Claude-Mem：给 AI 编程助手装上"长期记忆"

## 写在前面 你是不是也遇到过这种情况：昨天用 Claude Code 写了一段复杂业务逻辑，今天重新打开项目，AI 助手却像失忆了一样，完全不记得你们讨论过什么，只能从头再解释一遍？ 这个痛点，Claude-Mem 给出了解决方案——一个专为 Claude Code 打造的持久化记忆系统，让 AI 助手真正记住你们的每一次协作。  * * * ## 它到底解决了什么问题 传统的 AI 编程助手每次启动都是"全新的大脑"，无法跨会话保留项目上下文。Claude-Mem 通过自动捕获、AI 压缩、智能检索三个步骤，实现了： - ✅ **跨会话记忆保持**：自动记录所有工具调用和代码操作 - ✅ **智能内容压缩**：用 Claude Agent SDK 将冗长对话压缩成精炼摘要 - ✅ **按需精准检索**：通过自然语言查询历史记忆，大幅节省 Token 成本 * * * ## 技术架构解析 **核心组件构成** ``` 系统架构： ├── 钩子系统（7 个生命周期钩子） ├── Worker 服务（HTTP API + Web UI） ├── 存储层（SQLite FTS5 + Chroma 向量库） └── PM2 进程管理 ``` **主要技术栈**： - **Node.js + TypeScript**：插件主体实现 - **SQLite FTS5**：全文检索引擎 - **Chroma Vector DB**：语义向量搜索 - **Claude Agent SDK**：AI 压缩核心能力 * * * ## 工作原理拆解 **五大生命周期钩子** Claude-Mem 采用观察者模式，在不干扰主会话的前提下，通过钩子捕获关键事件： | 钩子名称 | 触发时机 | 核心作用 | | ------------ | ----- | -------------- | | context-hook | 会话启动时 | 注入最近记忆作为上下文 | | new-hook | 用户提问时 | 创建新会话并保存提示词 | | save-hook | 工具执行后 | 捕获文件读写等操作记录 | | summary-hook | 会话结束时 | 生成 AI 摘要并持久化存储 | | cleanup-hook | 停止指令时 | 清理临时数据 | **渐进式披露策略** 这是 Claude-Mem 最巧妙的设计——不是一股脑把所有历史记录塞给 AI，而是分层展示： ``` Level 1: 最近 3 条会话摘要（约 500 tokens） Level 2: 相关观察记录（用户主动查询） Level 3: 完整历史检索（mem-search 技能） ``` 这种策略借鉴了前端开发中的懒加载思想，在云栈社区的技术实践中，我们也常强调"按需加载"的性能优化原则。 * * * ## 实际应用场景 **场景一：Bug 修复追溯** ``` 用户："上周修复的登录超时问题，具体改了哪些文件？" Claude：[自动触发 mem-search]        → 检索到 2 条相关观察记录        → 返回：修改了 auth.ts 和 session.middleware.ts ``` **场景二：项目知识库构建** 长期使用后，Claude-Mem 会自动构建项目的"知识图谱"： - 架构决策记录 - 常用代码模式 - 踩过的坑和解决方案 **场景三：团队协作可视化** 通过 Web UI（localhost:37777）可以实时查看： - 记忆流动态 - 会话摘要时间线 - Token 消耗统计 * * * ## 快速上手指南 **安装步骤（3 步完成）** ``` # 在 Claude Code 终端执行 > /plugin marketplace add thedotmack/claude-mem > /plugin install claude-mem # 重启 Claude Code 即可使用 ``` **核心技能使用** **mem-search 技能**：自然语言查询历史记忆 ``` 示例：mem-search "关于数据库迁移的讨论" 效果：相比传统 MCP 方式节省约 2,250 tokens ``` * * * ## 架构设计亮点 **混合检索策略** ``` // 结合传统全文检索和现代向量搜索 interface SearchStrategy {   fullText: SQLite FTS5,     // 关键词精准匹配   semantic: Chroma Vector,   // 语义相似度计算   hybrid: RRF 融合排序       // 最佳结果输出 } ``` **隐私控制机制** 使用 `<private>` 标签排除敏感内容： ``` <private> API_KEY=sk-xxx  # 不会被系统记录 </private> ``` **双标签系统（v7.0 新特性）** - `<private>`：完全排除观察记录 - `<no-summary>`：记录但不生成摘要 * * * ## 性能表现数据 | 优化指标 | 实际效果 | | -------- | ------------------- | | Token 节省 | 每次启动节省 2,250 tokens | | 查询响应速度 | 向量检索 < 50ms | | 存储压缩效率 | 10GB 代码库压缩至约 200MB | * * * ## 工程实践启示 作为全栈工程师，Claude-Mem 展示了几个值得学习的工程实践： 1. **插件化设计**：标准的生命周期钩子系统 1. **AI 工程化**：将 LLM 能力封装为可复用服务 1. **成本意识**：Token 优化是 AI 原生应用的核心指标 1. **用户体验**：渐进式披露配合可视化 UI 对于想深入学习 Node.js 开发和 人工智能应用的朋友，这个项目提供了很好的参考范例。 * * * ## 写在最后 Claude-Mem 不仅是一个工具，更是 AI 辅助编程的范式探索：如何让 AI 从"一次性对话"进化为"长期协作伙伴"。 如果你正在使用 Claude Code，不妨试试这个插件，让你的 AI 助手真正"记住"你们的每一次协作。更多优质开源项目解析，欢迎关注《云栈开源日记》！ * * * ### 项目资源 - **GitHub 仓库**：`thedotmack/claude-mem` - **官方文档**：`docs.claudemem.com` - **AI 学习**：`https://yunpan.plus/f/29` - **TypeScript 学习**：`https://yunpan.plus/f/18` * * * 标签：#Claude #GitHub #AI编程助手 #向量数据库 #TypeScript #持久化存储 #开发工具 原文 `https://yunpan.plus/t/1920-1-1` 版权所有