文档大纲

5钩子持久化记忆插件claude-mem拆解

AI助手的会话失忆这个问题，用一个插件claude-mem就可以解决。它的核心思路只有一句话：把 Claude Code 在每次会话里做了什么、为什么这么做，全部自动沉淀下来，下一次开会自动带上「上次的记忆」。

如果你用 Claude Code / Cursor / Windsurf / Codex / Gemini CLI 写过一两天以上的项目，大概率撞过这个场景——上周明明和它一起把某个模块重构好了，这周开新会话问「我们之前怎么处理的」，它一脸茫然」。这种感觉最让人沮丧的不是它「不会」，是它连「上次会话已说过的话」都要主动归档。

claude-mem 治的就是这个。

它到底解决什么问题

AI 编程助手本质是无状态的——每次新会话都从零开始，它不知道你上周改了哪个文件、为什么引入这个依赖、踩过哪些坑。结果是：

  • 每次都得重新解释项目背景
  • 它会重复犯你已经修过的错
  • 长项目的架构决策随着时间被遗忘
  • 你得自己手动写笔记，再喂给它

claude-mem 的做法是：背后挂一个 SQLite 数据库 + 一个本地 Worker 服务，通过 5 个生命周期钩子（Hook） 把会话里的每一次工具调用、每一次观察捕获下来，再让 Claude 自己提炼「今天学到了什么」。下次开会，这些摘要自动注入到上下文。

五个生命周期钩子：自动沉淀的工程底座

claude-mem 最值得抄的不是「它把记忆存下来了」，而是「它把记忆沉淀嵌入到了 AI 工作流的每一个关键节点」。这五个钩子是：

SessionStart（会话启动时）

新会话一打开，claude-mem 就把上次相关的记忆摘要按 token 开销从低到高排好，只注入最相关的那一段——不是把整个历史都塞进去，而是按需召回。这是它和「把整本 chat history 喂进去」的根本差异。

UserPromptSubmit（用户提交 Prompt 时）

你发一句「继续重构订单服务」，claude-mem 在 Claude 收到前先在 prompt 后面追加「上次你重构订单服务时，改动了 OrderService.php 第 87-行，引入 Repository 模式……」让 Claude 带着上下文开工。

PreToolUse（工具调用前埋点）

每次 Claude 要执行 Read / Bash / Edit 之前，claude-mem 记录「即将发生什么」。这是审计 + 解释性回溯的基础——一周后你能查到「那个 bug 是哪次工具调用引入的」。

PostToolUse（工具调用后埋点）

工具执行完，立刻让 Claude 自己生成结构化语义摘要，按类型分三类：

  • 🔴 critical（关键决策：为什么引入这个依赖）
  • 🟤 decision（一般决策：选 A 不选 B 的理由）
  • 🔵 informational（信息记录：读了这个文件，发现 X）

这些摘要带 concept tag + file reference，支持 FTS5 全文搜索。

SessionEnd（会话结束时自动保存）

会话一关，claude-mem 把整个会话的高保真 transcript 写入 SQLite，附带「这次会话学到的核心 3 件事」。下次开会，SessionStart 钩子会把这 3 件事 + 相关历史 observations 自动拉回来。

这 5 个钩子的设计哲学是：「零人工干预的全自动沉淀」——你不需要写 README、不需要写日记、不需要「会议纪要模板」，AI 自己就是会议记录员。

三层渐进式披露（Progressive Disclosure）检索

claude-mem 不是「把所有记忆塞给 Claude」，而是分了三层：

Layer 1（Index）：列出已有的 observations，显示 token 开销
  ↓ 按需展开
Layer 2（Details）：获取完整语义摘要
  ↓ 按需召回
Layer 3（Perfect Recall）：回溯源代码和原始 transcript

这与人脑认知模式完全一致——先感知「有哪些记忆可用」，再决定「要不要调取细节」，最后才是「精准还原现场」。

举个例子，假设你想知道「上次为什么重构了订单状态机」：

  • Layer 1：claude-mem 返回「3 条相关记忆，总计 1,200 token」
  • Layer 2：你选「看下完整摘要」→ claude-mem 返回 3 条 observations 全文
  • Layer 3：你说「回到那次改动的代码现场」→ claude-mem 直接调 git 工具拉 diff + 当时的 transcript

关键设计：Layer 1 只展示 token 成本，让 Claude 自己决定值不值得调取。这个思路可以迁移到所有「带 token 预算的检索系统」——不要替 AI 做决定，把开销透明化即可。

多 AI Provider 兜底：不绑定 Anthropic

claude-mem 默认走 Claude SDK，但它同时支持：

  • Claude SDK（默认）
  • Gemini（Google 主力模型）
  • OpenRouter（100+ 模型一键切换，包括开源 Llama / DeepSeek）
  • Anthropic API（直连并发）

这意味着：即使 Anthropic 涨价 / 限流 / 政策风险，你都能随时切换到 OpenRouter 上的其他模型，记忆系统不绑定任何单一供应商。

对开发者的实际价值：你不必为了换模型重写整个记忆系统——claude-mem 抽象出了「Provider 接口」，换模型只改一行配置。

MCP 搜索协议 + Citation 精准召回

claude-mem 通过 MCP（Model Context Protocol）暴露搜索接口，Claude 可以用自然语言查询历史会话：

> 搜：上次重构订单服务时的架构决策
< 找到 3 条相关 observations：
  - obs_abc123（critical，2026-09-28）：引入 Repository 模式解耦…
  - obs_def456（decision，2026-09-28）：选 PostgreSQL 不选 MongoDB…
  - obs_ghi789（informational，2026-09-28）：读了 12 个领域文件…

更牛的是 Citation 机制：

  • 引用 obs_abc123 → 直接调取那条 observation 的全文 + 当时的 transcript + 改动的代码 diff
  • 这是「精准召回」，比模糊语义匹配稳定 10 倍
召回方式稳定性Token 开销
模糊语义匹配低（容易跑偏）高（要返回 top-N）
关键词全文搜索中（依赖分词）中
Citation observation ID高（精确锁定）低（只取 1 条）

如果你正在做 RAG / Agent 记忆系统，Citation 设计值得直接抄。

Web Viewer：实时查看记忆流

claude-mem 自带 Web 界面，监听 localhost:37777：

  • 实时看 Claude 的每一次工具调用 + observation 生成
  • 按 observation ID 追溯「这次决策是怎么来的」
  • 支持 Endless Mode（仿生记忆架构，让 AI 主动检索而不是被动等待）

Endless Mode 的核心是：Claude 不再依赖「被告知要调取记忆」，而是像人一样「主动想起」——比如写到订单状态机时，它会主动问 claude-mem「我之前有没有处理过类似的状态机设计」。

5 分钟本地跑起来

# 1. 安装
/plugin marketplace add thedotmack/claude-mem
/plugin install claude-mem

# 2. 启动 Worker
npm install -g claude-mem-worker
claude-mem-worker start

# 3. 验证钩子挂载
claude-mem status
# 输出：5/5 hooks mounted ✅

# 4. 打开 Web Viewer
open http://localhost:37777

注意：claude-mem 默认把 SQLite 存在 ~/.claude-mem/，所有数据完全本地。如果你要部署到团队工作流，建议把 SQLite 改成 Postgres + 共享存储，让多人协作共享同一份记忆。

谁适合用，谁不需要

人群收益门槛
个人开发者，长期维护同一项目⭐⭐⭐⭐⭐低
团队协作，需要「知识沉淀」⭐⭐⭐⭐中（需要约定标签）
一次性脚本 / 小工具⭐太重
处理敏感信息（密码/密钥/合规）⚠️建议加密 SQLite + 离线部署

真实落地经验：用了一周之后，最显著的改变不是「Claude 变聪明了」，而是「我不用每周花 2 小时给它写项目背景说明」——它自己记得。

借鉴：claude-mem 的 3 个工程设计

如果你正在自己造 Agent / 记忆系统 / RAG，claude-mem 有 3 个设计可以直接抄：

1. 钩子嵌入工作流，而不是「认知边写日记」

claude-mem 的 5 个钩子实现了「零人工干预的全自动记忆沉淀」。传统做法的痛点是：要求开发者写 README / 写 commit message / 维护 CHANGELOG——人会忘记的，AI 也是这么干的。把记忆嵌入 AI 工作流的每一个关键节点，让它自己说话。

2. Progressive Disclosure UI + Token 开销透明

Layer 1 只展示「有哪些记忆 + token 成本」——让 AI 自行决定要不要。这个思路可以直接迁移到所有「带 token 预算的检索系统」：

  • 检索结果先展示摘要和引用开销
  • 让消费者决定是否值得展开

3. Citation 机制 + 精准 ID 召回

Observation ID 直接引用 → 精准召回，比模糊语义匹配稳定 10 倍。对标所有做 RAG 的项目，引入「精确 ID 引用」作为补充机制。

claude-mem vs 传统方案：能力对比

维度claude-mem传统「写笔记 + 喂上下文」
记忆自动沉淀✅ 5 钩子全自动化❌ 手工写 README / commit
上下文注入✅ SessionStart 自动注入❌ 手工复制粘贴
搜索方式✅ FTS5 + MCP 自然语言✅ 关键词搜索
精准召回✅ Citation observation ID❌ 无 ID 级引用
多会话追踪✅ Multi-Prompt Sessions❌ 散落在不同 chat
隐私控制✅ &lt;private&gt; 标签排除✅ gitignore / 加密
多 Provider 兜底✅ Claude / Gemini / OpenRouter❌ 绑定单一模型
实时观察✅ Web Viewer（localhost:37777）❌ 无

写在最后

claude-mem 解决的不是「AI 怎么记更多东西」，而是「AI 怎么让记忆变得可用」。它把记忆嵌入 AI 工作流的每一个关键节点，让 Claude 从「一次性助手」变成「长期协作者」。

过去 24 小时暴涨 534★ 不是因为它「炫技」，是因为大量用 Claude Code 的人都撞过同一个问题——「它不记得上会说了什么」。claude-mem 用一个插件 + 5 个钩子治好了这个病。

如果你想给 Claude / Cursor / Windsurf 装上持久化记忆，claude-mem 是目前最成熟的工程方案。

参考资料

阅读量： 222

网站备案号：沪ICP备2025137870号