[JS/TS] 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
2. AI 工程化：将 LLM 能力封装为可复用服务
3. 成本意识：Token 优化是 AI 原生应用的核心指标
4. 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-Mem #GitHub #AI编程助手 #向量数据库 #TypeScript #持久化存储 #开发工具