ZiMingの宝藏之地
首页项目归档笔记照片墙音乐灵境说说杂谈友链关于
知识库
138 篇文档 / 65 个目录
目录菜单
主页知识库
飞书飞书知识库/AI/Codex/工具/Codex上下文管理技巧

Codex上下文管理技巧

同步时间：2026-05-28T14:46:05

图片

Codex 上下文持久化与防失忆完整解决方案

1. 最简单粗暴：维护一个"上下文文档" + 定期总结

  • 每次会话结束前（或上下文快满时），直接让 Codex 生成一个简洁的总结 Markdown 文件（比如 project-context.md 或 resume-prompt.md）。

  • 提示词示例："请总结我们当前项目的关键决策、已完成部分、待办事项、重要文件修改记录和整体架构思路，输出成一个结构化的 Markdown 文件，便于下次新会话直接加载。"

  • 下次新会话开头第一条消息就贴这个总结（或让它读取本地文件，如果 Codex 支持）。

  • 额外技巧：维护一个固定的 CLAUDE.md 或 AGENTS.md（或类似 steering 文件），里面放项目背景、你的偏好、常见规则、已学到的经验教训。每次新会话让它先"熟悉当前项目"并加载这些文件。

  • 优点：零成本，手动可控；缺点：需要你稍微维护。

2. 利用 Codex 内置的压缩/恢复功能

  • Codex 有 Compaction（上下文压缩） 机制，能在长会话中自动或手动压缩历史，保留核心信息，让连续对话更持久。

  • 命令提示：试试 /compact（压缩当前会话）、/resume（恢复之前保存的对话）或类似斜杠命令（有些版本支持 /fork 分支会话）。

  • 如果你是用 Codex CLI，注意它有时会在达到窗口限制时自动处理，但最好主动监控 token 占用（很多用户会看到百分比提示）。

  • 进阶：让 Codex 自己生成 resume-prompt.md，里面包含摘要 + 差距分析 + 修改文件列表，下次直接用。

3. 分工模式：用"监工 + 工人"拆解任务

  • 别让单个 Codex 会话扛所有上下文。推荐：

  • Codex 当"工人"：只负责执行具体小任务，每次新会话启动一个独立小步骤，避免上下文爆炸。

  • 另一个 AI（如 Claude Code 或主聊天界面）当"监工"：负责整体规划、任务拆分、监控进度、汇总结果。

  • 这样工人每次重启都不影响大局，监工负责跨会话记忆。很多开发者反馈这能让 Codex 连续工作很久而不崩溃。

4. 外部持久化工具和自动化

  • 本地 Markdown + Git：把重要决策、进度、死胡同都记录到 Git 仓库里的 Markdown 文件里。新会话时让 AI 先读这些文件。

  • MCP 协议记忆层（如 Memorix）：一些工具能提供跨会话、跨 IDE 的持久记忆，适合编程场景。

  • CLI 小工具：有些用户建本地索引（~/.codex/sessions），用命令搜索旧线程、读取历史消息，避免每次全贴。

  • 浏览器扩展或第三方（如 OpenMemory）：如果你在网页版用，能自动捕获/注入上下文（跨不同 AI 也行）。

这两个开源项目都是为了解决你之前提到的 Codex AI（以及类似 Claude Code、Gemini CLI 等）新会话容易丢失上下文的痛点而生的。它们提供跨会话持久化记忆机制，让 AI 不用每次都手动贴历史。

下面是它们各自的作用、特点和区别（基于最新 GitHub 信息）：

1. codex-agent-mem（推荐优先尝试，尤其是 Codex 重度用户）

  • GitHub：https://github.com/MarceloCaporale/codex-agent-mem

  • 核心作用：一个 本地优先（local-first） 的 Model Context Protocol (MCP) 记忆层。

  • 它专门为 AI 编码代理设计持久化项目连续性（continuity），把每次会话的关键信息（目标、约束、待办事项、blockers、Definition of Done、范围守卫等）提取、压缩并存储在本地 SQLite 数据库中。

  • 下次新会话时，AI 可以按需拉取紧凑的"上下文包"（context pack），大幅减少重复说明，避免"失忆"和范围漂移（scope drift）。

  • 特别强调防止虚假完成：通过工具如 mem_open_work 和 mem_completion_check，确保 AI 只有真正没有待办事项时才说"done"。

  • 关键特点：

  • 极致 token 节省：能把原始上下文压缩 88-97%（例如从 2 万多 token 压到几百 token）。

  • 全本地运行，无需外部服务器；支持 read-only 模式（防止意外修改）。

  • 支持 MCP 工具调用：mem_context_pack（获取压缩包）、mem_search 等。

  • 额外功能：快照、治理策略、诊断 UI、可选同步到 AGENTS.md。

  • 兼容性强：Codex CLI/Desktop、Claude Code、Gemini CLI、Qwen、DeepSeek/Ollama 等。

  • 安装方式（简单）：

pipx install "git+https://github.com/MarceloCaporale/codex-agent-mem.git"
codex-agent-mem-bootstrap-codex

# 生成配置，粘贴到 ~/.codex/config.toml 即可
  • 适合场景*：你主要用 Codex，想高效、紧凑的结构化记忆，减少 token 消耗和手动维护。

2. code-session-memory

  • GitHub：https://github.com/djannot/code-session-memory

  • 核心作用：自动**向量记忆（vector memory）**系统，把多个工具的会话历史自动索引到一个共享的向量数据库中，实现语义搜索和跨工具/跨会话的上下文共享。

  • 每次 AI 完成一轮（agent turn）后，自动把新消息提取、切块、生成 embedding，存入数据库。

  • AI 或你自己可以通过自然语言语义搜索过去的所有会话记录，不再需要手动贴历史。

  • 关键特点：

  • 跨工具共享记忆：OpenCode、Claude Code、Cursor、VS Code、Codex、Gemini CLI 等所有会话都存到一个数据库里（即使换工具也能复用上下文）。

  • 使用向量搜索（默认 sqlite-vec，可选 PostgreSQL + pgvector 实现多机共享）。

  • 支持会话浏览、删除、压缩（compaction）总结。

  • 提供 Web UI + CLI 查询工具，还有使用统计。

  • 增量索引，只处理新增内容，效率高。

  • 安装方式（一键式）：

npx code-session-memory install

它会自动检测已安装的工具，为 Codex 等写入 MCP 配置、notify hook 等。重启 Codex 即可生效（需要 OpenAI API key 用于 embedding）。

  • 适合场景*：你同时用多个 AI 编码工具（Codex + Cursor + Claude 等），希望有一个统一的语义搜索记忆库，能轻松查找"之前在哪个会话里讨论过这个功能"。

两者区别与建议

  • codex-agent-mem 更偏向结构化、紧凑的主动连续性管理（提取关键决策、防止漂移、token 优化），像一个"智能项目记忆管家"。

  • code-session-memory 更偏向被动向量检索（全历史语义搜索、跨工具共享），像一个"会话历史搜索引擎"。

  • 可以结合使用：一个管结构化核心记忆，一个管全文搜索，效果更好。

这两个项目都通过 MCP（Model Context Protocol） 与 Codex 等工具深度集成，安装后基本不用每次新会话贴历史了。

Table of Contents