Claude-Mem：为 Claude Code 实现跨会话长期记忆

4.1 事件驱动：在不打扰你的情况下，捕获所有关键动作

Claude-Mem 内部挂了 5 个生命周期钩子：

这些钩子有几个特点：

• 对用户来说几乎是'隐形'的，不需要改变现有使用习惯。
• 重点记录的是'工具使用带来的变化'，比如改了哪些文件、执行了什么命令，而不是一股脑儿把所有聊天记录都存下来。
• 把这些东西统称为'观察记录'（Observations），类似一个时间序列的项目事件日志。

这一步解决的是：怎么把人机协作过程变成结构化、可追溯的历史，而不是散落一地的对话记录。

4.2 本地混合存储：结构化 + 全文 + 语义

Claude-Mem 的存储设计也比较'务实'：

• 使用 SQLite + FTS5：
  • 存结构化数据（会话 ID、文件路径、时间戳、操作类型等）。
  • 做全文检索（像搜索日志一样搜关键词）。
• 使用 Chroma 向量库：
  • 把摘要、重要片段向量化，用来做语义检索。
  • 适合处理'模糊问题'，比如'上周讨论的那个支付风控策略'。

所有数据统一存放在用户本地目录 ~/.claude-mem/ 下，不走云端服务，这点对隐私敏感行业（金融、医疗）比较重要。

从工程角度看，这套组合有几个优势：

• 部署成本低：不需要额外起一套服务，SQLite + 本地向量库就够用。
• 查询灵活：结构化筛选（按时间、项目）+ 全文 + 语义，可以随场景组合。
• 用户可见可控：目录是本地的，想备份、加密、甚至手动清理都可以。

4.3 记忆压缩：别把'原始流水账'端给模型看

只存是第一步，更关键的是：会话结束时，要把大量零散的观察记录压成模型看得懂、又不费 Token 的摘要。

Claude-Mem 在 SessionEnd 阶段会调用 Claude Agent SDK，把会话中累计的 Observations 汇总成结构化摘要，典型包含四块：

• 调研内容：查了哪些方案、看过哪些资料。
• 学习成果：最后采纳了什么认知结论。
• 已完成工作：改了哪些代码、做了哪些重构、修了哪些 Bug。
• 后续步骤：下一步建议做什么，是否有 TODO 留下。

这一步的关键是：不再把完整的原始历史直接塞进上下文，而是只注入高度浓缩后的'记忆索引 + 摘要'。

它为后面的'渐进式披露'打好了基础。

五、三层渐进式披露：Token 成本怎么砍到 95%？

Claude-Mem 的核心创新，总结为'三层渐进式披露'（progressive disclosure）。

简单理解：不是一开始就把所有历史端给模型，而是分三层，按需解锁。

5.1 三层结构长什么样？

大致流程可以想象成这样：

1. 用户在新会话发起问题，比如'接着上周的支付风控策略，帮我补充风控规则'。
2. 插件先在本地做 Search，找出最相关的一些历史摘要（这一步开销很小）。
3. 如果当前任务需要更多上下文，再拉对应时间段的 timeline，看看前后做了什么。
4. 若还不够，最后才会调用 Get_Observations，把当时的具体操作记录（文件改动、命令输出等）拉进上下文。

5.2 为什么这种设计能大幅省 Token？

如果没有这三层，常规做法有几种：

• 暴力法：直接把过去几天的对话和改动全扔给模型看，Token 爆炸。
• 手动挑：开发者自己翻历史，复制粘贴上下文 —— 太累，而且容易漏。

三层渐进式披露，本质上是把'召回'和'注入'这两步拆开，优先只注入压缩后的高价值摘要。

• 常规使用场景下，大约可以节省 90% 左右的 Token。
• 在'无尽模式'（项目持续很久、记忆特别多）下，最高可以节省 95%。
• 因为 Token 压力下降，工具调用上限也可以放宽到原来的 20 倍量级。

对开发者来说，体感上就变成：同样的预算，AI 可以陪你做更长时间的活，而且不会越用越'傻'。

六、实战效果：在不同场景里能带来什么变化？

几个实测和反馈场景，我们可以按使用者身份来拆开看。

6.1 企业团队：复杂项目里的'团队记忆库'

在大型代码库、多团队协作的企业场景，Claude-Mem 能做的事包括：

• 持续记录模块设计的演变过程，知道为什么当时选了方案 A 而不是方案 B。
• 跟踪缺陷修复：这个 Bug 曾经怎么排查、怎样验证过。
• 给新同事一个'可查询'的历史上下文，而不是光靠问人。

有团队反馈过这样的数字：

• 新人上手时间缩短约 40%。
• 代码评审效率提升约 25%。

对于动辄数月、多人接力的企业项目来说，这种提升是实实在在的： 记忆系统不是多一个'功能点'，而是让 AI 真正融入现有协作流程。

6.2 个人开发者：长线 side project 的'自动笔记助手'

对一个长期在搞 side project 的个人开发者，Claude-Mem 带来的变化会更直接一些：

• 你可以用自然语言直接问之前的决策，比如：'上周我重新设计过登录流程，当时用了什么鉴权策略？'
• 插件可以帮你回溯出当时讨论过的选项、最终采用的方案，以及改动的代码范围。
• 打开本地 Web 界面（默认是 http://localhost:37777），能实时看到记忆流和会话摘要，类似'项目日记自动生成版'。

这对很多'间歇性推进'的个人项目尤其友好 —— 哪怕你中间停了两周，回来之后不会全靠自己翻 Git commit 和脑补。

6.3 隐私敏感行业：合规边界怎么守？

在金融、医疗这类对隐私特别敏感的行业，大家最担心的是：

• '这些数据会不会上传到云端？'
• '有没有可能误把敏感信息存进记忆里？'

Claude-Mem 的做法主要有两点：

• 数据全部本地存储，而且目录可见、可控。
• 支持标签机制，可以给某些内容打上'不要记录'类标签，阻止敏感信息被纳入记忆。

这意味着你可以根据项目和合规要求，自定义'能记什么、不能记什么'，而不是一刀切地'要么全记，要么全不记'。

七、安装与使用体验

/plugin marketplace add thedotmack/claude-mem
/plugin install claude-mem

执行完插件安装后，重启 Claude Code，大部分功能就能直接用上。

对普通开发者来说，有几点体验上的好处：

• 无需改动现有工作流，不用写额外脚本。
• 无需部署额外服务，不用自己搭一套后端。
• 多数配置有合理默认值，用起来更像'开关一个功能'，而不是做系统集成。

当然，如果你想进一步定制（比如不同项目用不同记忆策略），就需要了解一些配置项和阈值设定，这对高级用户来说也是可控的工程成本。

八、和其他方案对比：它到底好在哪儿？

几个常见的'替代方案'，我们可以稍微整理成一张表：

从工程折中来看，Claude-Mem 走的是一条'中等复杂度'的路线：

• 比简单注入和手动复制强得多：有检索、有结构化、有自动摘要。
• 又比全自研 RAG 系统轻量很多：不用搭服务、不用管集群和运维。

这也是为什么很多人把它称为：在 IDE 内部实用层面，目前最接地气的一种长期记忆方案。

九、局限与风险：它不是'万能记忆药丸'

Claude-Mem 的几个局限，展开讲一下，方便评估是否适合自己的场景。

9.1 摘要质量取决于底层模型

记忆压缩是靠 Claude Agent SDK 来做的。 这意味着，在极端复杂场景下（比如几十个相关模块、跨多团队改动），摘要可能会出现信息遗漏或侧重点不太符合预期的问题。

所以在一些关键决策类项目中，仍然有必要保留人类写的设计文档和决策记录，不能完全依赖自动摘要当'唯一真相来源'。

9.2 对版本和生态有一定依赖

因为它是为 Claude Code 量身定制的插件，所以：

• 需要较新的 Claude Code 版本支持对应插件机制。
• IDE 和插件生态更新时，可能会遇到兼容性问题，需要跟进升级。

这对走企业大规模部署的团队来说，需要在内部有一套插件版本管理和回滚机制，不然遇到版本冲突会比较头疼。

9.3 需要一点'调参意识'

虽然默认配置可以直接用，但要在复杂项目里用得顺手，多少需要调一下参数，比如：

• 检索阈值：相关度多少以上的记忆才注入？
• 注入上限：一次允许带入多少条历史？
• 不同项目是否需要单独命名空间或标签？

这些都关系到：既要让 AI 记得你，又不要记得太多，把上下文弄成'信息垃圾场'。

十、从工程视角看：为什么说这是