Startseite / Artikel

Ein Gedächtnis für Claude Code: Ein lokales MCP-Plugin namens Memento

KI-Programmieragenten vergessen alles zwischen den Sitzungen. Memento, ein lokales MCP-Plugin für Claude Code, speichert, bereinigt, entfernt Duplikate und ruft den Projektkontext ab.

Verlag: REACTAPP.TOP7 Min. Lesezeit1502 Wörter

Quellen: My AI Coding Agent Keeps Forgetting Me — So I Gave It a Brain

Stellen Sie sich einen Dienstagabend gegen 23 Uhr vor. Nach drei Stunden des Umschreibens eines Authentifizierungs-Middlewares mit Claude Code haben Sie und der Agent hin und her diskutiert – zwischen einem Strategy-Pattern und einer einfachen Factory-Methode. Beides wurde ausprobiert, letztendlich setzte sich die Factory-Methode durch, und die Session-Tokens konnten schließlich auf sinnvolle Weise durch die neue Validierungsstufe geleitet werden. Es ist eine dieser Sessions, in denen alles perfekt funktioniert und kollaboratives Programmieren mit KI durchaus sinnvoll erscheint.

Am nächsten Morgen öffnen Sie eine neue Session und möchten dort weitermachen, wo Sie beim Authentifizierungs-Middleware aufgehört haben. Die Antwort ist ein fröhliches Angebot zur Hilfe, gefolgt von der Aufforderung, die Projektstruktur und -ziele von Grund auf zu beschreiben.

Drei Stunden gemeinsamen Kontexts – weg.

Jeder erlebt das

Falls Sie ein KI-Programmierwerkzeug länger als eine Woche verwenden – egal ob Claude Code, Cursor, Copilot oder Windsurf – werden Sie auf dieses Problem stoßen. Jede Sitzung beginnt leer, und die Routine wird schnell langweilig. Die ersten 15 bis 20 Minuten verbringen Sie damit, das Projekt erneut zu erklären: Hier ist die Ordnerstruktur, so funktioniert die Authentifizierung, deshalb ist Supabase besser als eine eigene Entwicklung – und nein, Redis wurde ausgeschlossen. Natürlich erinnert sich das Werkzeug nicht. Es kann es auch nicht.

Man merkt, wie man Sätze mit „Erinnerst du dich, als wir…“ beginnt und dann abbricht, weil es auf der anderen Seite kein „wir“ gibt. Für die KI gibt es kein Gestern, nur den Moment jetzt. Es ist, als käme Ihr klügster Kollege jeden Morgen mit völliger Amnesie.

Die offensichtlichen Lösungen halten nicht an

Die ersten Versuche sind vorhersehbar. Dabei handelt es sich um eine riesige CLAUDE.md-Datei, die mit Seiten voller Projektkontextinformationen, ASCII-Architekturdiagrammen, Codierkonventionen sowie Dateistrukturen gefüllt ist. Das hilft bei den Grundlagen, sodass der Agent Ihr Framework sowie den Standort der Routen kennt. Was er jedoch nicht speichern kann, sind Entscheidungen. Er wird nicht wissen, dass Ansatz A letzten Mittwoch ausprobiert wurde und aufgrund einer Race Condition im Queue-Worker fehlschlug – genau deshalb hat Ansatz B gewonnen. Solche Erkenntnisse sammeln sich im Laufe mehrerer Tage der Zusammenarbeit an, und eine statische Markdown-Datei kann mit diesem Tempo nicht mithalten, da sich das Projekt weiterentwickelt und die Datei bereits nach ein paar Tagen veraltet ist.

Der zweite Ansatz besteht darin, am Anfang jeder Sitzung eine fortlaufende Nebendokumentation mit Informationen für die KI anzufertigen: wichtige Entscheidungen, fehlgeschlagene Ansätze sowie potenzielle Probleme. Es funktioniert bis zu einem gewissen Grad, doch man sollte innehalten und darüber nachdenken, was vor sich geht. Man pflegt manuell ein Gedächtnis für eine Maschine, die Code zehnmal schneller schreibt als man selbst, und sie benötigt einen als ihr Notizbuch.

Keiner dieser Ansätze hält länger als eine oder zwei Wochen, und am Ende verbringt man mehr Zeit damit, den Kontext der KI zu verwalten, als Code zu schreiben.

Das eigentliche Problem

Diese Tools haben kein Gedächtnis. Das ist das ganze Problem.

Ein menschlicher Teamkollege ist mehr wert als nur seine Programmierfähigkeiten. Er schafft Kontext. Er weiß, warum Postgres gegenüber Mongo gewählt wurde, er erinnert sich an den Rechnungsfehler im Januar, der durch Zeitzone-Rechnungen entstand, und er kennt die architektonische Entscheidung aus drei Sprints zurück, die erklärt, warum ein Modul seltsam aussieht. Die KI besitzt keinen dieser gemeinsamen Erfahrungen. Aus Designgründen ist sie zustandslos.

Als diese Tools noch als verbesserte Autocomplete-Funktionen galten, spielte das kaum eine Rolle. Heute refaktorisieren sie ganze Module, beheben Race Conditions zwischen Diensten und unterstützen bei echten architektonischen Entscheidungen. Wenn etwas Derartiges die Arbeit vom Vortag nicht mehr in Erinnerung behalten kann, ist die Frustration kaum in Worte zu fassen.

Was macht es schon aus, wenn es sich einfach erinnern könnte? Nicht durch den aufwendigen Weg, alles in die Anfrage einzufügen, sondern indem die KI eigenständig relevante Kontexte aus früheren Sitzungen heranzieht – basierend darauf, an was Sie gerade arbeiten – ohne dass man sie darum bittet.

Memento

Diese Idee wurde zu Memento – benannt nach dem Film. Es handelt sich um ein Claude Code-Plugin, technisch gesehen ein MCP-Server, der dem Agenten eine dauerhafte Erinnerung über Sitzungen hinweg bietet. Während Sie arbeiten, erfasst es im Hintergrund architektonische Entscheidungen, Fehlerbehebungen und Konfigurationsänderungen und speichert sie lokal auf Ihrem Gerät. Zu Beginn einer neuen Sitzung werden alle Informationen abgerufen, die zur aktuellen Aufgabe passen.

Zum ersten Mal sah es so aus, als würde es funktionieren. Am Montag behebt man einen Wettlaufzustand in einem Queue-Worker. Die Ursache ist ein fehlendes Schloss; Claude hilft dabei, es zu beheben, und Memento speichert den Kontext ohne jegliche Anstrengung seitens des Benutzers. Am Mittwoch kehrt man aus einem anderen Grund zum Queue-Worker zurück und erwähnt Montag überhaupt nicht. Claude bringt von selbst zur Sprache, dass ein Wettlaufzustand an dieser Stelle am Montag mit einem Lockfile behoben wurde, und bietet an, zu überprüfen, ob die beiden Fälle miteinander zusammenhängen.

Das ist der Moment, in dem es wirklich funktioniert. Der Agent hat sich an etwas erinnert, was ihm niemand mitgeteilt hat – nicht weil alter Kontext eingefügt wurde oder wegen einer Anweisungsdatei, sondern weil er tatsächlich eine Erinnerung an die vorherige Sitzung behalten hatte.

Hinter den Kulissen

Aufzeichnen. Während der Arbeit laufen zwei Mechanismen. Einer wird ausgelöst, nachdem sinnvolle Werkzeuge verwendet wurden, wie z. B. Dateiänderungen und Befehle, aber nicht bei einfachen Dateiabrufen. Der andere wird am Ende der Sitzung ausgelöst und erstellt eine Zusammenfassung. All das geschieht im Hintergrund.

Auswählen und Kennzeichnen. Bevor etwas gespeichert wird, entfernt ein Bearbeiter API-Schlüssel, Token, Passwörter sowie AWS-Zugangsdaten. Anschließend ordnet ein Kennzeichnungsmechanismus die Informationen mithilfe von Mustererkennung einer Kategorie zu, wie z. B. Entscheidung, Fehler, Architektur oder Konfiguration. In diesem Schritt werden keine LLM-Aufrufe durchgeführt.

Duplikate beseitigen. Fünfzig Varianten derselben Information wären nur Ballast. Memento prüft zunächst auf exakte Duplikate mit Hilfe eines Hash-Werts und führt anschließend eine Kosinus-Ähnlichkeitsprüfung durch, um Informationen zu erkennen, die dasselbe bedeuten, aber in anderen Worten formuliert sind. Wenn die neuere Version mehr Details enthält, ersetzt sie die ältere.

Speichern. Standardmäßig werden alle Daten in lokalen JSON-Dateien gespeichert, ohne externe Abhängigkeiten und ohne Konfiguration. ChromaDB kann zur Durchführung einer korrekten Vektorsuche hinzugefügt werden, und Neo4j zur suchbasierten Auswertung von Graphen.

Aufrufen. Wenn eine neue Sitzung beginnt, fragt Memento semantisch nach den gespeicherten Erinnerungen. Es wird anhand der Bedeutung und nicht anhand von Schlüsselwörtern abgeglichen, sodass eine Frage zum Anmeldeverfahren auch Erinnerungen zur Validierung von Sitzungstoken anzeigen kann, obwohl die Phrasen nichts miteinander zu tun haben.

Alles läuft lokal. Das Embedding-Modell all-MiniLM-L6-v2 wird über Transformers.js auf Ihrem eigenen Rechner ausgeführt, wodurch keine API-Aufrufe erfolgen und nichts Ihren Laptop verlässt.

Was wird in Erinnerung behalten

Die Erinnerungen werden beim Erfassen mit Tags versehen. Zu den Kategorien gehören Entscheidungen (warum X statt Y gewählt wurde), Fehler (was kaputtging und wie es repariert wurde), Architektur (wie die Komponenten miteinander verbunden sind) sowie Konfiguration (Umgebungsvariablen und Details zur Bereitstellung); insgesamt acht Kategorien sind im README aufgelistet. Der Vorteil ist, dass Memento nicht nur rohe Chatprotokolle speichert, sondern den Kontext klassifiziert, sodass das Abrufen intelligenter erfolgen kann und nur das Wichtige berücksichtigt wird.

Die Erinnerungen sind an ein Projekt durch dessen git-Root gebunden, sodass Notizen aus einem API-Repository nicht in die Arbeit am Frontend gelangen. Eine Suchfunktion zwischen Projekten steht bei Bedarf zur Verfügung.

Sichere Datenspeicherung

Die Zuverlässigkeitsengineering-Methoden sind etwas übertrieben. Ein Schalter stoppt das Ausbreiten von Störungen in der Datenbank, ein Write-Ahead-Log verhindert, dass ein Absturz während des Speicherns zu Datenverlusten führt, und ein LRU-Cache dient als Ersatz, wenn der Hauptspeicher vorübergehend nicht verfügbar ist. Das mag übertrieben erscheinen, aber Tools, die Daten stillschweigend löschen, sind wirklich ärgerlich – das Ziel ist schließlich, dass alles, was von Memento aufgezeichnet wurde, weiterhin vorhanden bleibt.

Outfit ausprobieren

Es handelt sich um Open Source-Software, die auf npm veröffentlicht ist. Ein einziger Befehl erledigt die Aufgabe:

npx memento-memory

Dadurch wird der MCP-Server installiert, die automatischen Erfassungshooks eingerichtet und die Claude-Konfiguration angepasst, sodass die nächste Claude Code-Sitzung problemlos funktioniert. Eine globale Installation mit npm install -g memento-memory ist ebenfalls eine Option, und die README-Datei listet alle möglichen Einrichtungsoptionen auf.

Ebenfalls stehen einige manuelle Befehle zur Verfügung:

  • /recall durchsucht Ihre Erinnerungen
  • /remember speichert etwas explizit
  • memory_health gibt den Systemzustand an
  • memory_list zeigt an, was gespeichert ist

Warum das wichtig ist

KI-basierte Programmierwerkzeuge befinden sich in einer seltsamen Lage. Sie können ganze Module umstrukturieren, komplexe Fehler auflösen und über Systemarchitekturen nachdenken, doch jeden Morgen starten sie ohne jegliches Wissen über Sie oder Ihr Projekt. Je leistungsfähiger sie werden, desto stärker spürt man die Lücke, denn man merkt, wie viel besser die Dinge wären, gäbe es irgendeine Kontinuität.

Memento ist ein Versuch, diese Lücke zu schließen. Es hat noch Unreife, und es gibt sicherlich Fälle, in denen es etwas falsch einordnet oder Kontexte übersehen lässt, die eigentlich offensichtlich sein sollten. Dennoch sollte eine Sitzung so beginnen, dass Claude bereits weiß, was letzte Woche passiert ist – so hätte es von Anfang an funktionieren sollen. Das fehlende Gedächtnis war der Fehler.

Verwandte Artikel

  • Antigravity /goal: Autonome Codierungsagenten und das Ende der „Babysitting-AI“ — Wie der /goal-Befehl von Antigravity einen AI-Codierungsagenten in einen autonomen Arbeiter mit einer Plan-Überprüfungs-Schleife verwandelt, dargestellt anhand einer Flutter-Sealed-Class-Refaktorierung sowie Tipps zur Erstellung von Zielen.