AI-Chain
開發者工具 Claude-Mem Claude 開源

Claude-Mem：替 Claude Code 補上一層真正的長期記憶

Claude-Mem 不是單純的聊天紀錄備份，而是替 Claude Code 打造長期記憶層：用 hooks 自動捕捉 session 訊號，再透過 SQLite、Chroma 與分層搜尋，把可用的上下文帶回下一次對話。對長時間開發、反覆切換任務，或需要保留決策脈絡的人來說，它解的是非常實際的痛點。

分享:
Claude-Mem：替 Claude Code 補上一層真正的長期記憶

Claude-Mem：替 Claude Code 補上一層真正的長期記憶

如果你常用 Claude Code 寫程式，應該很熟這種感覺：上一個 session 才把專案背景、命名規則、技術債與踩坑紀錄講完，下一次重新打開又要再來一遍。模型不是不聰明，而是它沒有真正的長期記憶。

claude-mem 想解的，就是這個很實際的痛點。它不是單純把對話記錄存起來而已，而是透過 hooks、worker service、SQLite、向量搜尋與分層檢索，把 Claude Code 在開發過程中的上下文整理成可搜尋、可壓縮、可延續的知識層。對長時間開發、反覆切換任務、或需要讓 AI 跟著專案脈絡走的人來說，這是一個很值得注意的工具。

這個專案到底在解什麼問題

AI coding 工具最常見的瓶頸，不一定是回答能力，而是上下文的保存能力。你可以很快讓模型理解一次，但只要 session 結束、上下文窗口切換，很多細節就會散掉：

  • 這個專案的架構決策是什麼？
  • 哪些函式或檔案已經重構過？
  • 哪些錯誤其實已經修過，不能再重來一次？
  • 使用者的偏好、限制與命名習慣是什麼？

claude-mem 的定位，就是把這些零散訊號變成持久記憶。它不是要求你手動寫筆記，而是盡量在你使用 Claude Code 的過程中，自動把有價值的資訊收集起來，再把可用的片段在下一次 session 中帶回來。

它怎麼運作

從 README 來看，claude-mem 的設計不是單點功能，而是一整套記憶系統。

1. 用 hooks 自動捕捉 session 訊號

它會在幾個 lifecycle 時機收集資訊，例如：

  • SessionStart
  • UserPromptSubmit
  • PostToolUse
  • Stop
  • SessionEnd

這代表它不是等你手動整理內容，而是盡可能在對話與工具使用的節點上，抓取可累積的脈絡。

2. 用 worker service 管理資料

專案本身還有 worker service，預設會跑在 37777 port，並提供 web viewer UI。這很重要，因為記憶系統如果只能寫入、不能查看，最後就會變成黑盒子；但如果你能看到觀察紀錄、摘要和 timeline，就更容易判斷它到底記住了什麼。

3. SQLite + Chroma 的混合儲存

它把不同層級的資料拆開處理：

  • SQLite：存 sessions、observations、summaries
  • Chroma：做語意檢索
  • 另外搭配關鍵字與語意混合搜尋

這種做法的好處很明顯：你不需要只靠關鍵字找資料，也不必把全部內容直接塞進上下文。它先幫你縮小範圍，再把真正相關的內容取回來。

4. 三層搜尋減少 token 浪費

我覺得這是它最實用的設計之一。

它的搜尋流程大致是：

  1. 先用 search 拿 compact index
  2. 再用 timeline 看前後脈絡
  3. 最後只對必要的 observation IDs 取完整內容

這種分層方式的核心，不是把更多東西塞給模型，而是把更對的東西放進上下文。對長專案來說，這通常比單純加大上下文更有效。

如何開始使用

這類 GitHub repo / CLI 工具，真正重要的不是「介紹得多漂亮」，而是你能不能很快驗證它真的有用。官方提供的安裝方式很直接：

npx claude-mem install

如果你用的是其他 IDE / CLI，也可以依文件安裝到對應環境，例如 Gemini CLI 或 OpenCode。

我會建議你這樣驗證：

  1. 先安裝完成並重新啟動 Claude Code
  2. 開一個新的 session，丟一個真實的開發任務
  3. 觀察它是否能帶回上一輪的背景或摘要
  4. 打開 http://localhost:37777 看 web viewer 是否有資料流
  5. 連續做兩三次不同任務，確認它不是只記住單一句子，而是真的能延續脈絡

如果你想更深入，可以直接從官方 README 與 docs 入口往下看，重點會在 hooks、搜尋層級、資料儲存與權限控制。

我認為它真正有價值的地方

1. 減少重複說明

這是最直接的收益。當你在同一個專案上跑很多 session 時，最耗時間的往往不是寫 code，而是重新解釋：專案背景、設計偏好、之前踩過的坑、不能亂改的部分。

2. 把 AI 變成有工作記憶的夥伴

很多 AI 工具都很會「當下回答」，但一旦跨 session，就像重新認識你一次。claude-mem 的價值在於，它讓 AI 不只是聊天，而是能跟著專案一起累積記憶。

3. 比單純堆上下文更可控

它有自己的搜尋與過濾層，也提供 <private> 之類的方式排除敏感內容。這比把所有紀錄都硬塞進 prompt 安全得多，也更適合真的拿來工作。

你要注意的限制

1. 它不是離線獨立產品

claude-mem 的價值很依賴 Claude Code / Gemini CLI / OpenCode 這些工作流。換句話說，如果你的使用情境不在這些工具裡，它的效益就會下降。

2. 安裝方式不能誤解成一般 npm 全域安裝

README 已經明確提醒：npm install -g claude-mem 只會裝 SDK / library，不會幫你註冊插件 hooks 或 worker service。這一點很容易踩坑。

3. 它採用 AGPL-3.0

如果你有企業內部部署、修改後再提供服務，授權條款要先看清楚。這不是技術問題，而是實際導入時必須先處理好的問題。

4. Beta 功能要保守使用

專案有 beta channel，裡面會放一些實驗性功能。正式工作環境我會建議先用穩定版，確認核心流程沒問題後，再考慮開啟進階功能。

這篇文章的結論

claude-mem 做的事情其實很務實：它把 Claude Code 的短期上下文，變成可搜尋、可壓縮、可延續的長期記憶。它不是要取代模型能力，而是補上 AI coding 工具最常缺的那一塊：工作記憶。

如果你只是偶爾問幾個一次性的問題，這工具的價值可能沒那麼明顯；但只要你進入長專案、多 session、反覆協作的場景，它就很可能變成非常重要的基礎設施。

參考資料

  • GitHub Repo：<https://github.com/thedotmack/claude-mem>
  • 官方文件：<https://docs.claude-mem.ai/>
  • README：<https://github.com/thedotmack/claude-mem/blob/main/README.md>