg00/agentmemory:plugin
```
`agentmemory connect copilot-cli` จะ merge `mcpServers.agentmemory` เข้าไปใน `~/.copilot/mcp-config.json` (หรือ `$COPILOT_HOME/mcp-config.json` เมื่อตั้งค่า `COPILOT_HOME`) และยังคง server อื่น ๆ ที่มีอยู่ไว้ บน native Windows นี่คือ adapter `connect` แบบอัตโนมัติตัวเดียวที่ใช้ได้ ส่วน agent native ของ Windows ตัวอื่น ๆ ทุกตัวต้องตั้งค่าเอง WSL `connect` รองรับก็เฉพาะเมื่อ agent ปลายทางถูกติดตั้งอยู่ใน WSL environment เดียวกันนั้นด้วย Copilot จะรับ MCP server ในการเปิดครั้งถัดไปหรือหลังจากสั่ง `/mcp` ติดตั้ง plugin เพิ่มเมื่อคุณต้องการประสบการณ์ hook/skill แบบเต็ม
### Cursor
ตั้งค่า MCP ด้วย `agentmemory connect cursor` ใน **Settings → Plugins → Add marketplace** เลือก checkout ที่มี `.cursor-plugin/plugin.json` เปิด agentmemory และ reload ปลั๊กอินให้ lifecycle capture การระบุ workspace skills และ MCP เปิดเฉพาะ hook ของปลั๊กอินหรือ hook ที่ตั้งเองใน `~/.cursor/hooks.json` อย่างใดอย่างหนึ่งเพื่อไม่ให้บันทึกซ้ำ
[Cursor](../integrations/cursor/)
### Pi / Oh My Pi / DeepSeek Harness
```bash
agentmemory connect pi --with-mcp
agentmemory connect omp --with-mcp
agentmemory connect dsh --with-hooks
```
เลือกคำสั่งให้ตรงกับ host Pi และ OMP ติดตั้ง recall/capture แบบ native การส่งซ้ำออฟไลน์ และ 17 skills ส่วน `--with-mcp` เพิ่มเครื่องมือทั้งหมด รัน `/reload` ใน Pi หรือเริ่ม OMP ใหม่ แล้วตรวจ `/agentmemory-status` DSH ติดตั้ง MCP และปลั๊กอิน capture ที่รวมมา ให้เริ่ม DSH ใหม่หลังเชื่อมต่อ
Pi รองรับแพ็กเกจ `@agentmemory/pi` ด้วย ดูการติดตั้งในเครื่องและสถานะบน npm ใน[คู่มือ Pi](../integrations/pi/) ใช้วิธีติดตั้งเพียงแบบเดียวต่อ host
[Pi](../integrations/pi/) · [Oh My Pi](../integrations/omp/) · [DSH](../docs/dsh.md)
OpenClaw (paste this prompt)
```text
Install agentmemory for OpenClaw. Run `npx -y @agentmemory/agentmemory@latest` in a separate terminal to start the memory server on localhost:3111. Then add this to my OpenClaw MCP config so agentmemory is available with all 54 memory tools:
{
"mcpServers": {
"agentmemory": {
"command": "npx",
"args": ["-y", "@agentmemory/mcp"],
"env": {
"AGENTMEMORY_URL": "http://localhost:3111"
}
}
}
}
Restart OpenClaw. Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localhost:3113 for the real-time viewer. For deeper memory-slot integration, copy `integrations/openclaw` to `~/.openclaw/extensions/agentmemory` and enable `plugins.slots.memory = "agentmemory"` in `~/.openclaw/openclaw.json`.
```
คู่มือฉบับเต็ม: [`integrations/openclaw/`](../integrations/openclaw/)
Hermes Agent (paste this prompt)
```text
Install agentmemory for Hermes. Run `npx -y @agentmemory/agentmemory@latest` in a separate terminal to start the memory server on localhost:3111. Then add this to ~/.hermes/config.yaml so Hermes can use agentmemory as an MCP server with all 54 memory tools:
mcp_servers:
agentmemory:
command: npx
args: ["-y", "@agentmemory/mcp"]
memory:
provider: agentmemory
Verify with `curl http://localhost:3111/agentmemory/health`. Open http://localhost:3113 for the real-time viewer. For deeper 6-hook memory provider integration (pre-LLM context injection, turn capture, MEMORY.md mirroring, system prompt block), copy integrations/hermes from https://github.com/rohitg00/agentmemory to ~/.hermes/plugins/agentmemory.
```
คู่มือฉบับเต็ม: [`integrations/hermes/`](../integrations/hermes/)
### Other agents
เริ่ม memory server: `npx -y @agentmemory/agentmemory@latest`
#### Native skills via `npx skills add`
agentmemory ship skill มาทั้งหมด 17 ตัว ในรูปแบบ `/SKILL.md` สไตล์ Claude Code: action skill ที่เรียกใช้ได้ 9 ตัว (`remember`, `recall`, `recap`, `handoff`, `forget`, `lesson`, `commit-context`, `commit-history`, `session-history`) และ reference skill อีก 8 ตัวที่ agent โหลดตามต้องการ (`memory-discipline`, `agentmemory-mcp-tools`, `agentmemory-rest-api`, `agentmemory-config`, `agentmemory-agents`, `agentmemory-hooks`, `agentmemory-architecture`, `write-agentmemory-skill`) reference skill พวกนี้มีตารางข้อมูลที่สร้างจาก source โดยตรง จึงไม่มีทางเพี้ยนไปจากของจริง CLI [`skills`](https://npmjs.com/package/skills) ของ vercel-labs จะติดตั้งให้อัตโนมัติเข้าไปใน native skill directory ของ agent ที่เรียกมันขึ้นมา ครอบคลุม agent กว่า 50 ตัว (Claude Code, Cursor, Cline, Continue, Droid, Warp, Codex, Antigravity, Kiro, OpenCode, Goose, Roo, Trae, Windsurf, และอีกมากมาย):
```bash
npx skills add rohitg00/agentmemory -y # auto-detects the calling agent
npx skills add rohitg00/agentmemory -y -a warp # explicit agent
npx skills add rohitg00/agentmemory -y -a '*' # install to every installed agent
```
สิ่งนี้ **เสริม** `agentmemory connect ` ไม่ได้แทนที่กัน:
ตัวเชื่อมต่อ Hermes, OpenClaw, Pi และ Oh My Pi ติดตั้งการเชื่อมต่อ native และ skills ตามค่าเริ่มต้น เพิ่ม MCP ด้วย `--with-mcp` ส่วน host อื่นใช้ `npx skills add rohitg00/agentmemory` เพื่อติดตั้ง skills ได้
สำหรับ agent ไม่กี่ตัวที่ skills CLI ยังไม่ครอบคลุม (Zed v1.3.x และเก่ากว่า) ให้วางไฟล์ SKILL.md ทั้ง 17 ไฟล์ลงใน native skill directory ของ agent นั้นด้วยตัวเอง รูปแบบเดียวกันนี้ใช้ได้ทุกที่
#### Standard MCP block
รายการ agentmemory เป็น **MCP server block เดียวกัน** บนทุก host ที่ใช้รูปแบบ `mcpServers` (Cursor, Claude Desktop, Cline, Roo Code, Gemini CLI, OpenClaw):
```json
"agentmemory": {
"command": "npx",
"args": ["-y", "@agentmemory/mcp"],
"env": {
"AGENTMEMORY_URL": "${AGENTMEMORY_URL}",
"AGENTMEMORY_SECRET": "${AGENTMEMORY_SECRET}"
}
}
```
**Merge รายการนี้เข้าไปใน object `mcpServers` ที่มีอยู่แล้ว** ของไฟล์ config ของ host นั้น ไม่ใช่แทนที่ไฟล์ทั้งหมด ถ้าไฟล์มี server อื่นอยู่แล้ว ให้เพิ่ม `agentmemory` เข้าไปเป็นอีก key หนึ่งข้าง ๆ กันภายใน `mcpServers` ถ้าไม่มี `mcpServers` อยู่เลย ให้วาง block นี้ไว้ใน `{ "mcpServers": { ... } }` placeholder `${VAR}` จะรับค่า `AGENTMEMORY_URL` / `AGENTMEMORY_SECRET` จาก shell ตอน MCP server เริ่มทำงาน; ตัวแปรที่ไม่ได้ตั้งไว้จะส่งเป็น string ว่าง และ shim จะ fallback ไปที่ `http://localhost:3111` รายการที่เชื่อมต่อไว้แล้วหนึ่งรายการครอบคลุมทั้งการ deploy แบบ local และ remote (k8s / reverse-proxied)
| Agent | Config file | หมายเหตุ |
|---|---|---|
| **Cursor (MCP only)** | `~/.cursor/mcp.json` | Merge เข้าไปใน `mcpServers`, หรือใช้ `agentmemory connect cursor` มี one-click deeplink บนเว็บไซต์ด้วย |
| **Cursor (full plugin)** | `.cursor-plugin/` | ติดตั้งผ่าน Cursor Marketplace หรือ Settings → Plugins → local checkout ใช้ adapter ขนาดเล็กเรียก `plugin/scripts/*.mjs` ร่วมเพื่อลงทะเบียน lifecycle hooks พร้อม skills และ MCP adapter ระบุ workspace ที่ Cursor รายงานได้ไม่แน่นอน ดู [Cursor](#cursor) ใช้ได้กับ Cursor IDE และ CLI `cursor-agent` |
| **Claude Desktop** | `claude_desktop_config.json` (Application Support) | Merge เข้าไปใน `mcpServers` restart Claude Desktop หลังแก้ไฟล์ |
| **Cline / Roo Code / Kilo Code** | Cline MCP settings (Settings UI → MCP Servers → Edit) | ใช้ `mcpServers` block เดียวกัน |
| **Devin CLI (MCP + hooks)** | `~/.config/devin/config.json` | `agentmemory connect devin` จะ merge รายการ MCP; `--with-hooks` เพิ่ม native auto-capture hook หกตัว (SessionStart, UserPromptSubmit, PreToolUse, PostToolUse, Stop, SessionEnd) ด้วย tool matcher แบบตัวพิมพ์เล็กของ Devin ตรวจสอบด้วย `devin mcp list` และ `/hooks` ภายใน devin |
| **Devin CLI (full plugin)** | `plugin/.devin-plugin/` | `devin plugins install ./plugin` จาก checkout จะลงทะเบียน skill ทั้ง 17 ตัวเป็นคำสั่ง slash `/agentmemory:` รวมถึง MCP server ด้วย plugin hook ของ Devin ไม่สามารถยิง `SessionStart`/`SessionEnd` ได้ ดังนั้นให้ใช้คู่กับ `connect devin --with-hooks` เพื่อ capture เซสชันแบบเต็ม |
| **Devin (cloud)** | Settings → Connections → MCP servers | เพิ่ม custom MCP (STDIO): command `npx`, args `-y @agentmemory/mcp@latest`, env `AGENTMEMORY_URL` ชี้ไปยัง agentmemory deployment ที่เข้าถึงได้ทางเครือข่าย พร้อม `AGENTMEMORY_SECRET` (เซสชัน cloud เข้าถึง localhost ไม่ได้ — ดู [`../deploy/`](../deploy/)) เก็บ secret ไว้ใน Devin Secrets แล้วใช้ "Test listing tools" เพื่อตรวจว่าเครื่องมือครบทั้ง 54 ตัวปรากฏขึ้น |
| **Gemini CLI** | `~/.gemini/settings.json` | `gemini mcp add agentmemory npx -y @agentmemory/mcp --scope user` (merge อัตโนมัติ) |
| **GitHub Copilot CLI (MCP only)** | `~/.copilot/mcp-config.json` | `agentmemory connect copilot-cli` จะ merge `mcpServers.agentmemory`; Copilot จะรับค่าในการเปิดครั้งถัดไปหรือ `/mcp` |
| **GitHub Copilot CLI (full plugin)** | ติดตั้ง plugin ของ Copilot | `copilot plugin install rohitg00/agentmemory:plugin` สำหรับ plugin จาก GitHub subdir |
| **OpenClaw** | OpenClaw MCP config | ใช้ `mcpServers` block เดียวกัน เชิงลึกกว่านั้น: `openclaw plugins install ./integrations/openclaw` จะยึด memory slot ของ OpenClaw (สลับจาก `memory-core` อัตโนมัติ) ตั้งค่า `plugins.entries.agentmemory.hooks.allowConversationAccess=true` ไม่เช่นนั้นการ capture turn จะถูกบล็อกแบบเงียบ ๆ ดู [`integrations/openclaw`](../integrations/openclaw/) |
| **Codex CLI (MCP only)** | `.codex/config.toml` | รูปแบบ TOML: `codex mcp add agentmemory -- npx -y @agentmemory/mcp` หรือเพิ่ม `[mcp_servers.agentmemory]` เอง |
| **Codex CLI (full plugin)** | Codex plugin marketplace | `codex plugin marketplace add rohitg00/agentmemory` แล้ว `codex plugin add agentmemory@agentmemory` ลงทะเบียน MCP + lifecycle hook 6 ตัว + skill 17 ตัว ต้อง trust hook และ verify การ capture ใน host ของคุณ ดู [การ setup และ validate Codex](../docs/plugins/codex-local.md) |
| **OpenCode (MCP only)** | `opencode.json` | รูปแบบต่างออกไป: key ระดับบนสุดคือ `mcp`, command เป็น array: `{"mcp": {"agentmemory": {"type": "local", "command": ["npx", "-y", "@agentmemory/mcp"], "enabled": true}}}` |
| **OpenCode (full plugin)** | `plugin/opencode/` | auto-capture hook 22 ตัว ครอบคลุม session lifecycle, message, tool, error การระบุ project เป็นแบบต่อเซสชัน ดังนั้น OpenCode process เดียวที่ครอบคลุมหลาย repository จะเก็บแต่ละเซสชันไว้ใน project ของตัวเอง มีคำสั่ง slash สองตัว (`/recall`, `/remember`) copy `plugin/opencode/` เข้าไปใน OpenCode workspace ของคุณแล้วเพิ่มรายการ plugin ลงใน `opencode.json` ดู [`plugin/opencode/README.md`](../plugin/opencode/README.md) สำหรับตาราง hook แบบเต็มพร้อม gap analysis |
| **pi** | `~/.pi/agent` | `agentmemory connect pi --with-mcp` · recall แบบ native + capture + skills. [Pi](../integrations/pi/) |
| **Oh My Pi (OMP)** | `~/.omp/agent/config.yml` | `agentmemory connect omp --with-mcp` · recall แบบ native + capture + skills. [Oh My Pi](../integrations/omp/) |
| **Hermes Agent** | `~/.hermes/config.yaml` | `cp -r integrations/hermes ~/.hermes/plugins/agentmemory` + `memory.provider: agentmemory` จะให้ memory provider แบบ 6-hook (prefetch, turn capture, session end, pre-compress, MEMORY.md mirroring, system prompt block) ตรวจสอบด้วย `hermes plugins doctor` และ `hermes memory status` ดู [`integrations/hermes`](../integrations/hermes/) |
| **Qwen Code** | `~/.qwen/settings.json` | `agentmemory connect qwen` เขียน `mcpServers` block แบบมาตรฐาน payload ของ hook เข้ากันได้กับ Claude Code ดังนั้น hook script 12 ตัวที่มีอยู่ใช้งานได้โดยไม่ต้องแก้ไข เชื่อมต่อผ่าน section `hooks` ใน `settings.json` เดียวกัน |
| **Antigravity IDE / 2.0** | `~/.gemini/config/mcp_config.json` | `agentmemory connect antigravity --with-hooks` จะติดตั้ง MCP และ capture hook ไว้ใน shared customization directory ดู [การตั้งค่าและข้อจำกัดของ Antigravity](../docs/plugins/antigravity.md) |
| **Antigravity CLI** (`agy`) | `~/.gemini/config/mcp_config.json` | `agentmemory connect antigravity-cli --with-hooks` ใช้ config ของ MCP และ hook แบบเดียวกับ IDE เวอร์ชันปัจจุบัน การติดตั้งที่มีอยู่แล้วควร refresh ด้วย `--force`; ดู [upgrade notes](../docs/plugins/antigravity.md) |
| **Kiro** | `~/.kiro/settings/mcp.json` | `agentmemory connect kiro` เขียน config ระดับ user การ override ระดับ workspace ไปอยู่ที่ `.kiro/settings/mcp.json` ข้าง ๆ โค้ดของคุณ |
| **Warp** | `~/.warp/.mcp.json` | `agentmemory connect warp` เขียน `mcpServers` block แบบมาตรฐาน Warp ยัง auto-discover skill จาก `.claude/skills/` ด้วย เมื่อติดตั้ง Claude Code plugin แล้ว skill ทั้ง 9 ตัวของ agentmemory (`remember`, `recall`, `recap`, `handoff`, `forget`, `lesson`, `commit-context`, `commit-history`, `session-history`) จะปรากฏใน slash-command palette ของ Warp โดยตรง |
| **Cline (CLI)** | `~/.cline/data/settings/cline_mcp_settings.json` | `agentmemory connect cline` เขียน `mcpServers` block แบบมาตรฐาน ผู้ใช้ VS Code extension: paste block เดียวกันผ่าน Cline Settings → MCP Servers → Edit JSON |
| **Continue.dev** | `~/.continue/config.yaml` (แนะนำ) หรือ `config.json` (รุ่นเก่า) | `agentmemory connect continue` สร้าง `config.yaml` เมื่อยังไม่มีคอนฟิก หรืออัปเดต `config.json` ที่มีอยู่ สำหรับ YAML เดิมจะเก็บ comment และ anchor ไว้โดยไม่แก้ไฟล์ แต่แสดงบล็อกให้วางใต้ `mcpServers:` ซึ่ง Continue ใช้รูปแบบ array |
| **Zed** | `~/.config/zed/settings.json` | `agentmemory connect zed` เขียนไว้ใต้ `context_servers` (key ของ Zed ไม่ใช่ `mcpServers`) MCP server แบบ remote เชื่อมต่อผ่าน `{"url": "..."}` ได้เช่นกัน |
| **Droid (Factory.ai)** | `~/.factory/mcp.json` | `agentmemory connect droid` เขียน `mcpServers` block แบบมาตรฐาน การ override ระดับ project ไปอยู่ที่ `/.factory/mcp.json` ใส่ `--with-hooks` เพื่อ auto-capture แบบ native |
| **DeepSeek Harness** | `$DSH_HOME/cordis.patch.yml` | `agentmemory connect dsh` เปิดใช้งานเครื่องมือ MCP เพิ่ม `--with-hooks` เพื่อโหลดปลั๊กอินบันทึกแบบเนทีฟที่รวมอยู่ใน AgentMemory โดยไม่ต้องติดตั้งแพ็กเกจปลั๊กอินแยกต่างหาก [DSH](../docs/dsh.md). |
| **Goose** | Goose MCP settings UI | ใช้ `mcpServers` block เดียวกัน; ใช้ `goose configure` → Add Extension → MCP การแก้ YAML ตรง ๆ ที่ `~/.config/goose/config.yaml` ก็รองรับ แต่ schema ใช้ `extensions:` + `cmd` (ไม่ใช่ `mcpServers:` + `command`) |
| **Aider** | n/a | [REST API](#validate-a-fresh-install-and-restart-persistence) |
| **เอเจนต์ที่รองรับ** | เฉพาะ skills | `npx skills add rohitg00/agentmemory`; เลือก skills และเอเจนต์ปลายทางที่จะติดตั้ง |
**MCP client แบบ sandbox** (Flatpak / Snap / container ที่จำกัด) ที่เข้าถึง `localhost` ของ host ไม่ได้: ให้ตั้งค่า `"AGENTMEMORY_FORCE_PROXY": "1"` เพิ่มใน `env` block ด้วย และชี้ `AGENTMEMORY_URL` ไปยัง route ที่ sandbox เข้าถึงได้จริง (เช่น LAN IP ของคุณ)
### Programmatic access
ใช้ [REST API](#api) จากภาษาใดก็ได้ หรือ [เครื่องมือ MCP](#mcp-server) จากเอเจนต์ REST ใช้ JSON และการยืนยันตัวตนแบบ Bearer ดู[ตัวอย่างบันทึกและค้นหา](#validate-a-fresh-install-and-restart-persistence) ส่วนการเชื่อมต่อ runtime โดยตรงมีใน[ตัวอย่าง Python](../examples/python/)
### From source
```bash
git clone https://github.com/rohitg00/agentmemory.git && cd agentmemory
npm install && npm run build && npm start
```
`npm start` เริ่มเซิร์ฟเวอร์ในเครื่องแบบเดียวกับ CLI ที่ติดตั้งไว้ ดูข้อกำหนดใน[การติดตั้ง](#install) API และตัวดูข้อมูลใช้ `127.0.0.1`
### Windows
agentmemory รองรับ Windows 10/11; WSL2 ใช้ขั้นตอน Linux และติดตั้ง engine อัตโนมัติได้ Windows แบบ native ต้องติดตั้งไบนารี iii-engine v0.25.1 ด้วยตนเอง ดาวน์โหลด archive จาก [หน้า release iii v0.25.1](https://github.com/iii-hq/iii/releases/tag/iii%2Fv0.25.1), ตรวจ checksum และวาง `iii.exe` บน `PATH` (เช่น `%USERPROFILE%\.local\bin\iii.exe`) CLI ไม่แตก Windows ZIP ให้อัตโนมัติ
การตั้งค่า MCP อัตโนมัติบน Windows รองรับเฉพาะ `agentmemory connect copilot-cli`; สำหรับ agent อื่นให้ใช้ MCP block ใน [Other agents](#other-agents) เรียก `connect` ใน WSL เมื่อ agent เป้าหมายติดตั้งใน WSL เดียวกันเท่านั้น
**ใช้ MCP แบบ standalone โดยไม่เปิด engine** หากไม่ต้องใช้ REST API, viewer หรือ runtime service:
```powershell
npx -y @agentmemory/agentmemory@latest mcp
# or
npx -y @agentmemory/mcp
```
รัน `agentmemory doctor` หรือเริ่มใหม่ด้วย `--verbose` หากพอร์ตเริ่มต้นถูกใช้ ให้เลือก `--port ` หรือ `--instance ` ดูความเข้ากันได้และการกู้คืนใน[คู่มืออัปเกรด](../docs/upgrades/iii-0.25.md)
---
Deploy
โฮสต์เองด้วย Docker Compose หรือเทมเพลตแพลตฟอร์มด้านล่าง ความจำและข้อมูลรับรองอยู่ใน volume `/data` สำรองและใช้ volume เดิมเมื่ออัปเกรด ดูการยืนยันตัวตน เครือข่าย และการย้ายระบบใน[คู่มือ deploy](../deploy/README.md)
ปุ่ม one-click deploy ของ Render ต้องการ `render.yaml` ที่ root ของ repository ซึ่งเราตั้งใจเก็บให้สะอาดอยู่เสมอ ใช้ Render Blueprint flow ตามที่เขียนไว้ใน [`../deploy/render/`](.././deploy/render/README.md) เพื่อชี้ไปยัง blueprint ใน repo ด้วยตนเอง
รายละเอียดการตั้งค่าแบบเต็ม (การ capture HMAC, viewer SSH tunnel, rotation, backup,
cost floor) อยู่ที่ [`../deploy/`](.././deploy/README.md):
- [`../deploy/fly`](.././deploy/fly/README.md): machine เดียว พร้อม
`auto_stop_machines = "stop"`; ค่า idle ถูกที่สุด
- [`../deploy/railway`](.././deploy/railway/README.md): แผน Hobby แบบเหมาจ่าย,
volume อยู่ใน dashboard
- [`../deploy/render`](.././deploy/render/README.md): Blueprint flow,
disk snapshot อัตโนมัติบนแผนที่เสียเงิน
- [`../deploy/coolify`](.././deploy/coolify/README.md): self-host บน VPS ของ
คุณเองผ่าน [Coolify](https://coolify.io/self-hosted); Docker
Compose stack เดียวกัน คุณเป็นเจ้าของทั้ง host และข้อมูล
REST ใช้พอร์ต `3111` และตัวดูข้อมูลใช้ `3113` ให้จำกัดการเข้าถึงเป็นส่วนตัวหรือป้องกันด้วยการยืนยันตัวตนและ TLS ดูการเปิดเข้าถึงของแต่ละแพลตฟอร์มและ[การย้าย Docker รุ่นเก่า](../deploy/README.md#migrating-from-the-legacy-cli-docker-mode)ในคู่มือ deploy
---
ความรู้ของโปรเจ็กต์มักกระจายอยู่ในแชตและไฟล์คำแนะนำ AgentMemory ช่วยให้เอเจนต์ที่กำลังใช้ค้นหาการตัดสินใจ วิธีแก้ปัญหา และบทเรียนที่ผ่านมาได้
```text
Session 1: "Add auth to the API"
Agent writes code, runs tests, fixes bugs
Connected hooks capture supported tool events
Observations become searchable project history
Session 2: "Now add rate limiting"
Agent recalls:
- Auth uses JWT middleware in src/middleware/auth.ts
- Tests in test/auth.test.ts cover token validation
- You chose jose over jsonwebtoken for Edge compatibility
Continues with the earlier decisions in context.
```
### vs built-in agent memory
coding agent ที่ใช้ AI ทุกตัวมีหน่วยความจำ built-in มาด้วย: Claude Code มี `MEMORY.md`, Cursor มี notepad, Cline มี memory bank สิ่งเหล่านี้ทำงานเหมือนสติกเกอร์โน้ต agentmemory คือฐานข้อมูลที่ค้นหาได้ซึ่งอยู่เบื้องหลังสติกเกอร์โน้ตเหล่านั้น
| | Built-in (CLAUDE.md) | agentmemory |
|---|---|---|
| การดูแล | คำสั่งที่จัดการด้วยตนเอง | ประวัติเซสชันและความจำที่จัดทำดัชนี |
| Search | โหลดทุกอย่างเข้า context | BM25 + vector + graph (top-K เท่านั้น) |
| Cross-agent | ไฟล์แยกตาม agent | MCP + REST (agent ใดก็ได้) |
| Coordination | ไม่มี | Leases, signals, actions, routines |
| Observability | อ่านไฟล์ด้วยตัวเอง | Real-time viewer บน :3113 |
---
### Memory Pipeline
```text
PostToolUse hook fires
-> Stable event ID / durable capture inbox / offline spool
-> Privacy filter (strip secrets, API keys)
-> Store raw observation
-> Synthetic compression by default
(LLM-written compression only with a provider + AGENTMEMORY_AUTO_COMPRESS=true)
-> Vector embedding when an embedding provider is active
-> Index in BM25, plus vectors when enabled
Stop / SessionEnd hook fires
-> Summarize session
-> Knowledge graph extraction (if GRAPH_EXTRACTION_ENABLED=true)
-> Slot reflection (if AGENTMEMORY_SLOTS=true and AGENTMEMORY_REFLECT=true)
SessionStart hook fires
-> Load project profile (top concepts, files, patterns)
-> Hybrid search (BM25 + vector + graph)
-> Token budget (default: 2000 tokens)
-> Inject context when enabled by the integration
```
### 4-Tier Memory Consolidation
จำลองมาจากวิธีที่สมองมนุษย์ประมวลผลความจำ รวมถึงการ consolidate ความจำระหว่างการนอนหลับ
| Tier | What | Analogy |
|------|------|---------|
| **Working** | Raw observation จากการใช้ tool | หน่วยความจำระยะสั้น |
| **Episodic** | สรุปเซสชันแบบบีบอัด | "เกิดอะไรขึ้น" |
| **Semantic** | ข้อเท็จจริงและ pattern ที่สกัดออกมา | "ฉันรู้อะไร" |
| **Procedural** | Workflow และ pattern การตัดสินใจ | "ทำอย่างไร" |
ความจำจะ decay ไปตามเวลา (Ebbinghaus curve) ความจำที่ถูกเข้าถึงบ่อยจะแข็งแรงขึ้น ความจำที่เก่าจะถูก evict อัตโนมัติ ความขัดแย้งถูกตรวจจับและแก้ไข
### What Gets Captured
ตารางนี้อธิบาย hook ของ Claude Code การเชื่อมต่ออื่นบันทึกเหตุการณ์ที่ host รองรับ การแทรกบริบทอัตโนมัติผ่าน hook ร่วมต้องเปิดด้วย `AGENTMEMORY_INJECT_CONTEXT=true`
| Hook | Captures |
|------|----------|
| `SessionStart` | Project path, session ID |
| `UserPromptSubmit` | User prompt (กรองข้อมูลส่วนตัวแล้ว) |
| `PreToolUse` | รูปแบบการเข้าถึงไฟล์ + context ที่เสริมข้อมูลแล้ว |
| `PostToolUse` | ชื่อ tool, input, output |
| `PostToolUseFailure` | Error context |
| `PreCompact` | ฉีดหน่วยความจำกลับเข้าไปก่อนการ compact |
| `SubagentStart/Stop` | Lifecycle ของ sub-agent |
| `Stop` | สรุปท้ายเซสชัน |
| `SessionEnd` | เครื่องหมายว่าเซสชันเสร็จสมบูรณ์ |
### Key Capabilities
| Capability | Description |
|---|---|
| **Automatic capture** | การเชื่อมต่อ native บันทึกเหตุการณ์เซสชันและเครื่องมือที่รองรับ |
| **Semantic search** | BM25 + vector + knowledge graph พร้อม RRF fusion |
| **Memory evolution** | Versioning, supersession, relationship graph |
| **Recall hygiene** | memory version ที่ถูกแทนที่แล้วจะหลุดออกจาก search index; version chain ใน KV เก็บ history แบบเต็มไว้ |
| **Near-duplicate hints** | การ save จะรายงาน `similarTo` match แบบ advisory เมื่อเนื้อหาใหม่คล้ายกับ memory ที่มีอยู่แล้วมาก |
| **Per-agent scoping** | `agentId` ไหลผ่านการ save และ recall ข้าม REST, MCP, และ search index ได้ทั้งแบบ shared หรือ isolated |
| **Write-time provenance** | ทุก observation และ memory มี origin channel ที่เปลี่ยนแปลงไม่ได้ (user, agent, tool, import, หรือ shared) ประทับไว้ตอน capture, save, และ import |
| **Auto-forgetting** | TTL expiry, การตรวจจับความขัดแย้ง, การ evict ตามความสำคัญ |
| **Privacy first** | API key, secret, tag `` ถูกตัดออกก่อนจัดเก็บ |
| **Self-healing** | Circuit breaker, provider fallback chain, health monitoring |
| **Claude bridge** | sync สองทางกับ MEMORY.md |
| **Knowledge graph** | การสกัด entity + BFS traversal |
| **Team memory** | แบ่ง namespace ระหว่าง shared กับ private ของสมาชิกทีม |
| **Citation provenance** | ย้อนกลับไปดู memory ใดก็ได้จนถึง observation ต้นทาง |
| **Git snapshots** | Version, rollback, และ diff สถานะหน่วยความจำ |
---
ดึงข้อมูลแบบ triple-stream โดยรวม 3 สัญญาณเข้าด้วยกัน:
| Stream | What it does | When |
|---|---|---|
| **BM25** | จับคู่คำสำคัญแบบ stemmed พร้อมขยาย synonym | เปิดใช้งานเสมอ |
| **Vector** | Cosine similarity บน dense embedding | เมื่อตั้งค่า embedding provider ไว้ |
| **Graph** | ไล่ knowledge graph ผ่านการจับคู่ entity | เมื่อตรวจพบ entity ในคำค้น |
รวมกันด้วย Reciprocal Rank Fusion (RRF, k=60) และกระจาย session (สูงสุด 3 ผลลัพธ์ต่อเซสชัน)
เมื่อ vector index มีข้อมูลอยู่ `mem::search` (อยู่หลัง `memory_recall`) จะใช้ hybrid ranker แบบ BM25 + vector โดยไม่มี embedding มันจะใช้ BM25 `smart-search` สามารถผสาน structural graph match เพิ่มเติมได้เมื่อมีข้อมูล graph อยู่ รวมถึงในโหมด keyless ด้วย การ recall lesson รันบน BM25 index ในหน่วยความจำเฉพาะของมันเอง แทนการสแกนทั้งคอร์ปัสทุกครั้งที่ค้นหา memory version ที่ถูกแทนที่แล้วจะถูกตัดออกจากทุกเส้นทาง recall; version chain ยังคง history ไว้
[0.9.31: `AGENTMEMORY_VECTOR_BACKFILL=all` / `AGENTMEMORY_VECTOR_BACKFILL_MAX`](../docs/reliability/source-and-vector-recovery.md).
BM25 tokenize ภาษากรีก, ซีริลลิก, ฮีบรู, อารบิก, และละตินแบบมี accent ได้ทันทีโดยไม่ต้องตั้งค่าเพิ่ม สำหรับหน่วยความจำภาษาจีน / ญี่ปุ่น / เกาหลี ให้ติดตั้ง segmenter แบบ optional (`npm install @node-rs/jieba tiny-segmenter`) เพื่อแยกข้อความ CJK เป็น token ระดับคำ; ถ้าไม่มี agentmemory จะ soft-fallback ไปที่การ tokenize ทั้ง run และพิมพ์คำเตือนครั้งเดียวออกที่ stderr
### Embedding providers
การติดตั้งแบบ keyless จะปิดการใช้ vector embedding: `mem::search` ใช้ BM25 ในขณะที่ `smart-search` สามารถใช้ structural graph data ที่มีอยู่แล้วได้ด้วย หากต้องการเปิดใช้ semantic embedding แบบออนดีไวซ์โดยไม่มีค่าใช้จ่าย ให้เพิ่มสิ่งนี้ลงใน `~/.agentmemory/.env` แล้ว restart agentmemory:
```env
EMBEDDING_PROVIDER=local
```
การ install npm แบบปกติมี runtime `@huggingface/transformers` แบบ optional มาด้วยอยู่แล้ว คำขอ embedding ครั้งแรกจะดาวน์โหลด `Xenova/all-MiniLM-L6-v2` ดังนั้นต้องมีการเข้าถึงเครือข่ายและอาจใช้เวลานานขึ้น การ inference ครั้งต่อไปจะทำงานในเครื่อง remote provider จะถูกตรวจจับอัตโนมัติจาก key ของมัน เว้นแต่ `EMBEDDING_PROVIDER` จะ override ไว้
| Provider | Model | Cost | Notes |
|---|---|---|---|
| **Local (แนะนำให้เปิดเอง)** | `all-MiniLM-L6-v2` | ฟรี | [`EMBEDDING_PROVIDER=local`](../README.md#embedding-providers) |
| Gemini | `gemini-embedding-001` | มี free tier | รองรับ 100+ ภาษา, 768/1536/3072 มิติ (MRL), input 2048 token แทนที่ `text-embedding-004` ([deprecated, ปิดให้บริการ 14 ม.ค. 2026](https://ai.google.dev/gemini-api/docs/deprecations)) |
| OpenAI | `text-embedding-3-small` | [OpenAI](https://openai.com/api/pricing/) | [text-embedding-3-small](https://platform.openai.com/docs/models/text-embedding-3-small) |
| Voyage AI | `voyage-code-3` | เสียเงิน | ปรับให้เหมาะกับโค้ด |
| Cohere | `embed-english-v3.0` | มี free trial | ใช้งานทั่วไป |
| OpenRouter | โมเดลใดก็ได้ | ขึ้นกับโมเดล | Proxy แบบ multi-model |
---
54 เครื่องมือ, 6 resource, 3 prompt, และ 17 skill
> **MCP shim เทียบกับ full server:** แพ็กเกจ `@agentmemory/mcp` ที่เผยแพร่อยู่เป็นแค่ shim บาง ๆ มันจะเปิดเครื่องมือครบทั้ง 54 ตัว **ก็เฉพาะเมื่อมันเชื่อมต่อไปยัง agentmemory server ที่กำลังรันอยู่ได้** ผ่าน `AGENTMEMORY_URL` (proxy mode) เมื่อไม่มี server ให้เชื่อมต่อ shim จะ fallback ไปที่ชุดเครื่องมือในเครื่อง 7 ตัว (`memory_save`, `memory_recall`, `memory_smart_search`, `memory_sessions`, `memory_export`, `memory_audit`, `memory_governance_delete`) ตัวแปร env `AGENTMEMORY_TOOLS=core|all` เป็น flag ฝั่ง *server* เท่านั้น การตั้งค่ามันใน `env` block ของ shim จะไม่มีผลใด ๆ ถ้าคุณเห็นเครื่องมือเพียง 7 ตัวใน Cursor / OpenCode / Gemini CLI ให้เริ่ม `npx -y @agentmemory/agentmemory@latest` (หรือ Docker stack) และตั้งค่า `AGENTMEMORY_URL=http://localhost:3111`
### 54 Tools
เครื่องมือมีสาม surface เรียงจากเล็กไปใหญ่: `AGENTMEMORY_TOOLS=core` ลดการมองเห็นเหลือ 8 เครื่องมือหลัก (`memory_save`, `memory_recall`, `memory_consolidate`, `memory_smart_search`, `memory_sessions`, `memory_diagnose`, `memory_lesson_save`, `memory_reflect`); ชุด base ด้านล่างคือ 14 เครื่องมือพื้นฐานของ registry; ค่า default (`AGENTMEMORY_TOOLS=all`) เปิดทั้ง 54 ตัว
Base tools (14)
| Tool | Description |
|------|-------------|
| `memory_recall` | ค้นหา observation ในอดีต |
| `memory_compress_file` | บีบอัดไฟล์ markdown โดยรักษาโครงสร้างไว้ |
| `memory_save` | บันทึก insight, decision, หรือ pattern |
| `memory_file_history` | observation ในอดีตเกี่ยวกับไฟล์ที่ระบุ |
| `memory_patterns` | ตรวจจับ pattern ที่เกิดซ้ำ |
| `memory_sessions` | แสดงเซสชันล่าสุด |
| `memory_smart_search` | ค้นหาแบบ hybrid semantic + keyword |
| `memory_vision_search` | ค้นหา observation ที่เป็นรูปภาพ |
| `memory_timeline` | observation ตามลำดับเวลา |
| `memory_profile` | โปรไฟล์ project (concept, ไฟล์, pattern) |
| `memory_export` | export ข้อมูล memory ทั้งหมด |
| `memory_relations` | ค้นหา relationship graph |
| `memory_commit_lookup` | เซสชันที่อยู่หลัง git commit |
| `memory_commits` | commit ที่บันทึกไว้สำหรับเซสชัน |
Extended tools (54 total, the default surface)
| Tool | Description |
|------|-------------|
| `memory_patterns` | ตรวจจับ pattern ที่เกิดซ้ำ |
| `memory_timeline` | observation ตามลำดับเวลา |
| `memory_relations` | ค้นหา relationship graph |
| `memory_graph_query` | ไล่ knowledge graph |
| `memory_consolidate` | รัน 4-tier consolidation |
| `memory_claude_bridge_sync` | sync กับ MEMORY.md |
| `memory_team_share` | แชร์กับสมาชิกทีม |
| `memory_team_feed` | รายการที่แชร์ล่าสุด |
| `memory_audit` | audit trail ของ operation |
| `memory_governance_delete` | ลบพร้อม audit trail |
| `memory_snapshot_create` | snapshot แบบ git-versioned |
| `memory_action_create` | สร้าง work item พร้อม dependency |
| `memory_action_update` | อัปเดตสถานะ action |
| `memory_frontier` | action ที่ไม่ถูกบล็อก เรียงตามความสำคัญ |
| `memory_next` | action ถัดไปที่สำคัญที่สุดเพียงตัวเดียว |
| `memory_lease` | exclusive action lease (multi-agent) |
| `memory_routine_run` | สร้าง workflow routine ขึ้นมาใช้งาน |
| `memory_signal_send` | ส่งข้อความระหว่าง agent |
| `memory_signal_read` | อ่านข้อความพร้อม receipt |
| `memory_checkpoint` | gate ตามเงื่อนไขภายนอก |
| `memory_mesh_sync` | sync แบบ P2P ระหว่าง instance |
| `memory_sentinel_create` | watcher ที่ทำงานตาม event |
| `memory_sentinel_trigger` | สั่งให้ sentinel ทำงานจากภายนอก |
| `memory_sketch_create` | action graph แบบชั่วคราว |
| `memory_sketch_promote` | เลื่อนให้เป็นแบบ permanent |
| `memory_crystallize` | บีบอัด action chain |
| `memory_diagnose` | ตรวจสุขภาพระบบ |
| `memory_heal` | แก้ไข stuck state อัตโนมัติ |
| `memory_facet_tag` | tag แบบ dimension:value |
| `memory_facet_query` | ค้นหาด้วย facet tag |
| `memory_verify` | ย้อนดู provenance |
### 6 Resources · 3 Prompts · 17 Skills
| Type | Name | Description |
|------|------|-------------|
| Resource | `agentmemory://status` | Health, จำนวนเซสชัน, จำนวน memory |
| Resource | `agentmemory://project/{name}/profile` | ข้อมูลเชิงลึกต่อ project |
| Resource | `agentmemory://project/{name}/recent` | observation ล่าสุดของ project |
| Resource | `agentmemory://memories/latest` | memory ที่ active ล่าสุด 10 รายการ |
| Resource | `agentmemory://graph/stats` | สถิติ knowledge graph |
| Resource | `agentmemory://team/{id}/profile` | โปรไฟล์ทีมแบบ shared |
| Prompt | `recall_context` | ค้นหา + คืน context message |
| Prompt | `session_handoff` | ส่งต่อข้อมูลระหว่าง agent |
| Prompt | `detect_patterns` | วิเคราะห์ pattern ที่เกิดซ้ำ |
| Skill | `/recall` | ค้นหาหน่วยความจำ |
| Skill | `/remember` | บันทึกเข้าหน่วยความจำระยะยาว |
| Skill | `/session-history` | สรุปเซสชันล่าสุด |
| Skill | `/forget` | ลบ observation/เซสชัน |
ตารางนี้แสดงแค่ 4 skill หลัก ชุดเต็มมี invocable skill 9 ตัว บวก reference skill อีก 8 ตัว ดู section Native skills ด้านบน
### Standalone MCP
รันโดยไม่ต้องมี server แบบเต็ม สำหรับ MCP client ใดก็ได้ อย่างใดอย่างหนึ่งนี้ใช้ได้:
```bash
npx -y @agentmemory/agentmemory@latest mcp # canonical (always available)
npx -y @agentmemory/mcp # shim package alias
```
หรือเพิ่มลงใน MCP config ของ agent ของคุณ:
agent ส่วนใหญ่ (Cursor, Claude Desktop, Cline, Roo Code, Gemini CLI):
```json
{
"mcpServers": {
"agentmemory": {
"command": "npx",
"args": ["-y", "@agentmemory/mcp"],
"env": {
"AGENTMEMORY_URL": "http://localhost:3111"
}
}
}
}
```
Merge รายการ `agentmemory` เข้าไปใน object `mcpServers` ที่มีอยู่แล้วของ host คุณ อย่าแทนที่ไฟล์ทั้งหมด สำหรับ client แบบ sandbox ที่เข้าถึง `localhost` ของ host ไม่ได้ ให้เพิ่ม `"AGENTMEMORY_FORCE_PROXY": "1"` ลงใน env block และตั้งค่า `AGENTMEMORY_URL` ไปยัง route ที่ sandbox เข้าถึงได้
OpenCode (`opencode.json`):
```json
{
"mcp": {
"agentmemory": {
"type": "local",
"command": ["npx", "-y", "@agentmemory/mcp"],
"enabled": true
}
},
"plugin": ["./plugins/agentmemory-capture.ts"]
}
```
Copy ไฟล์ plugin จาก repo:
```bash
mkdir -p ~/.config/opencode/plugins
cp plugin/opencode/agentmemory-capture.ts ~/.config/opencode/plugins/
cp plugin/opencode/commands/*.md ~/.config/opencode/commands/
```
---
เริ่มทำงานอัตโนมัติบนพอร์ต `3113` viewer จะโหลด snapshot หนึ่งตัวตอนที่เชื่อมต่อ (`GET /agentmemory/viewer/snapshot`) แล้วจึง apply live stream event ต่อ: memory ใหม่, lesson, observation, audit entry, การเปลี่ยนแปลงของ graph และการอัปเดต health จะปรากฏขึ้นโดยไม่ต้อง polling หรือ reload หน้า คำขออื่น ๆ ที่เหลือมีแค่ action ที่คุณกดเอง, การโหลด "load more" เพิ่ม และการค้นหา เมื่อ stream หลุด viewer จะแสดงว่าตัวเลขเก่าไปแค่ไหน เชื่อมต่อใหม่แบบ backoff และ resync จาก snapshot หนึ่งตัว
- **12 แท็บใน 4 กลุ่ม** พร้อม live count, deep link (`#memories/`, `#sessions/?obs=`, `#graph/`, `#health/consolidation`), คีย์ลัด และเมนูสำหรับมือถือ
- **Memories:** ค้นหาฝั่ง server, filter ตาม project, agent และ type, detail panel พร้อม version chain และ word diff, provenance link, ปุ่ม copy สำหรับ id, MCP call และคำสั่ง curl, แก้ไข (สร้าง version ใหม่), forget พร้อมยืนยัน, bulk forget และ export JSON
- **Sessions:** inline observation timeline พร้อม tool input/output ที่อ่านง่าย, filter และ paging, และ memory/lesson ที่แต่ละเซสชันสร้างขึ้น
- **Graph:** ค้นหา, node detail พร้อม relation และ source, legend ที่ไม่พึ่งสีเพียงอย่างเดียว, และปุ่มควบคุม zoom
- **Health:** เวอร์ชัน live ของ `GET /agentmemory/status` ทุกปัญหามาพร้อมวิธีแก้ บวก state backend, สถานะการ save index, ความคืบหน้าของการ compact graph provenance และคำอธิบาย consolidation พร้อม threshold จริง
- หน้า **Audit, Activity, Profile, Replay, Lessons, Actions และ Crystals** แต่ละหน้ามี empty state ที่บอกว่า section นั้นคืออะไร ทำไมมันว่าง และคำสั่งที่จะเติมมันให้เต็ม พร้อม tooltip อธิบายศัพท์ `?` บนทุกคำและตัวเลข
```bash
open http://localhost:3113
```
viewer server จะ bind กับ `127.0.0.1` โดย default และแนบ server secret ไว้ตอน forward คำขอไปยัง REST API ดังนั้นไม่ต้องตั้งค่าอะไรเพิ่ม endpoint `/agentmemory/viewer` ที่ served จาก REST ปฏิบัติตามกฎ bearer-token ตามปกติ และ redirect browser ที่ไม่มี token ไปยัง viewer port ส่วน header CSP ใช้ script nonce ต่อ response และปิดการใช้ inline handler attribute (`script-src-attr 'none'`)
---
### LLM Providers
agentmemory ตรวจจับ provider จาก environment ของคุณอัตโนมัติ provider จะทำให้ operation ที่ใช้ LLM พร้อมใช้งาน แต่การตั้งค่า provider เพียงอย่างเดียวไม่เปิดการบีบอัด observation ด้วย LLM เส้นทางนั้นต้องมีทั้ง provider และ `AGENTMEMORY_AUTO_COMPRESS=true`
| Provider | Config | Notes |
|----------|--------|-------|
| **No-op (default)** | ไม่ต้องตั้งค่า | ปิดการ compress/summarize ด้วย LLM synthetic compression และ BM25 recall ยังทำงานอยู่ ดู `AGENTMEMORY_ALLOW_AGENT_SDK` ด้านล่างถ้าคุณเคยพึ่ง Claude-subscription fallback |
| Anthropic API | `ANTHROPIC_API_KEY` | คิดค่าใช้จ่ายตาม token |
| MiniMax | `MINIMAX_API_KEY` | เข้ากันได้กับ Anthropic |
| Gemini | `GEMINI_API_KEY` | เปิด embedding ด้วย |
| OpenRouter | `OPENROUTER_API_KEY` | โมเดลใดก็ได้ |
| OpenAI API | `OPENAI_API_KEY` | default `gpt-5.6-luna`, override ด้วย `OPENAI_MODEL` |
| **Local (Ollama / LM Studio / vLLM / llama.cpp)** | `OPENAI_API_KEY=local` + `OPENAI_BASE_URL=http://localhost:11434/v1` (Ollama) หรือ `http://localhost:1234/v1` (LM Studio) + `OPENAI_MODEL=` | ทุกอย่างที่เข้ากันได้กับ OpenAI API ไม่มีค่าใช้จ่าย รันบน hardware ของคุณเอง ดู [Local models](#local-models-ollama--lm-studio--vllm) ด้านล่าง |
| Claude subscription fallback | `AGENTMEMORY_ALLOW_AGENT_SDK=true` | ต้องเปิดเองเท่านั้น จะ spawn session `@anthropic-ai/claude-agent-sdk`; เคยทำให้เกิด Stop-hook recursion แบบไม่มีขอบเขต จึงไม่ใช่ default อีกต่อไป |
### Local models (Ollama / LM Studio / vLLM)
agentmemory คุยกับ server ใดก็ได้ที่เข้ากันได้กับ OpenAI API ดังนั้นอะไรก็ตามที่ expose `/v1/chat/completions` ใช้งานได้โดยไม่ต้องแก้โค้ดเลย ไม่มี key แบบเสียเงิน ไม่มี cloud ไม่มี rate limit รันทั้งหมดบน hardware ของคุณเอง
**Ollama** (default port `11434`):
```bash
ollama pull qwen3:8b # or qwen3:4b, gpt-oss:20b, qwen3-coder:30b, etc.
ollama serve
```
```env
# ~/.agentmemory/.env
OPENAI_API_KEY=ollama # any non-empty string; Ollama ignores it
OPENAI_BASE_URL=http://localhost:11434/v1
OPENAI_MODEL=qwen3:8b
```
**LM Studio** (default port `1234`):
เปิด LM Studio → แท็บ Local Server → Start Server เลือกโมเดลแชทตัวใดก็ได้จาก picker (Qwen 3, gpt-oss, DeepSeek R1, เป็นต้น)
```env
# ~/.agentmemory/.env
OPENAI_API_KEY=lmstudio # any non-empty string; LM Studio ignores it
OPENAI_BASE_URL=http://localhost:1234/v1
OPENAI_MODEL=qwen3-8b # match the model name from LM Studio
```
**vLLM / llama.cpp / Text Generation Inference**: รูปแบบเดียวกัน ชี้ `OPENAI_BASE_URL` ไปยัง URL ที่ server ของคุณ expose และตั้งค่า `OPENAI_MODEL` เป็นชื่อที่ server ของคุณยอมรับ
**โมเดลที่แนะนำสำหรับงาน memory**: compression และ summarization เป็นงานสั้น ๆ (input <2K token, output <500 token) ที่โมเดล instruct ขนาด 7B ก็เพียงพอแล้ว คำแนะนำ:
| Model | Size | Why |
|-------|------|-----|
| `qwen3:8b` | ~5.2 GB | default ที่สมดุลดีบนเครื่อง 16 GB แข็งแรงเรื่องการสกัดข้อมูลและข้อความแบบ tool-shaped |
| `qwen3:4b` | ~2.6 GB | ตัวเล็กที่สุดที่ยังใช้งานได้ ใช้กับ compression ได้ดี แต่อ่อนกว่าเรื่อง graph extraction |
| `qwen3-coder:30b` | ~19 GB | ตัวเลือก local ที่ดีที่สุดสำหรับเซสชันที่เป็นโค้ด (30B MoE, active 3.3B) บน hardware 24-32 GB |
| `gpt-oss:20b` | ~14 GB | โมเดลทั่วไปที่แข็งแรงและพอดีกับ RAM 16 GB |
| `deepseek-r1:8b` | ~5.2 GB | reasoning distill; ช้ากว่าแต่ extraction สะอาดกว่า |
โมเดล Qwen 3 จะคิดก่อนตอบโดย default และอาจใช้ token budget ทั้งหมดไปกับการ reasoning ก่อนที่จะมี output ออกมา ตั้งค่า `AGENTMEMORY_LLM_NOTHINK=1` เพื่อต่อท้าย `/no_think` เข้าไปใน prompt ของ graph-extraction และเพิ่ม `MAX_TOKENS` (16384 ใช้ได้ดี) ถ้า extraction กลับมาว่างเปล่า
โมเดลตระกูล reasoning (สไตล์ `o1` ที่มี block ``) อาจคืน `content` ว่างพร้อม field `reasoning` ที่ server ในเครื่องของคุณอาจไม่ expose ให้เห็น ถ้า extraction กลับมาว่าง ให้สลับไปใช้โมเดลที่ไม่ใช่ reasoning ก่อน env `OPENAI_REASONING_EFFORT=none` ยังปิดการคิดได้บนโมเดล thinking ของ Ollama Cloud ที่เลียนแบบ schema reasoning ของ OpenAI ด้วย
Local embedding ship มาเป็น optional dependency แต่ไม่ได้เปิดใช้โดย default ตั้งค่า `EMBEDDING_PROVIDER=local` เพื่อเปิดใช้ `Xenova/all-MiniLM-L6-v2` (384 มิติ) คำขอ embedding ครั้งแรกจะดาวน์โหลดโมเดล หลังจากนั้น inference จะทำงานในเครื่อง ถ้าไม่ได้ตั้งค่านี้หรือไม่มี remote embedding key vector จะปิดอยู่ `mem::search` จะใช้ BM25 และ `smart-search` ยังสามารถเพิ่ม graph match ที่มีอยู่แล้วได้
### Cost-aware model selection
เริ่มบันทึกและค้นหาคำสำคัญได้โดยไม่ต้องมีคีย์ `EMBEDDING_PROVIDER=local` เพิ่มการค้นหาเชิงความหมายบนเครื่องหลังดาวน์โหลดโมเดลครั้งแรก การบีบอัดด้วย LLM ต้องมีผู้ให้บริการและ `AGENTMEMORY_AUTO_COMPRESS=true` และอาจส่งคำขอทุก observation จึงควรตรวจสอบราคาปัจจุบัน
`agentmemory status` / http://localhost:3113
### Multi-agent memory (`AGENT_ID` + `AGENTMEMORY_AGENT_SCOPE`)
ในระบบ multi-agent ที่หลาย role ใช้ agentmemory server เดียวกัน (architect / developer / reviewer / researcher / support-agent) `AGENT_ID` จะ tag การเขียนทุกครั้งด้วย role ที่ทำมัน `AGENTMEMORY_AGENT_SCOPE` ควบคุมว่า recall จะ filter ตาม tag นั้นหรือไม่
```env
TEAM_ID=company
USER_ID=engineering-team
AGENT_ID=architect
AGENTMEMORY_AGENT_SCOPE=isolated # optional; default "shared"
```
สองโหมด:
| Mode | Tag writes | Filter recall | เมื่อไหร่ที่ควรใช้ |
|------|------------|---------------|-------------|
| `shared` (default) | ใช่ | ไม่ | Context ข้าม agent พร้อม audit trail architect เห็นสิ่งที่ developer บันทึกได้ แต่ทุกแถวจะบันทึกว่าใครเป็นคนพูด |
| `isolated` | ใช่ | ใช่ | แยกกันอย่างเด็ดขาด architect จะไม่เห็น observation / memory / session ของ developer เลย |
สิ่งที่ถูก tag เมื่อตั้งค่า `AGENT_ID`: `Session.agentId`, `RawObservation.agentId`, `CompressedObservation.agentId`, `Memory.agentId` role จะไหลจาก `api::session::start` → `mem::observe` → `mem::compress` → KV
สิ่งที่ถูก filter ในโหมด isolated: `mem::smart-search`, `/agentmemory/memories`, `/agentmemory/observations`, `/agentmemory/sessions` แต่ละ endpoint รับ `?agentId=` เพื่อ override เป็นรายคำขอ และ `?agentId=*` เพื่อขอไม่ใช้ env scope เลย `/memories` ยังรับ `?includeOrphans=true` เพื่อแสดง memory ก่อนยุค AGENT_ID ที่มี `agentId` เป็น undefined
การ override ต่อคำขอที่ระดับ SDK / REST: ทุก mutating endpoint (`/session/start`, `/remember`) รับ field `agentId` ใน request body ที่มีสิทธิ์เหนือ env มีประโยชน์สำหรับ runtime ที่ route หลาย role ผ่าน server process เดียว MCP tool `memory_save` ก็ expose field `agentId` เดียวกัน standalone stdio server forward ทั้ง `agentId` และ `project` และ memory ที่ save ไว้จะพก `agentId` เข้าไปใน search index ด้วย ดังนั้น agent-scoped search จะครอบคลุม memory ไม่ใช่แค่ observation
เมื่อไม่ได้ตั้งค่า `AGENT_ID` memory จะไม่ถูก scope เลย (พฤติกรรมแบบเดิม ไม่มี tag ไม่มี filter)
### Ports
API และตัวดูข้อมูลใช้ loopback ตามค่าเริ่มต้น
| Port | API / ตัวดูข้อมูล | Env |
|---|---|---|
| `3111` | REST / MCP / SSE | `III_REST_PORT` |
| `3113` | ตัวดูข้อมูล | `III_VIEWER_PORT` |
`--port ` กำหนดพอร์ต API และตัวดูข้อมูลใช้ `N+2` โดยปริยาย ใช้ `--instance N` สำหรับ instance แยก เก็บ listener ภายในให้เป็นส่วนตัว ดูการเข้าถึงระยะไกลและ[การย้าย Docker รุ่นเก่า](../deploy/README.md#migrating-from-the-legacy-cli-docker-mode)ในคู่มือ deploy
### Storage backend: file (default) vs Redis
ไม่ต้องมีบริการฐานข้อมูลแยก. Redis: `AGENTMEMORY_STATE_BACKEND=redis` + `AGENTMEMORY_REDIS_URL`. การเปลี่ยน backend ไม่คัดลอกความจำเดิมให้อัตโนมัติ [การจัดเก็บข้อมูล](../docs/reliability/state-storage.md).
### Config File
เก็บ runtime config ใน `~/.agentmemory/.env` แทนการ export ตัวแปรในทุก shell ตั้ง `AGENTMEMORY_ENV_FILE` เพื่อเลือกไฟล์ env อื่น ตัวแปร environment ของ process มีลำดับเหนือค่าจากไฟล์ Worker Compose ที่ CLI สร้างจะส่ง Redis settings ไปยัง worker `state`
```powershell
New-Item -ItemType Directory -Force $HOME\.agentmemory
notepad $HOME\.agentmemory\.env
```
หากต้องการทดสอบด้วย Claude Code Pro/Max subscription แทน API key ให้เปิดใช้งานอย่างชัดเจน:
```env
AGENTMEMORY_ALLOW_AGENT_SDK=true
AGENTMEMORY_AUTO_COMPRESS=true
```
การบีบอัด observation ด้วย LLM ต้องมีทั้งสองบรรทัดนี้: การเข้าถึง LLM provider (รวมถึง subscription fallback แบบชัดเจนนี้) และ `AGENTMEMORY_AUTO_COMPRESS=true` provider เพียงอย่างเดียวจะทิ้งเส้นทาง synthetic compression แบบ default ไว้เหมือนเดิม
Consolidation (graph node, lesson, crystal) เปิดอยู่โดย default ทุกครั้งที่มีการตั้งค่า LLM provider ไว้ ให้ปิดอย่างชัดเจนด้วย `CONSOLIDATION_ENABLED=false` ถ้าต้องการให้ทำงานโดยไม่มี LLM เลย graph extraction เป็น flag แยก:
```env
GRAPH_EXTRACTION_ENABLED=true
# CONSOLIDATION_ENABLED=false # opt out of auto-consolidation
```
### Environment Variables
`~/.agentmemory/.env`:
```env
EMBEDDING_PROVIDER=local
# AGENTMEMORY_INJECT_CONTEXT=true
# AGENTMEMORY_AUTO_COMPRESS=true
# AGENTMEMORY_TOOLS=core
# AUTO_FORGET_ENABLED=false
# LESSON_DECAY_ENABLED=false
# INSIGHT_DECAY_ENABLED=false
```
ข้อมูลครบถ้วนอยู่ใน [`.env.example`](../.env.example) รวมผู้ให้บริการ ตัวกรอง capture การเก็บรักษา storage และขอบเขตทีม `AGENTMEMORY_ENV_FILE` เลือกไฟล์อื่นได้ เริ่มใหม่หลังเปลี่ยนคอนฟิก อย่า commit `.env` ที่มีค่าจริงหรือรหัสลับ Bearer
---
147 endpoint บนพอร์ต `3111` REST API จะ bind กับ `127.0.0.1` โดย default endpoint ที่ป้องกันไว้ต้องมี `Authorization: Bearer ` และ endpoint ของ mesh sync ต้องตั้งค่า `AGENTMEMORY_SECRET` ไว้อย่างชัดเจนทั้งสองฝั่ง
เปิดการยืนยันตัวตนตามค่าเริ่มต้น หากไม่ตั้ง `AGENTMEMORY_SECRET` CLI จะสร้างรหัสลับสุ่มครั้งแรกที่ `~/.agentmemory/secret` และคัดลอกไปยัง `secret` ในไดเรกทอรีข้อมูลที่เลือก โดยใช้สิทธิ์ `0600` ไคลเอนต์ที่รวมมาจะอ่านไฟล์หลักนี้ก่อนเมื่อเชื่อมต่อในเครื่อง และส่งรหัสลับที่บันทึกไว้เฉพาะ URL แบบ loopback ค่า `AGENTMEMORY_SECRET` ที่ระบุเองมีลำดับความสำคัญสูงกว่า ไคลเอนต์ระยะไกลต้องตั้งผ่าน environment ส่วน Docker สร้างรหัสลับของตนเอง
```bash
curl -H "Authorization: Bearer " http://localhost:3111/agentmemory/health
```
**กฎของคำขอสำหรับการเขียน** คำขอ `POST`, `PUT`, `PATCH` และ `DELETE` ไปยัง REST API และ viewer ต้องส่ง `Content-Type: application/json` (พารามิเตอร์ `charset` ใส่ได้) เมื่อมี body และ header `Origin` เมื่อมีอยู่ ต้องเป็น loopback origin ของพอร์ต REST หรือ viewer ที่ตั้งค่าไว้ หรืออยู่ใน `VIEWER_ALLOWED_ORIGINS` (คั่นด้วย comma เช่น `https://memory.example.com`) client ที่ไม่ส่ง header `Origin` เลย (CLI, hook, MCP, curl, server-to-server) ไม่ได้รับผลกระทบ viewer เองก็ยอมรับ origin ของตัวเองด้วย
**File paths** endpoint ที่อ่านหรือเขียนไฟล์ (`/compress-file`, `/replay/import-jsonl`, `/graph/import-graphify`) จะรับเฉพาะ path ที่อยู่ใต้ `~/.agentmemory`, instance data directory, หรือ directory ที่อยู่ใน `AGENTMEMORY_IMPORT_ROOT` (คั่นหลายตัวด้วย `:` หรือ `;` บน Windows) `/replay/import-jsonl` ยังรับ default ของมันคือ `~/.claude/projects` `/obsidian/export` อยู่ภายใน `AGENTMEMORY_EXPORT_ROOT` และ `/migrate` อยู่ภายใน `~/.agentmemory` Symlink จะถูก resolve ก่อนการตรวจสอบทุกครั้ง
**การลบข้อมูล secret** API key, bearer token, PEM private key block และ credential ที่ฝังอยู่ใน URL (`scheme://user:password@host`) จะถูก redact ก่อนจัดเก็บข้อความ บนทุกเส้นทางการเขียน: observation, remember, evolve, slot, lesson, action, sketch, signal, checkpoint, import, jsonl replay, mesh sync, team share, output ของ compression และ summary, crystal และ graph node
Key endpoints
| Method | Path | Description |
|--------|------|-------------|
| `GET` | `/agentmemory/health` | Health check (always public) |
| `GET` | `/agentmemory/status` | อะไรผิดพลาดและวิธีแก้ (HTML สำหรับ browser, JSON กรณีอื่น) |
| `GET` | `/agentmemory/viewer/snapshot` | ทุกอย่างที่ viewer แสดง ในคำตอบเดียว |
| `POST` | `/agentmemory/session/start` | เริ่มเซสชัน + รับ context |
| `POST` | `/agentmemory/session/end` | จบเซสชัน |
| `POST` | `/agentmemory/observe` | บันทึก observation (ดู capture delivery ด้านล่าง) |
| `GET` | `/agentmemory/capture` | Capture inbox, dead letter และ offline spool |
| `POST` | `/agentmemory/capture/retry` | Retry dead-letter capture |
| `POST` | `/agentmemory/capture/drain` | ส่ง offline spool ในเครื่องทันที |
| `POST` | `/agentmemory/smart-search` | ค้นหาแบบ hybrid |
| `POST` | `/agentmemory/context` | สร้าง context |
| `POST` | `/agentmemory/remember` | บันทึกเข้าหน่วยความจำระยะยาว |
| `POST` | `/agentmemory/forget` | ลบ observation |
| `POST` | `/agentmemory/enrich` | context ของไฟล์ + memory + bug |
| `GET` | `/agentmemory/profile` | โปรไฟล์ project |
| `GET` | `/agentmemory/export` | export ข้อมูลทั้งหมด |
| `POST` | `/agentmemory/import` | import จาก JSON |
| `POST` | `/agentmemory/graph/query` | คำค้นหา knowledge graph |
| `POST` | `/agentmemory/graph/compact` | ตัด graph provenance ที่ใหญ่เกินไป |
| `POST` | `/agentmemory/team/share` | แชร์กับทีม |
| `GET` | `/agentmemory/audit` | Audit trail |
รายการ endpoint แบบเต็ม: [REST API](../plugin/skills/agentmemory-rest-api/REFERENCE.md)
**Capture delivery** hook จะส่งแต่ละ observation ไปที่ `POST /agentmemory/observe` ครั้งเดียว พร้อม `eventId` มันคือ id ของ host เองสำหรับคำขอนั้นเมื่อ payload มี id อยู่แล้ว (เช่น `tool_use_id` ของ Claude Code) ไม่อย่างนั้นก็เป็น hash ของ session, hook type, tool name, input, output และ host timestamp server จะเขียน event เข้า capture inbox ใน state store, เก็บ observation, แล้วลบรายการ inbox ออก status code จะบอกว่าเกิดอะไรขึ้น:
| Status | `status` field | Meaning |
|---|---|---|
| `201` | `accepted` | บันทึกแล้ว `observationId` คือ observation ตัวใหม่ |
| `202` | `accepted` (`state: "retrying"`) | รับแล้ว แต่การบันทึกล้มเหลว server จะ retry มัน รวมถึงหลัง restart ด้วย |
| `200` | `duplicate` | `eventId` นี้ถูกรับไปแล้ว `observationId` คือ observation ที่มีอยู่แล้ว ไม่มีอะไรถูกบันทึกใหม่ |
| `400` / `422` | `rejected` | payload ไม่ถูกต้อง หรือการบันทึกล้มเหลวแบบถาวร (event จะถูกเก็บไว้เป็น dead letter) |
| `503` | `rejected` (`retryable: true`) | inbox เต็ม (`AGENTMEMORY_CAPTURE_INBOX_MAX`) hook จะ spool event ไว้และส่งทีหลัง |
Event ที่ล้มเหลวจะถูก retry ทุก `AGENTMEMORY_CAPTURE_RETRY_INTERVAL_MS` (10 วินาที) ด้วย backoff แบบทวีคูณ สูงสุด `AGENTMEMORY_CAPTURE_MAX_ATTEMPTS` (5 ครั้ง) Event ที่ยังล้มเหลวอยู่จะค้างอยู่ใน inbox เป็น dead letter ถูก list ไว้บน `/agentmemory/status` และหน้า Health ของ viewer และ retry ได้ด้วย `POST /agentmemory/capture/retry` (`{"eventId": "..."}` หรือ `{"all": true}`) event id ที่ถูกรับแล้วจะถูกจำไว้เป็นเวลา `AGENTMEMORY_CAPTURE_DEDUP_HOURS` (168 ชั่วโมง สูงสุด `AGENTMEMORY_CAPTURE_EVENTS_MAX` id) ดังนั้น hook ที่ replay หลัง timeout หรือ restart จะถูกบันทึกครั้งเดียว ในขณะที่ tool call สองครั้งที่แยกกันโดยมี host id เป็นของตัวเองจะถูกบันทึกสองครั้งแม้เนื้อหาเหมือนกันทุกตัวอักษร เมื่อ observation ถูกลบ (forget, ลบเซสชัน, eviction, auto-forget หรือ import ที่แทนที่ store) event ของมันจะถูก mark ว่าลบแล้วก่อนที่ observation จะถูกลบจริง ดังนั้นการ replay event นั้นในช่วงเวลาเดียวกันจะถูกตอบว่าเป็น duplicate และไม่บันทึกอะไรเลย state store จะเขียนลงดิสก์ทุก 2 วินาที ดังนั้น event ที่ตอบแล้วอาจยังอยู่ในหน่วยความจำเพียงชั่วครู่ เพื่อครอบคลุมกรณีนี้ คำตอบ `2xx` ทุกตัวจะพก `bootId` ของ server (ใหม่ทุกครั้งที่เริ่ม), `acceptedAt` และ `durableAfterMs` (save interval บวก 1.5 วินาทีบน file store, 1.5 วินาทีบน redis ที่ persistence เป็นการตั้งค่าของ operator) hook จะเก็บ event ไว้ใน spool ในเครื่องจนกว่า window นั้นจะผ่านไป แล้วลบมันในคำขอครั้งถัดไปโดยไม่ต้องมีคำขอเพิ่ม ถ้า `bootId` เปลี่ยนไปตอนนั้น แสดงว่า server restart แล้ว ดังนั้น hook จะส่ง event ซ้ำด้วย `eventId` เดิม event ที่ถึงดิสก์ไปแล้วจะไม่ถูกบันทึกซ้ำสองครั้ง server เองก็จะส่ง event แบบนี้ตอนเริ่มและทุก retry interval ด้วย ดังนั้น restart จะไม่เสียอะไรเลยแม้ไม่มี hook รันต่อจากนั้น hook เก่าจะไม่สนใจ field เพิ่มเติมเหล่านี้ และ hook ใหม่ที่คุยกับ server เก่าจะทิ้ง event บน `2xx` เหมือนเดิม
เมื่อ server ล้ม ไม่ตอบทันเวลา หรือคืน 5xx hook จะต่อ observation เข้าไปที่ spool file ในเครื่อง `/capture-spool/-.jsonl` (override folder ด้วย `AGENTMEMORY_CAPTURE_SPOOL_DIR`) ไฟล์นี้เป็นของ user คุณเท่านั้น (mode 600) secret ถูก redact แบบเดียวกับที่ server redact มัน มันเก็บได้สูงสุด `AGENTMEMORY_CAPTURE_SPOOL_MAX_BYTES` (5 MiB) และ drop รายการที่เก่ากว่า `AGENTMEMORY_CAPTURE_SPOOL_MAX_AGE_HOURS` (168 ชั่วโมง) เมื่อเต็ม รายการใหม่จะถูก drop และนับไว้ และ `/agentmemory/status` จะรายงานมัน hook ยัง exit 0 ภายใน time limit ของมันเสมอ และไม่เพิ่มคำขอใด ๆ เมื่อ server ปกติดี spool จะถูกส่งตอนเริ่มครั้งถัดไป และโดย hook ตัวแรกที่เชื่อมต่อกับ server ได้อีกครั้ง ใน background process เพื่อไม่ให้ agent ต้องรอ event id ทำให้สิ่งนี้ปลอดภัย: observation ที่ถึงแล้วก่อน timeout จะไม่ถูกบันทึกซ้ำสองครั้ง `npx @agentmemory/agentmemory capture` จะแสดง spool และ server inbox, `--drain` จะส่ง spool ทันที, และ `GET /agentmemory/capture` คืนค่าแบบเดียวกันเป็น JSON ตั้งค่า `AGENTMEMORY_CAPTURE_SPOOL=false` เพื่อปิด spool
**การ compact graph provenance** การ compact provenance เก่าจะถูกเลื่อนเมื่อเริ่มระบบ เพราะต้องอ่าน scope เก่าทั้งหมด `/agentmemory/status` จะแสดง `deferred` หรือ `off` เมื่อตั้ง `AGENTMEMORY_GRAPH_COMPACT_ON_BOOT=false` ให้รันการ compact แบบแมนนวลด้านล่างระหว่างการบำรุงรักษา การย้ายดัชนีค้นหาเป็นงานแยกต่างหาก: ใช้ `agentmemory graph-index migrate --allow-legacy-scan` ตาม[คู่มือการบำรุงรักษา](../docs/reliability/graph-index-migration.md)
หากต้องการรันด้วยมือ เรียก `POST /agentmemory/graph/compact` มันจะไล่ตาม name และ edge-key index แทนการ list node และ edge ทุกตัว และปลอดภัยที่จะรันซ้ำ เมื่อมันตัด id ออก มันจะเขียน audit entry แบบ `graph_compact`
```bash
curl -X POST http://localhost:3111/agentmemory/graph/compact -H "Authorization: Bearer " -H "Content-Type: application/json" -d '{}'
```
บน store ขนาดใหญ่ หรือเมื่อคำขอคืน 504 ให้รันเป็น slice ส่ง `scope` (`nodes`, `edges` หรือ `history`), `offset` และ `limit` แล้วเรียกซ้ำด้วย `nextOffset` ที่คืนมาจนกว่าจะเป็น `null` ทำแบบนี้สำหรับ `nodes`, `edges` และ `history` แล้วปิดท้ายด้วยการเรียก `{"scope":"snapshot"}` หนึ่งครั้ง เพราะการรันแบบ slice จะไม่แตะ cached snapshot
```bash
curl -X POST http://localhost:3111/agentmemory/graph/compact -H "Authorization: Bearer " -H "Content-Type: application/json" -d '{"scope":"nodes","offset":0,"limit":200}'
curl -X POST http://localhost:3111/agentmemory/graph/compact -H "Authorization: Bearer " -H "Content-Type: application/json" -d '{"scope":"snapshot"}'
```
---
```bash
npm run dev # Hot reload
npm run build # Production build
npm test # 5,000+ tests
npm run test:integration # API tests (requires running services)
```
ดูข้อกำหนดใน[การติดตั้ง](#install) และกติกาการพัฒนากับการตรวจรีลีสใน [CONTRIBUTING.md](../CONTRIBUTING.md)
[Apache-2.0](../LICENSE)