1. 智能体长期记忆为什么总在“重启后失忆”
做智能体开发的朋友大概率都遇到过这个场景：昨天刚跟 Agent 聊完“我对海鲜过敏”，今天再问它推荐餐厅，它照样给你推生蚝。这不是模型笨，而是大语言模型本身没有跨会话记忆，所有上下文都活在当前窗口里，窗口一关、Token 一超，记忆就归零。
普通 RAG 能缓解一部分问题，但它更像“查字典”——你问什么它去检索什么，检索不到就装傻，而且它不理解“因为你昨天感冒了，所以今天想喝热水”这种时间线和因果关系。真正要落地长期记忆，需要的是分层记忆结构：一层记“人设档案”（你是谁、你的偏好、你的禁忌），一层记“剧情时间线”（发生过什么、前后因果）。MemMachine 就是按这个思路设计的持久化记忆层，官方定位是 AI Agent 的 Persistent Memory Layer。
这篇要解决的问题很具体：把 MemMachine 跑起来，通过 MCP 协议接进 Claude Code，再用 TaoToken 统一管理模型 Key 和 API 通道，让 settings.json 和 config.toml 的骨架配置一次成型。适合正在做客服机器人、代码助手、陪伴类 Agent，且被“金鱼记忆”折磨过的开发者。下面所有配置片段都可以直接复制，我会把每一步的验证动作也写清楚，避免你卡在“看起来配好了但没生效”的状态。
2. TaoToken 前置：统一 Key 与 API 通道
MemMachine 本身要调用 LLM 做记忆抽取和 embedding，Claude Code 也要调用模型。如果每个组件各配一把 Key、各写一个 base_url，后期换模型或加组件时会非常痛苦。我的做法是用 TaoToken 作为统一入口，把模型调用收敛到一个 Key 和一条 API 通道上。
TaoToken 在这里扮演的是“模型网关”角色：你拿到一把 Key，配置一个 base_url，MemMachine 的 config.toml、Claude Code 的 settings.json 都指向它。这样做的直接好处是，后面想把记忆抽取模型从 A 换成 B，只改一处配置，不用满项目找 Key。
先拿 Key。打开官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，注册后在控制台创建 API Key。控制台地址是 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，Key 列表页在 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。API 基础地址统一用 https://taotoken.net/api ，注意这个地址不带任何查询参数。
提示：Key 只在创建时完整显示一次，复制后先存到本地密码管理器，别直接贴进会提交到 Git 的配置文件里。生产环境建议用环境变量注入。
拿到 Key 之后，先别急着配 MemMachine，用一条 curl 确认通道是通的，避免后面把网络问题误判成配置问题：
curl -s https://taotoken.net/api/v1/models \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ | head -c 500能返回模型列表 JSON，说明 Key 和通道都正常。这一步花三十秒，能省掉后面半小时的排查。
3. 可复制配置：MemMachine 的 config.toml 骨架
MemMachine 的记忆能力依赖两个模型：一个负责把对话抽取成结构化记忆（LLM），一个负责把记忆向量化（embedding）。这两个都走 TaoToken。下面是我实测可用的 config.toml 骨架，字段按官方结构组织，你只需要替换 Key。
# config.toml - MemMachine 记忆层配置骨架 [llm] provider = "openai-compatible" base_url = "https://taotoken.net/api/v1" api_key = "${TAOTOKEN_API_KEY}" model = "claude-3-5-sonnet" max_tokens = 2048 temperature = 0.2 [embedding] provider = "openai-compatible" base_url = "https://taotoken.net/api/v1" api_key = "${TAOTOKEN_API_KEY}" model = "text-embedding-3-small" dimensions = 1536 [memory] # 情景记忆：记录时间线与因果 episodic_enabled = true episodic_window = 50 # 档案记忆：记录稳定偏好与身份 profile_enabled = true profile_merge_strategy = "latest_wins" [storage] backend = "sqlite" path = "./data/memmachine.db" [server] host = "0.0.0.0" port = 8080几个参数值得说明。temperature = 0.2是故意的，记忆抽取要的是稳定和可复现，不需要创造力。profile_merge_strategy = "latest_wins"解决的是“用户改口”问题——用户先说喜欢海鲜、后来说过敏，档案记忆以最新一次为准，而不是两条冲突记录并存。episodic_window = 50控制情景记忆回溯的轮数，太小会丢上下文，太大检索会变慢，50 是个平衡点。
存储先用 sqlite 起步，单机验证足够。等你要上多实例或者数据量上来，再换 Postgres，配置结构不用大改，只换backend和连接串。
4. Claude Code 侧：settings.json 与 MCP 接入
MemMachine 跑起来后，要让 Claude Code 能用上它，走 MCP 协议。Claude Code 的外部工具、记忆层都通过 MCP 接入，这是关键一步，也是最多人卡住的地方。
先确认 Claude Code 装好了：
claude --version然后在项目根目录创建.mcp.json，把 MemMachine 注册成一个 MCP server：
{ "mcpServers": { "memmachine": { "command": "docker", "args": [ "exec", "-i", "memmachine-app", "/app/.venv/bin/memmachine-mcp-stdio" ], "env": { "MEMORY_CONFIG": "/app/configuration.yml", "MM_USER_ID": "your-user-id", "PYTHONUNBUFFERED": "1" } } } }MM_USER_ID是记忆隔离的关键。同一个 MemMachine 实例可以服务多个用户，靠这个 ID 区分档案。测试阶段随便填，生产环境要跟你的用户体系对上。
Claude Code 自身的 settings.json 里，把模型通道也指向 TaoToken，这样对话模型和记忆模型走同一条通道：
{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "${TAOTOKEN_API_KEY}" }, "mcpServers": { "memmachine": { "command": "docker", "args": ["exec", "-i", "memmachine-app", "/app/.venv/bin/memmachine-mcp-stdio"] } } }注意：settings.json 里的 Key 用环境变量引用，别写死。如果你在 CI 或多人协作环境，写死等于把 Key 公开了。
配置完启动 Claude Code，输入/mcp，能看到 memmachine 出现在已连接列表里，就说明 MCP 通道打通了。
5. 验证请求：写入记忆并跨会话读取
配置对不对，不看你配了多少行，看记忆能不能跨会话取出来。这一步做两个动作：写入、重启、读取。
先写入一段带偏好和禁忌的记忆文本，直接发给 Claude Code：
请记住我的饮食习惯：我喜欢吃辣，尤其是川菜和湘菜。 我不吃香菜，也不喜欢海鲜，特别是贝类。 我通常早上7点吃早餐，中午12点半午餐，晚上7点晚餐。 我在控制碳水摄入，尽量不吃白米饭和面条。 我的目标是增肌，每天至少摄入120克蛋白质。发完之后，完全关掉当前终端会话，重新开一个，再启动 Claude Code。这一步是故意的——如果记忆只活在当前进程里，重启就会丢，那它就不是长期记忆。
新会话里问：
我一天的用餐时间是怎么安排的？如果 MemMachine 正常工作，Claude 应该能答出“早上7点、中午12点半、晚上7点”，而不是说“我不知道”。再问一个跨维度的：
根据我的饮食偏好，帮我推荐一道晚餐。理想回答会避开香菜和贝类，同时体现控碳水和增肌的约束。这两个问题能同时验证情景记忆（时间线）和档案记忆（偏好禁忌）是否都生效。
想更直接地看记忆层状态，可以调 MemMachine 的健康检查接口：
curl -s http://localhost:8080/health返回{"status": "healthy"}说明服务在跑。但注意，健康检查只证明服务活着，不证明记忆写进去了，所以跨会话读取那一步不能省。
6. 本篇常见错排查
MCP 连不上，/mcp里看不到 memmachine。先确认容器名对得上。.mcp.json里写的是memmachine-app，用docker ps看实际容器名是不是这个。容器名不对，docker exec直接失败，MCP 自然连不上。
记忆写进去了但读不出来。九成是MM_USER_ID不一致。写入时用一个 ID，读取时换了另一个 ID，记忆是隔离的，当然读不到。检查.mcp.json和 settings.json 里的MM_USER_ID是否一致。
embedding 报维度不匹配。config.toml 里dimensions = 1536要和你实际用的 embedding 模型输出维度对上。换模型时这个值必须同步改，否则写入时报错或者检索结果乱掉。
改了 config.toml 不生效。MemMachine 读的是容器内的/app/configuration.yml，你改宿主机文件后要重启容器，配置才会重新加载。改完跑一次docker compose down && docker compose up -d。
Key 明明对但一直 401。检查 base_url 是不是写成了带路径的形式。TaoToken 的 API 基础地址是https://taotoken.net/api，OpenAI 兼容接口在/api/v1下。config.toml 里我写的是https://taotoken.net/api/v1，如果你只写到/api，请求路径会拼错。
情景记忆检索慢。episodic_window调太大，每次检索回溯的轮数过多。先降到 30 试试，确认是窗口问题再逐步往上加。
7. 下一步：把记忆通道固化下来
到这一步，你已经有了一个能跨会话记住用户偏好的智能体。但要让它在真实项目里稳定跑，还有两件事值得做。
一是把 Key 和配置从代码里彻底剥离。config.toml 和 settings.json 里所有敏感值都用环境变量引用，本地用.env，线上用密钥管理服务。这样换 Key、换模型通道时，改一处就够。
二是把模型通道固定成长期方案。如果你打算持续做编码类 Agent 或者多轮任务型智能体，建议直接上 Coding Plan，把模型调用和额度管理一起收敛掉，地址是 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。接入细节和参数说明在文档里，https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，遇到 MCP 或 Key 相关问题先翻接入文档，https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 可以重新生成或轮换 Key。想先验证模型对话效果，用模型对话页快速试一轮，https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=model-chat 。
记忆这件事，配一次能省后面无数次“它怎么又忘了”的调试。把配置固化下来，比每次手动补上下文划算得多。
