memo

memo

Seu agente de codificação começa toda sessão com amnésia. memo resolve isso — 100% na sua própria máquina.

Memória persistente e pesquisável para Claude Code, Codex, Cursor, Cline, Devin e OpenCode. Sem nuvem, sem chaves de API, sem Ollama, sem banco vetorial para rodar. E gasta menos tokens, não mais.

Instalação

curl -fsSL https://raw.githubusercontent.com/jagoff/memo/v4.16.0/install.sh | bash

_{Prefere um gerenciador de pacotes? uv tool install mlx-memo · pipx install mlx-memo · brew tap jagoff/memo && brew install mlx-memo}

Depois:

memo doctor                                   # self-check
memo save 'we use Postgres, not Mongo'        # save a decision
memo search 'what database did we pick?'      # search by meaning

Pronto. Seus agentes detectam automaticamente via MCP — o instalador configura todos os clientes que encontrar.

curl -fsSL https://raw.githubusercontent.com/jagoff/memo/v4.16.0/install.sh | bash
memo sync bootstrap git@github.com:yourname/memo-sync.git

curl -fsSL https://raw.githubusercontent.com/jagoff/memo/v4.16.0/install.sh | bash
memo doctor --strict-runtime

No Linux ou quer apenas explorar antes?

docker run --rm ghcr.io/jagoff/memo:latest memo doctor

Por que isso economiza dinheiro

A maioria dos servidores de memória adiciona contexto. memo foi feito para removê-lo.

A superfície MCP padrão tem 43 ferramentas, não 165 — 74% menos ferramentas e cerca de 68% menos contexto de esquema: 43 ferramentas / ~9,7k tokens de esquema versus 165 ferramentas / ~30,6k tokens na superfície completa — um custo pago a cada sessão, em todos os clientes.

A recordação ambiente injeta uma memória relevante antes de o modelo responder. O hook do Claude Code incluído limita essa injeção a ~160 tokens. memo roi relata as contagens reais de fundamentação e re-consulta — o valor estimado de economia que costumava exibir foi removido na versão 4.14.0, porque multiplicar essas contagens por constantes fixas era uma alegação de economia que memo não podia sustentar. Para economia medida, memo tokens lê os contadores de uso do próprio provedor por meio do proxy de compressão de contexto.

memo roi       # value from grounded recalls and avoided re-asks
memo tokens    # usage-savings ledger

Três coisas que nenhum outro faz

🕰️ Máquina do tempo — consulte seu conhecimento como ele era

memo as-of ask "what was the deploy strategy?" --date 2026-02-01
memo diff --from 2026-01-01 --to 2026-03-01

Reconstrução histórica completa por reprodução reversa de history.db. Útil quando você precisa saber por que o você do passado tomou uma decisão, não apenas o que o você do passado decidiu.

⚡ Radar de contradições — memória que percebe quando você muda de ideia

memo contradict scan      # find conflicting facts corpus-wide
memo contradict triage    # resolve: fuse / newer-wins / dismiss

Mude uma decisão e memo sinaliza a versão agora desatualizada, para que o agente pare de reintroduzir o que você já descartou.

🔮 Dream — otimiza-se enquanto você dorme

memo dream run

Um pipeline noturno de 7 fases: inventário → mineração de sinais → resolução de conflitos → poda de dados obsoletos → síntese de insights entre clusters → otimização → pré-aquecimento dos embeddings das 100 principais consultas para que a recordação de amanhã permaneça abaixo de 200 ms. Cada execução gera um recibo que você pode auditar. Zero intervenção.

Como funciona

Recuperação híbrida. Uma perna vetorial (MLX no Apple Silicon, sentence-transformers na CPU) e uma perna BM25 (FTS5, com dobra de diacríticos para espanhol) rodam em paralelo, fundem-se via Reciprocal Rank Fusion e passam por um re-ranqueador MLX cross-encoder opcional.

Markdown é a fonte da verdade. Cada memória é um arquivo .md simples que você pode ler, pesquisar com grep e versionar. SQLite é um índice derivado que se reconstrói a partir dos arquivos a qualquer momento — edite manualmente no Obsidian e sua edição prevalece no próximo memo reindex. Nada fica preso em um banco de dados que você não pode abrir.

Prompts e memórias permanecem na sua máquina. Embedder, re-ranqueador e LLM rodam todos em processo. Sem telemetria. A memória só viaja se você apontar memo sync para um repositório git remoto que você controla. A inicialização normal é totalmente offline; verificações de atualização remota e auto-atualização exigem aceitação explícita. → Política de privacidade e rede

Também incluído: memo resume entre agentes (reabra qualquer sessão de qualquer agente), sincronização git entre Macs, um grafo de conhecimento com arestas opcionais de símbolos de codegraph, armazenamento criptografado de segredos, ingestão de OCR/áudio, pacotes de evidências, aprendizado de resultados, federação assinada e uma interface de chat local sobre sua memória (memo chat serve). → Referência completa de recursos

Como se compara

Verificado em julho de 2026 contra a documentação de cada projeto. Correções são bem-vindas — abra uma issue e corrigirei a tabela.

_{✅ primeira classe · ⚠️ parcial, limitado por configuração ou complemento · ❌ ausente}

Os comparadores mais próximos são basic-memory (local-first + Obsidian + MCP — mesma tese) e cipher (memória para agentes de codificação).

Requisitos

Python ≥ 3.13 (o instalador cuida disso via uv se você não tiver). A primeira instalação baixa ~8 GB de modelos, 5–15 min. Opcional: um cofre Obsidian — sem um, memo usa ~/Documents/memo/.

Documentação

Todos os 145 comandos CLI de nível superior

Contribuindo

git clone https://github.com/jagoff/memo && cd memo
uv pip install -e '.[dev]'

Issues e PRs são bem-vindos — veja CONTRIBUTING.md. Se memo for útil para você, uma ⭐ genuinamente ajuda outras pessoas a encontrá-lo.

Licenciado sob MIT. Construído sobre Apple MLX, sqlite-vec e codegraph.