AI智能体持久记忆层
Nominex 定位为“Memory Infrastructure for AI”，核心不是提供更聪明的 Agent，而是给 Agent 增加持久化记忆层。其 PMM（Poor Man’s Memory）方案使用结构化 Markdown 文件和 Git，把决策、教训、流程、长期指令、时间线等分门别类保存，让多智能体团队在不同会话之间保持机构知识连续性。
PMM 的关键设计是“结构即检索”：Agent 启动时通过滑动窗口加载最近条目，必要时可自主打开完整文件查找更早的信息。它不依赖向量库、embedding 或数据库，也不同于传统 RAG 中由基础设施替 Agent 决定检索内容。正文中的评估显示，自主检索贡献了约 83% 的记忆提升，而单纯把上下文预加载进窗口只贡献约 17%。不过，测试样本较小，且为内部评估。
抓取内容未提供商业定价、免费额度、付款方式或 SaaS 版本信息。正文提到 PMM 开源、可作为插件安装，并提供 GitHub 链接。技术上它更像面向开发者的轻量记忆框架：用文件系统和 Git 即可运行，适合与 Claude Code、多智能体工作流或自建 Agent 系统结合，但未看到正式 API、SDK、权限体系或企业级集成说明。
优点是架构极简、可审计、可回滚，工程团队容易理解和复制；类型化文件也让 Agent 能区分“已批准决策”“经验教训”“长期规则”等不同知识来源。缺点是效果依赖文件治理和 Agent 自身判断能力，检索成本可能高于向量查询；同时尚未与 RAG、图检索、向量检索在同一协议下对照评估。正文还指出“部分上下文陷阱”：只给 Agent 半个答案，反而可能诱导其自信地产生错误结果。
它适合正在构建长期运行 Agent、多智能体协作、代码代理或机构知识沉淀系统的技术团队；不太适合希望开箱即用、带完整后台和客服支持的非技术用户。中国大陆访问情况正文未说明，GitHub 相关资源可能受网络环境影响；支付方式也未知。若无法使用，可考虑自建 Markdown/Git 记忆层，或采用 RAG、向量数据库、MemGPT、OpenAI/Claude 自带记忆等替代方案。
本测评基于公开资料整理,不构成购买建议,请以 nominex.org 官网实际信息为准。
面向AI Agent的记忆基础设施，值得关注。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。