AgentRecall-MCP
★ 371
vs
headroom
★ 77.5k
AgentRecall-MCP vs headroom
AgentRecall-MCP：AgentRecall 是一个面向AI代理的学习循环系统，提供持久、复合的记忆。它自动捕获纠正，跨项目呈现过去洞察，采用五层记忆模型、艾宾浩斯衰减和贝叶斯反馈。零云，全本地Markdown文件。；headroom：Headroom在AI代理的内容（如工具输出、日志、RAG块、文件和对话历史）到达LLM之前对其进行压缩。它能在获得相同答案的同时，显著减少所需的Token数量。
01
简评
AgentRecall-MCPMemory & Context · ★ 371
跨AI代理会话（Claude Code、Cursor等）保持上下文
headroomMemory & Context · ★ 77.5k
何时选择它（优势与适用）：
- 冗长的工具输出、日志、JSON 响应或 RAG 片段推高了成本或影响了答案质量。
- 想不改代码就压缩：作为本地代理、MCP 服务器运行，或包装 Claude Code、Codex、Cursor。
- 压缩必须在本地运行，并缓存原文，让模型需要时能取回完整内容。
何时考虑替代方案：
- 你的智能体的问题是文档缺失或过时，而不是上下文太多：文档服务器更合适。
- 你无法再加一个需要持续运行、可能增加延迟的组件。
- 你的任务不能接受有损压缩：先在自己的任务上验证答案质量。
02
并排对比
03
功能特性
AgentRecall-MCP01持久复合记忆，200行感知上限
02自动纠正捕获和对齐检查
03通过关键字和语义（pgvector）搜索实现跨项目洞察召回
04零云，全本地Markdown文件，兼容Obsidian
05提供10个MCP工具、SDK和CLI
headroom01应用程序内压缩库（Python/TypeScript）
02零代码改动代理模式
03各种AI代理的一键封装
04跨代理共享内存和自动去重
05可逆压缩（CCR）并支持原始内容检索
04
使用场景
AgentRecall-MCP↳跨AI代理会话（Claude Code、Cursor等）保持上下文
↳在软件开发中捕获并学习用户的纠正
↳协调多个并行代理之间的记忆
headroom↳降低AI代理的LLM Token使用量和API成本。
↳实现多个AI代理之间的共享上下文和内存。
↳通过压缩工具输出、日志和RAG块来优化编码代理。
↳通过可逆上下文压缩保持完整数据保真度。
05
适合场景
AgentRecall-MCP—
headroom最受欢迎必备神器
FAQ
常见问题
AgentRecall-MCP 和 headroom 有什么区别？
AgentRecall-MCP 和 headroom 都属于 Memory & Context 类别。AgentRecall-MCP 有 371 Stars，headroom 有 77.5k Stars。
AgentRecall-MCP 和 headroom 哪个更好？
最佳选择取决于你的具体需求。跨AI代理会话（Claude Code、Cursor等）保持上下文 时选 AgentRecall-MCP，降低AI代理的LLM Token使用量和API成本。 时选 headroom。
AgentRecall-MCP 是免费的吗？
是的，AgentRecall-MCP 在 GitHub 开源（MIT）。
headroom 是免费的吗？
是的，headroom 在 GitHub 开源（Apache-2.0）。
推荐云部署
Ad在 DigitalOcean 上一键部署
为你的 MCP 服务、Docker 容器与智能体提供即开即用云服务器，新用户立享 $200 免费额度（60天有效）。
→