持久化記憶與語意壓縮原理 · Claude-Mem

為什麼 AI 需要持久化記憶？

在使用 AI 助手進行複雜、大型的專案開發時，我們常常需要分多次 Session 進行討論。在傳統的 AI 協作中，AI 的記憶是一次性的：

跨會話遺忘 (Cross-session Amnesia)：一旦你關閉當前 Chat 視窗或重啟 CLI 服務，AI 之前對你程式碼邏輯的理解、你剛交代過的命名規範、甚至是專案獨特的架構約束，都會在一瞬間灰飛煙滅。在下一次對話中，你必須重新「餵」給 AI 現有背景，這會耗費大量心力與時間。
上下文臃腫 (Context Bloat)：為了讓 AI 記住前因後果，開發者不得不把過往的對話歷史、指令紀錄反覆貼給 AI，這會導致 AI 的 Context Window 迅速被垃圾資訊填滿，不僅收費增加，還會降低 AI 回答的精準度。

Claude-Mem 是一套專為解決此痛點而開發的 Claude Code 持久化記憶與觀察層。它能自動在本地端記錄對話軌跡、提煉出關鍵設計決策，並將其轉化為持久化的記憶單元（Memory Entries），使 AI 具備跨越 Session 的長期記憶能力。

Claude-Mem 的工作原理

Claude-Mem 作為本地運作的 MCP 伺服器，其運作流程可以簡化為三個步驟：觀察 -> 提取 -> 注入。

  ┌──────────────────┐     自動捕捉      ┌──────────────────┐
  │  Claude Session  ├──────────────────▶│  Claude-Mem MCP  │
  └──────────────────┘                   └────────┬─────────┘
                                                  │ 語意提取與壓縮
                                                  ▼
  ┌──────────────────┐     記憶注入      ┌──────────────────┐
  │   New Session    │◀──────────────────┤  本地 SQLite DB  │
  └──────────────────┘                   └──────────────────┘

自動捕捉 (Observation Capture)：
在 Claude Code 執行命令或讀寫檔案時，Claude-Mem 會在背景默默監聽 AI 的操作軌跡（例如呼叫了什麼編譯命令、遇到了什麼錯誤、修改了哪個檔案）。
語意提取與壓縮 (Semantic Extraction & Compression)：
當 Session 結束或對話達到一定長度時，Claude-Mem 會自動調用輕量級的本地 LLM 或是透過背景機制，將凌亂的日誌壓縮成「語意記憶節點」（例如：「專案採用 C# 4.8 且嚴禁使用運行時動態生成控制項」）。
按需上下文注入 (Context Injection)：
當你開啟一個新的對話 Session，Claude Code 會自動調用 claude-mem 的 MCP 工具，將與當前路徑或主題相關的歷史「記憶片段」自動作為 System Prompt 的一部分注入進去。AI 就能立刻延續上一輪的思路，完全不需要你手動提醒。

語意壓縮與記憶分層機制

如果把所有的對話日誌都永久保留，硬碟空間和 Token 很快就會爆炸。為了解決這一問題，Claude-Mem 實作了精巧的記憶分層與壓縮機制：

第一層：臨時觀察 (Ephemeral Observations)：
記錄最近幾次工具呼叫的 Raw Log，當對話結束後自動過濾掉雜訊。
第二層：短期記憶 (Short-term Summaries)：
將當前變更計畫（Change）的每日進展、遇到的編譯錯誤與修復路徑，壓縮成 200 字以內的段落。
第三層：長期黃金記憶 (Golden Long-term Memories)：
僅保留架構決策、編碼規範與環境配置等最關鍵的事實。這些事實會被儲存在本地 SQLite 資料庫中，永不過期。

透過這種分層，Claude-Mem 能將上百萬字元的原始對話歷史，壓縮成僅需數百個 Token 的高純度知識，既保證了 AI 能長久記住重要事情，又完全不會導致 Context Window 膨脹。