为Claude Code赋予记忆功能:一款名为Memento的本地MCP插件
AI编程助手会在会话之间忘记所有内容。Memento是Claude Code的一款本地MCP插件,能够捕获、整理、去重并调出项目相关上下文。
来源: My AI Coding Agent Keeps Forgetting Me — So I Gave It a Brain
想象一下周二晚上11点左右。你使用Claude Code重写认证中间件已三个小时,你与AI助手就策略模式与普通工厂模式展开了反复讨论。两种方法都试过了,最终工厂模式胜出,会话令牌得以以合理的方式通过新的验证层。这就是那种一切都很顺畅、AI协作编程显得格外有效的时刻。
次日清晨,你打开一个新会话,希望继续之前未完成的认证中间件工作。AI愉快地表示愿意帮忙,但随后要求你从零开始描述项目结构与目标。
三小时共同建立的上下文,就此消失。
每个人都会遇到这种情况
无论使用 Claude Code、Cursor、Copilot 还是 Windsurf,只要连续使用任何 AI 编程工具超过一周,就会遇到这个问题。每次会话开始时一切都是空的,这种重复的工作很快就会让人感到厌烦。最初的 15 到 20 分钟都用来重新解释项目:这是文件夹结构,这是认证机制的运作方式,这是为什么选择 Supabase 而非自行开发,还有,Redis 已被排除在外。当然,这些工具不会记住这些内容,也根本做不到。
你会发现自己开始用“还记得我们……吗”这样的句式,但话到嘴边又停住了,因为另一端根本不存在“我们”这个人。对 AI 来说没有过去,只有当下。这就好比每天早上最聪明的同事都带着完全的失忆症出现一样。
显而易见的解决方案无法长久
最初的尝试都是可以预见的。其中一种方式是创建一个庞大的 CLAUDE.md 文件,里面充斥着大量关于项目背景的描述、ASCII格式的架构图、编码规范以及文件结构。这些内容有助于了解基础信息,让智能体知晓所使用的框架以及路由的位置。但它无法存储决策记录——它不会知道上周三尝试过方案A,却因队列处理程序中的竞态条件而失败,而这正是方案B能够胜出的原因。这类知识需要在日复一日的协作中逐步积累,而静态的Markdown文件根本无法跟上节奏,因为项目在不断变化,文件往往几天之内就会过时。
第二种方法是创建一个随会话启动而更新的辅助文档,用于向人工智能说明关键决策、失败尝试及注意事项。这种方法在一定程度上可行,但你需要停下来思考实际发生的情况——你正在为一台编码速度比你快十倍的机器手动维护记忆,而它还依赖你充当它的笔记本。
这两种方法都难以维持超过一两周,最终你用来管理人工智能上下文的时间反而会超过编写代码的时间。
真正的问题
这些工具根本没有记忆功能。这就是整个问题的核心所在。
人类团队成员的价值不仅在于编码能力。他们能够构建上下文意识——知道为何选择 Postgres 而非 Mongo,记得一月份因时区计算导致的计费错误,也 recall 三轮迭代前做出的架构决策,这些决策解释了为何某个模块看起来如此异常。而人工智能并不具备这些共同记忆,按设计它本就是无状态的。
当初这些工具还只是被夸大的自动补全功能时,这点并不重要。但现在它们能够重构整个模块,调试跨服务之间的竞态条件,还能协助做出真正的架构决策。当如此强大的工具却无法回忆起昨天的工作成果时,其带来的挫败感实在难以言表。
如果它能够自行记忆又如何?无需通过将所有内容硬塞进提示词这种低效方式,而是让人工智能根据你当前的工作内容,自动从过往会话中提取相关上下文,无需额外指令。
Memento
这个想法后来变成了Memento,其名称取自那部电影。它是一个 Claude Code 插件,从技术上讲属于 MCP 服务器,能为智能体提供跨会话的持久记忆功能。在你工作时,它会后台记录架构决策、漏洞修复及配置变更,并将它们存储在你的本地机器上。在新的会话开始时,它会调出与当前任务相关的信息。
第一次成功运行的情景是这样的:周一,你正在调试队列处理程序中的竞态条件问题。根本原因是缺少锁机制,Claude协助解决了这个问题,而Memento则在你无需任何操作的情况下自动保存了相关上下文。周三,你又回到队列处理程序处理其他无关事务,完全没有提及周一的事情。这时Claude主动提到周一已经通过锁文件解决了该处的竞态条件问题,并提出要检查这两者之间是否存在关联。
这就是它真正发挥作用的时刻。该智能体记住了没人告诉它的信息,这并非因为旧上下文被粘贴进来,也不是因为有了指令文件,而是因为它确实保留了上一次会话的记忆。
底层原理
捕获。在操作过程中会触发两个钩子。一个在进行了有意义的操作之后触发,比如文件编辑和命令执行,但单纯的文件读取除外;另一个在会话结束时触发,用于获取摘要。所有这些都在后台自动完成。
清洗与标记。在数据被存储之前,编辑人员会先移除API密钥、令牌、密码以及AWS凭证。随后标记工具会通过模式匹配将内存内容分类为决策、错误、架构或配置等类型。此步骤不涉及任何大语言模型调用。
去重。同一段内存的五十个不同版本只会造成冗余。Memento工具会先通过哈希值检查完全相同的副本,然后再对用不同表述表达相同含义的记忆内容进行余弦相似度检测。如果新版本包含更多细节,它就会替换旧版本。
存储。默认情况下,所有内容都会保存在本地的JSON文件中,无需任何依赖,也无需配置。如需进行高效的向量搜索,可接入ChromaDB;若需基于图的检索功能,则可使用Neo4j。
召回。当新会话启动时,Memento会从存储的记忆中以语义方式进行查询。它依据含义而非关键词进行匹配,因此即使相关表述毫无关联,关于登录流程的提问也能调出有关会话令牌验证的记忆。
所有操作均在本地完成。嵌入模型all-MiniLM-L6-v2通过Transformers.js在您的机器上运行,因此不会发起任何API调用,数据也不会离开您的笔记本电脑。
哪些内容会被记住
记忆在被记录时会被打上标签。这些标签类别包括决策(为何选择X而非Y)、错误(出现了什么问题以及如何修复)、架构(各组件之间的关联方式)以及配置(环境变量和部署细节),README中列出了总共八种标签。关键在于,Memento并非仅仅存储原始的聊天记录,它还会对上下文进行分类,从而让检索功能更智能地识别当前重要的信息。
记忆会根据项目的git根目录进行划分,因此API仓库中的笔记不会影响到前端开发的工作。如有需要,也可以进行跨项目搜索。
保障数据安全
可靠性工程的设计相当周全。断路器能够防止数据库故障的连锁反应,预写日志可避免在保存过程中系统崩溃导致数据丢失,而LRU缓存则在主存储暂时不可用时提供备用方案。这些措施或许有些过度,但那些会悄悄丢弃数据的工具确实令人烦恼,其目标就是确保Memento捕获的所有数据都能完好保留。
试用方法
该工具为开源项目,发布在npm上。只需一条命令即可完成操作:
npx memento-memory
这样就能安装MCP服务器、设置自动捕获钩子,并修改你的Claude配置,从而让下一次Claude Code会话能够正常使用。也可以通过npm install -g memento-memory进行全局安装,README中列出了所有的配置选项。
还有一些手动命令可用:
/recall:搜索你的记忆内容/remember:手动保存内容memory_health:显示系统状态memory_list:浏览已存储的内容
其重要性
AI编程工具处于一种尴尬的境地。它们能够重构整个模块、解决复杂的错误问题,并分析系统架构,但每天醒来时对用户或项目却一无所知。它们的能力越强,这种差距带来的困扰就越大,因为人们能感觉到,只要有某种连贯性,事情本可以做得更好。
Memento试图填补这一差距。它还存在一些缺陷,确实会有错误分类或忽略本应显而易见的上下文的情况。不过,让Claude在会话开始时就已知晓上周发生的事情,本应是从一开始就该有的体验。缺失的记忆其实就是那个“错误”。
相关阅读
- 为何串联的智能体技能会失效以及可行的三层解决方案 —— 过长的技能链会使智能体的上下文承载能力超限,建议采用“原子、分子和化合物”式的结构来构建,文中还提供了 Claude Code、LangGraph、CrewAI 和 Agno 的应用示例。
- AI 编程智能体革命对 WordPress 的影响 —— 2026 年编程智能体将如何改变 WordPress 的开发方式: Abilities API、AI 客户端、MCP 适配器、WebMCP、验证瓶颈以及值得研究的技能清单。