Strona główna / Artykuły

Nadanie Claude Code pamięci: lokalny plugin MCP o nazwie Memento

Agenci kodujące za pomocą AI zapominają o wszystkim pomiędzy sesjami. Memento, lokalny plugin MCP dla Claude Code, przechowuje, oczyszcza, usuwa duplikaty i przywraca kontekst projektu.

Wydawca: REACTAPP.TOP7 min czytania1502 słów

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

Wyobraź sobie wtorkowy wieczór około godziny 23:00. Po trzech godzinach przerabiania middleware do autoryzacji za pomocą Claude Code ty i agent wymienialiście się opiniami na temat wzorca strategii w porównaniu z zwykłą fabryką. Obie metody zostały wypróbowane – zwyciężyła fabryka, a tokeny sesji w końcu przepływały przez nową warstwę walidacji w sposób sensowny. To jedna z tych sesji, gdy wszystko działa idealnie, a wspólne programowanie z AI wydaje się zupełnie naturalne.

Następnego ranka otwierasz nową sesję i prosisz o kontynuację pracy nad middleware do autoryzacji. Otrzymujesz radosną ofertę pomocy, a potem prośbę o opisanie struktury projektu oraz celów od zera.

Trzy godziny wspólnego kontekstu – zniknęły.

Wszyscy na to natrafiają

Jeśli używasz jakiegoś narzędzia do programowania opartego na sztucznej inteligencji przez ponad tydzień – czy to Claude Code, Cursor, Copilot czy Windsurf – na pewno na to natkniesz się. Każda sesja zaczyna się od zera, a ta rutyna szybko staje się nudna. Pierwsze 15–20 minut poświęca się na ponowne wyjaśnianie projektu: oto struktura folderów, oto jak działa autoryzacja, oto dlaczego Supabase jest lepszy od budowy rozwiązania we własnym zakresie, i nie, Redis został odrzucony. Oczywiście narzędzie tego nie pamięta. Po prostu nie może.

Zauważasz, że zaczynasz zdania od „pamiętasz, gdy my…” i potem milkniesz, bo po drugiej stronie nie ma żadnego „my”. Dla sztucznej inteligencji nie istnieje wczoraj – istnieje tylko teraz. To tak, jakby twój najmądrzejszy współpracownik co rano przychodził z całkowitą amnezją.

Oczywiste rozwiązania nie trwają długo

Pierwsze próby są przewidywalne. Jeden z nich to ogromny plik CLAUDE.md wypełniony stronami z kontekstem projektu, diagramami architektury w formacie ASCII, zasadami kodowania oraz strukturą plików. To pomaga w zrozumieniu podstaw, dzięki czemu agent wie, jaki używasz framework oraz gdzie znajdują się ścieżki. Nie może jednak przechowywać decyzji – nie dowie się, że podejście A zostało wypróbowane w zeszły środa i zawiodło z powodu konfliktu synchronizacji w procesorze kolejki, co właśnie spowodowało sukces podejścia B. Taka wiedza gromadzi się w miarę dni wspólnej pracy, a statyczny plik markdown nie jest w stanie nadążyć, ponieważ projekt się rozwija, a plik staje się przestarzały już po kilku dniach.

Druga metoda polega na prowadzeniu dodatkowego dokumentu z informacjami, które należy przekazać sztucznej inteligencji na początku każdej sesji: kluczowe decyzje, nieudane podejścia, pułapki. W pewnym stopniu to działa, ale trzeba się zatrzymać i przemyśleć, co się dzieje. Ręcznie utrzymujesz pamięć dla maszyny, która pisze kod dziesięć razy szybciej niż ty, a ona potrzebuje, abyś pełnił rolę jej notatnika.

Żadne z tych podejść nie przetrwa dłużej niż tydzień lub dwa, i ostatecznie spędzasz więcej czasu na zarządzaniu kontekstem sztucznej inteligencji niż na pisaniu kodu.

Prawdziwy problem

Te narzędzia nie mają pamięci. To jest cały problem.

Człowiek-współpracownik jest cenny nie tylko ze względu na umiejętności programistyczne. Tworzy kontekst. Wie, dlaczego wybrano Postgres zamiast Mongo, pamięta błąd w systemie rozliczeń z stycznia spowodowany błędami w obliczaniu stref czasowych oraz przypomina sobie decyzję architektoniczną podjętą trzy sprinty temu, która wyjaśnia, dlaczego jeden z modułów wygląda dziwnie. Sztuczna inteligencja nie posiada tej wspólnej historii – z założenia jest bezstanowa.

Gdy te narzędzia były jedynie ulepszoną funkcją autodopasowywania, nie miało to większego znaczenia. Teraz refaktoryzują całe moduły, naprawiają problemy związane z konkurencyjnością operacji pomiędzy usługami i pomagają w ważnych decyzjach architektonicznych. Gdy coś tak zdolnego nie potrafi przypomnieć sobie wczorajszych działań, frustracja jest nie do opisania.

Co z tego, jeśli może po prostu pamiętać? Nie poprzez metody siłowe polegające na wklejaniu wszystkiego do promptu, ale dzięki temu, że sztuczna inteligencja sama wyodrębnia istotny kontekst z poprzednich sesji, w oparciu o to, nad czym aktualnie pracujesz, bez żadnych pytań.

Memento

To pomysł przekształcił się w Memento, nazwane na cześć filmu. Jest to plugin do Claude Code, technicznie serwer MCP, który zapewnia agentowi trwałą pamięć między sesjami. Podczas twojej pracy w tle rejestruje decyzje architektoniczne, poprawki błędów oraz zmiany konfiguracji i przechowuje je lokalnie na twoim komputerze. Na początku nowej sesji wyświetla to, co jest istotne dla aktualnego zadania.

Pierwszy raz, gdy to zadziałało, wyglądało to w ten sposób. W poniedziałek naprawiasz problem z warunkiem wyścigowym w procesorze kolejki. Przyczyną jest brak blokady – Claude pomaga to naprawić, a Memento bez żadnego twojego wysiłku zapisuje kontekst. W środę wracasz do procesora kolejki w związku z czymś zupełnie innym i w ogóle nie wspominasz o poniedziałku. Claude sam podnosi kwestię, że problem z warunkiem wyścigowym w tym miejscu został naprawiony w poniedziałek za pomocą pliku blokady, i proponuje sprawdzenie, czy oba przypadki są ze sobą powiązane.

To właśnie wtedy to zadziałało naprawdę skutecznie. Agent zapamiętał coś, czego nikt mu nie powiedział – nie dlatego, że wklejono stary kontekst, ani z powodu pliku z instrukcjami, ale dlatego, że rzeczywiście zachował pamięć z poprzedniej sesji.

W tle

Zapisywanie. Podczas pracy działają dwa mechanizmy rejestrowania. Jeden aktywuje się po znaczącym użyciu narzędzi, takim jak edycja plików i wykonywanie poleceń, ale nie przy zwykłym odczytywaniu plików. Drugi uruchamia się po zakończeniu sesji i pobiera streszczenie. Wszystko to odbywa się w tle.

Oczyszczanie i tagowanie. Zanim cokolwiek zostanie zapisane, specjalista usuwa klucze API, tokeny, hasła oraz dane uwierzytelniające do AWS. Następnie system tagowania sortuje dane według typu – np. decyzja, błąd, architektura lub konfiguracja – przy użyciu dopasowywania wzorów. Na tym etapie nie odbywa się żadnych wywołań modeli językowych.

Usuwanie duplikatów. Pięćdziesiąt wariantów tej samej informacji stanowiłoby jedynie zbędny bałagan. System Memento sprawdza dokładne duplikaty za pomocą hasza, a następnie sprawdza podobieństwo kątowe w przypadku informacji, które wyrażają to samo znaczenie w inny sposób. Jeśli nowsza wersja zawiera więcej szczegółów, zastępuje starszą.

Zapisywanie. Domyślnie wszystko trafia do lokalnych plików JSON, bez żadnych zależności i bez konieczności konfiguracji. Można dodać ChromaDB do realizacji skutecznego wyszukiwania wektorowego oraz Neo4j do wyszukiwania opartego na grafach.

Przypominanie. Gdy rozpoczyna się nowa sesja, Memento analizuje semantycznie zapisane wspomnienia. Porównuje znaczenie, a nie słowa kluczowe, więc pytanie dotyczące procesu logowania może przywołać wspomnienia o walidacji tokena sesji, mimo że te frazy nie mają ze sobą nic wspólnego.

Wszystko działa lokalnie. Model embeddingowy, all-MiniLM-L6-v2, jest wykonywany na twoim komputerze za pomocą Transformers.js, więc nie dochodzi do żadnych wywołań API i nic nie opuszcza twojego laptopa.

Co jest zapamiętywane

Pamięci są oznaczane w momencie ich zapisywania. Kategorie obejmują decyzje (dlaczego wybrano X zamiast Y), błędy (co się zepsuło i jak to naprawiono), architekturę (jak komponenty ze sobą współpracują) oraz konfigurację (zmienną środowiskowe i szczegóły implementacji); łącznie w dokumencie README wymieniono osiem takich kategorii. Chodzi o to, że Memento nie tylko przechowuje surowe zapisy rozmów – klasyfikuje kontekst, dzięki czemu przywoływanie informacji może być bardziej precyzyjne pod kątem tego, co jest aktualnie ważne.

Pamięci są powiązane z konkretnym projektem poprzez jego katalog główny w systemie git, więc notatki z repozytorium API nie przenikają do prac nad interfejsem użytkownika. Istnieje również możliwość wyszukiwania między projektami, gdy jest to potrzebne.

Zachowywanie bezpieczeństwa danych

Inżynieria niezawodności jest dość wyrozumiała. Wyłącznik obwodowy zapobiega rozprzestrzenianiu się problemów w bazie danych, log zapisu przed wykonaniem operacji gwarantuje, że awaria w trakcie zapisu nie spowoduje utraty danych, a pamięć LRU służy jako alternatywa, gdy główna pamięć jest chwilowo niedostępna. To może wydawać się przesadą, ale narzędzia, które cicho usuwają dane, są prawdziwym utrapieniem, a celem jest to, aby wszystko, co zostało zapisane przez Memento, nadal tam pozostało.

Próba użycia

Jest to oprogramowanie otwarteźródłowe, dostępne na npm. Wystarczy jeden polecenie, aby to zrobić:

npx memento-memory

To instaluje serwer MCP, konfiguruje mechanizmy automatycznego przechwytywania danych oraz aktualizuje ustawienia Claude, dzięki czemu kolejna sesja Claude Code będzie działać bez problemów. Możliwa jest również globalna instalacja za pomocą npm install -g memento-memory, a w dokumencie README wymienione są wszystkie dostępne opcje konfiguracji.

Dostępne są również niektóre ręczne polecenia:

  • /recall – przeszukuje twoje pamięci
  • /remember – wyraźnie zapisuje coś w pamięci
  • memory_health – pokazuje stan systemu
  • memory_list – pokazuje zawartość przechowywanych danych

Dlaczego to ważne

Narzędzia do programowania oparte na AI znajdują się w dziwnej sytuacji. Potrafią przerabiać całe moduły, rozwiązywać skomplikowane błędy i analizować architekturę systemu, a mimo to każdego ranka budzą się nie wiedząc nic o tobie ani o twoim projekcie. Im bardziej stają się zaawansowane, tym bardziej odczuwalny jest ten brak spójności, ponieważ widać, jak o wiele lepiej byłoby, gdyby istniała jakaś ciągłość.

Memento to próba zamknięcia tej luki. Ma swoje niedoskonałości i z pewnością zdarzają się przypadki, gdy błędnie klasyfikuje coś lub pomija kontekst, który powinien być oczywisty. Mimo to rozpoczynanie sesji, w której Claude już wie, co wydarzyło się w zeszłym tygodniu, to właśnie tak powinno działać od samego początku. Brak pamięci był błędem.

Literatura pokrewna

  • Antygrawitacja /cel: Autonomiczne agenty kodujące i koniec AI-opiekuna — Jak polecenie /goal w Antygrawitacji przekształca agenta kodującego AI w autonomicznego pracownika z pętlą planowania i weryfikacji, pokazane przy użyciu refaktoryzacji klas zamkniętych w Flutter oraz wskazówek dotyczących pisania celów.