claude-mem
claude-mem 是一款专为 Claude Code 设计的智能记忆增强插件,旨在解决 AI 编程助手在长周期开发中“遗忘”上下文的问题。在传统工作流中,每次开启新的对话会话,AI 往往需要重新了解项目背景、之前的决策逻辑以及已完成的进度,导致重复沟通效率低下。
这款工具通过自动捕获用户在编码会话中的所有交互细节,利用 AI 代理(基于 Claude agent-sdk)对海量信息进行智能压缩与提炼,将关键的项目上下文转化为紧凑的记忆存储。当用户开启新的会话时,claude-mem 会自动将这些经过提炼的背景知识注入其中,让 AI 仿佛拥有“长期记忆”,能够无缝衔接之前的工作进度,无需用户反复重申需求或背景。
它特别适合频繁使用 Claude Code 进行复杂项目开发、系统重构或长期维护的开发者。对于需要跨越多个会话保持逻辑连贯性的科研编程人员或技术团队而言,它能显著减少上下文切换带来的认知负荷。其核心技术亮点在于“动态压缩”机制:不是简单记录流水账,而是主动理解并提炼高价值信息,既保证了记忆的准确性,又有效控制了上下文长度,让 AI 始终保持敏锐且专注的状态。
使用场景
资深后端工程师正在维护一个迭代了半年的复杂微服务项目,需要频繁切换任务并在多天后重新接手之前的开发上下文。
没有 claude-mem 时
- 上下文断层严重:每次开启新会话,Claude 对之前几天讨论过的架构决策、临时补丁和未完成的逻辑一无所知,开发者必须花费大量时间重新粘贴代码片段和复述背景。
- 重复解释成本高:对于项目中特有的命名规范、遗留系统的“坑”以及特定的业务约束,开发者不得不像教新人一样反复向 AI 强调,导致对话效率极低。
- 关键细节遗失:在多轮调试中产生的重要中间结论(如某个接口为何要特殊处理)随着会话结束而消失,后续再次遇到类似问题时容易重蹈覆辙。
- 手动整理负担重:为了保持连续性,开发者被迫手动编写冗长的“项目备忘录”并每次手动投喂,打断了流畅的编码心流。
使用 claude-mem 后
- 智能记忆继承:claude-mem 自动压缩并存储了过往所有会话的核心逻辑,新会话开始时,Claude 能立即“回忆”起项目的当前状态和历史决策,无需人工干预。
- 隐性知识沉淀:工具自动提取并内化了项目的特殊规范和避坑指南,Claude 在生成代码时能主动遵循这些隐性规则,仿佛一位从未离开过项目的资深搭档。
- 连续推理能力:之前的调试思路和未决问题被精准保留,Claude 可以基于昨天的分析结果直接继续深入,实现了跨天数的连续逻辑推理。
- 零摩擦重启:开发者只需输入简单的指令即可恢复工作,claude-mem 在后台静默注入相关上下文,让每次开工都像刚刚结束上一分钟的工作一样顺畅。
claude-mem 通过将离散的编程会话转化为持续进化的项目记忆,彻底消除了 AI 辅助开发中的“失忆症”,让长期协作变得真正高效且连贯。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
🇨🇳 中文 • 🇹🇼 繁體中文 • 🇯🇵 日本語 • 🇵🇹 Português • 🇧🇷 Português • 🇰🇷 한국어 • 🇪🇸 Español • 🇩🇪 Deutsch • 🇫🇷 Français • 🇮🇱 עברית • 🇸🇦 العربية • 🇷🇺 Русский • 🇵🇱 Polski • 🇨🇿 Čeština • 🇳🇱 Nederlands • 🇹🇷 Türkçe • 🇺🇦 Українська • 🇻🇳 Tiếng Việt • 🇵🇭 Tagalog • 🇮🇩 Indonesia • 🇹🇭 ไทย • 🇮🇳 हिन्दी • 🇧🇩 বাংলা • 🇵🇰 اردو • 🇷🇴 Română • 🇸🇪 Svenska • 🇮🇹 Italiano • 🇬🇷 Ελληνικά • 🇭🇺 Magyar • 🇫🇮 Suomi • 🇩🇰 Dansk • 🇳🇴 Norsk
专为Claude Code打造的持久化内存压缩系统。
|
|
快速入门 • 工作原理 • 搜索工具 • 文档 • 配置 • 故障排除 • 许可证
Claude-Mem 通过自动捕获工具使用记录、生成语义摘要,并将其提供给后续会话,从而在不同会话之间无缝保留上下文。这使得 Claude 即使在会话结束或重新连接后,仍能保持对项目的知识连续性。
快速入门
只需一条命令即可安装:
npx claude-mem install
或者为 Gemini CLI 安装(会自动检测 ~/.gemini):
npx claude-mem install --ide gemini-cli
也可以从 Claude Code 内的插件市场安装:
/plugin marketplace add thedotmack/claude-mem
/plugin install claude-mem
重启 Claude Code 或 Gemini CLI。之前会话的上下文将自动出现在新会话中。
注意: Claude-Mem 也已发布在 npm 上,但运行
npm install -g claude-mem只会安装 SDK/库 — 它不会注册插件钩子或设置工作服务。请务必通过npx claude-mem install或上述/plugin命令进行安装。
🦞 OpenClaw 网关
只需一条命令,即可在 OpenClaw 网关上将 claude-mem 作为持久化内存插件安装:
curl -fsSL https://install.cmem.ai/openclaw.sh | bash
安装程序会自动处理依赖项、插件设置、AI 提供商配置、工作进程启动,以及可选的实时观测信息推送至 Telegram、Discord、Slack 等平台。详细信息请参阅 OpenClaw 集成指南。
主要特性:
- 🧠 持久化内存 - 上下文可在不同会话间持续保留
- 📊 渐进式披露 - 分层内存检索,同时显示 token 费用
- 🔍 基于技能的搜索 - 使用 mem-search 技能查询项目历史
- 🖥️ Web 查看器界面 - 实时内存流,访问地址为 http://localhost:37777
- 💻 Claude Desktop 技能 - 可从 Claude Desktop 对话中直接搜索内存
- 🔒 隐私控制 - 使用
<private>标签排除敏感内容的存储 - ⚙️ 上下文配置 - 细粒度控制注入哪些上下文
- 🤖 自动运行 - 无需手动干预
- 🔗 引用 - 通过 ID 引用过往观测记录(可通过 http://localhost:37777/api/observation/{id} 访问,或在 Web 查看器 http://localhost:37777 中查看全部)
- 🧪 测试通道 - 通过版本切换尝试实验性功能,如无限模式
文档
📚 查看完整文档 - 官方网站浏览
入门指南
- 安装指南 - 快速入门与高级安装
- Gemini CLI 设置 - 专门针对 Google Gemini CLI 集成的指南
- 使用指南 - Claude-Mem 的自动化工作原理
- 搜索工具 - 用自然语言查询项目历史
- 测试功能 - 尝试实验性功能,如无限模式
最佳实践
架构
- 概述 - 系统组件与数据流
- 架构演进 - 从 v3 到 v5 的发展历程
- 钩子架构 - Claude-Mem 如何使用生命周期钩子
- 钩子参考 - 7 个钩子脚本详解
- 工作进程服务 - HTTP API 与 Bun 运维管理
- 数据库 - SQLite 模式与 FTS5 搜索
- 搜索架构 - 结合 Chroma 向量数据库的混合搜索
配置与开发
工作原理
核心组件:
- 5 个生命周期钩子 - 会话开始、用户提问提交、工具使用后、停止、会话结束(6 个钩子脚本)
- 智能安装 - 缓存依赖检查器(前置钩子脚本,非生命周期钩子)
- 工作进程服务 - 在端口 37777 上提供 HTTP API 和 Web 查看器界面,包含 10 个搜索接口,由 Bun 管理
- SQLite 数据库 - 存储会话、观测记录和摘要
- mem-search 技能 - 基于自然语言的渐进式披露查询
- Chroma 向量数据库 - 混合语义与关键词搜索,实现智能化上下文检索
详情请参阅 架构概述。
MCP 搜索工具
Claude-Mem 提供智能记忆搜索功能,通过 4 种 MCP 工具,遵循一种节省 token 的 3 层工作流程:
3 层工作流程:
search- 获取紧凑的索引,包含观测 ID(每次结果约 50–100 个 token)timeline- 获取围绕感兴趣结果的时间线上下文get_observations- 仅对筛选出的 ID 获取完整细节(每次结果约 500–1,000 个 token)
工作方式:
- Claude 使用 MCP 工具搜索您的记忆
- 首先使用
search获取结果索引 - 再用
timeline查看特定观测或查询周边发生的情况 - 最后使用
get_observations获取相关 ID 的完整细节 - 节省约 10 倍 token,因为会在获取详细信息前先进行过滤
可用的 MCP 工具:
search- 使用全文查询搜索记忆索引,并按类型、日期、项目等条件筛选timeline- 获取特定观测或查询周边的时间线上下文get_observations- 根据 ID 获取完整的观测记录(始终批量处理多个 ID)
使用示例:
// 第一步:搜索索引
search(query="authentication bug", type="bugfix", limit=10)
// 第二步:审查索引,确定相关 ID(例如 #123、#456)
// 第三步:获取详细信息
get_observations(ids=[123, 456])
更多详细示例请参阅 搜索工具指南。
测试功能
Claude-Mem 提供一个 测试通道,包含实验性功能,如 无限模式(仿生记忆架构,适用于长时间会话)。您可以通过 Web 查看器界面 http://localhost:37777 → 设置,在稳定版和测试版之间切换。
有关无限模式及其使用方法,请参阅 测试功能文档。
系统要求
- Node.js:18.0.0 或更高版本
- Claude Code:最新版本,支持插件
- Bun:JavaScript 运行时与进程管理器(若缺失则自动安装)
- uv:用于向量搜索的 Python 包管理器(若缺失则自动安装)
- SQLite 3:用于持久化存储(已打包附带)
Windows 设置说明
如果您遇到类似以下错误:
npm : The term 'npm' is not recognized as the name of a cmdlet
请确保已安装 Node.js 和 npm,并将其添加到系统 PATH 中。请从 https://nodejs.org 下载最新版 Node.js 安装程序,安装完成后重启终端。
配置
设置文件位于 ~/.claude-mem/settings.json(首次运行时会自动生成默认配置)。您可以在此配置 AI 模型、工作进程端口、数据目录、日志级别以及上下文注入设置。
所有可用设置及示例请参阅 配置指南。
开发
有关构建说明、测试和贡献流程,请参阅 开发指南。
故障排除
如果遇到问题,请向 Claude 描述问题,故障排除技能将自动诊断并提供修复方案。
常见问题及解决方案请参阅 故障排除指南。
Bug 报告
使用自动化生成器创建全面的 bug 报告:
cd ~/.claude/plugins/marketplaces/thedotmack
npm run bug-report
贡献
欢迎贡献!请按照以下步骤操作:
- 分支仓库
- 创建功能分支
- 在进行更改的同时编写测试
- 更新文档
- 提交拉取请求
有关贡献流程,请参阅 开发指南。
许可证
本项目采用 GNU Affero 通用公共许可证 v3.0(AGPL-3.0)许可。
版权所有 © 2025 Alex Newman (@thedotmack)。保留所有权利。
完整详情请参阅 LICENSE 文件。
这意味着:
- 您可以自由地使用、修改和分发此软件。
- 如果您对其进行修改并在网络服务器上部署,则必须公开您的源代码。
- 衍生作品也必须以 AGPL-3.0 许可证授权。
- 本软件不提供任何担保。
关于 Ragtime 的说明:ragtime/ 目录单独采用 PolyForm 非商业许可证 1.0.0 许可。详细信息请参阅 ragtime/LICENSE。
支持
- 文档:docs/
- 问题:GitHub Issues
- 仓库:github.com/thedotmack/claude-mem
- 官方 X 账号:@Claude_Memory
- 官方 Discord:加入 Discord
- 作者:Alex Newman (@thedotmack)
基于 Claude Agent SDK 构建 | 由 Claude Code 提供支持 | 使用 TypeScript 打造
关于 $CMEM?
$CMEM 是一种 Solana 代币,由第三方在未经 Claude-Mem 事先同意的情况下创建,但已被 Claude-Mem 的创建者 Alex Newman(@thedotmack)正式认可。该代币旨在作为社区增长的催化剂,并为最需要实时代理数据的开发者和知识工作者提供数据渠道。$CMEM:2TsmuYUrsctE57VLckZBYEEzdokUF8j8e1GavekWBAGS
版本历史
v11.0.02026/04/05v10.7.22026/04/05v10.7.12026/04/05v10.7.02026/04/04v10.6.32026/03/29v10.6.22026/03/21v10.6.12026/03/18v10.6.02026/03/18v10.5.62026/03/16v10.5.52026/03/09v10.5.42026/03/09v10.5.32026/03/09v10.5.22026/02/26v10.5.12026/02/26v10.5.02026/02/26v10.4.42026/02/26v10.4.32026/02/25v10.4.22026/02/25v10.4.12026/02/24v10.4.02026/02/24相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。