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：
- 插件化设计：标准的生命周期钩子系统
- AI 工程化：将 LLM 能力封装为可复用服务
- 成本意识：Token 优化是 AI 原生应用的核心指标
- 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
