AI guides

开源:参考OpenClaw,我们给 Claude Code 加上了轻量化的永久透明记忆

By Zilliz0 viewsSource: Zilliz
开源:参考OpenClaw,我们给 Claude Code 加上了轻量化的永久透明记忆

但考虑到在代码领域,如何做好记忆与检索,相比其他场景又有所不同,因此,基于 memsearch CLI ,我们同时也为Claude Code 做了个永久记忆的 plugin——memsearch ccplugin(可适用所有AI coding软件)。

The full text has not been translated yet. The Chinese original is shown below.

文章配图

昨天我们聊了怎么复刻OpenClaw的mem系统,为所有Agent打造透明、可控的记忆,然后发布了memsearch。

开源:我们复刻了OpenClaw的mem系统,为所有Agent打造透明、可控的记忆

但考虑到在代码领域,如何做好记忆与检索,相比其他场景又有所不同,因此,基于 memsearch CLI ,我们同时也为Claude Code 做了个永久记忆的 plugin——memsearch ccplugin(可适用所有AI coding软件)。

地址如下:

https://zilliztech.github.io/memsearch/claude-plugin/

借助memsearch ccplugin的轻量级记忆解决方案 ,Claude 会记住你的每次对话、每个决策、每条代码风格偏好以及跨 session、跨天的所有知识,做到自动检索,随时可用。

文章配图

在本文中,为了区分,我们把这个上层的memsearch Claude Code plugin 叫做 ccplugin,把下层的 memsearch 还是叫做原来的 memsearch。

01

我们为什么要做memsearch ccplugin?

早上打开 Claude Code,你想让AI继续昨天的认证重构。Claude 却完全不记得昨天和你昨天一起做了什么。于是,用户就只能倒退回去,开始复制粘贴,这种问题,不算大,但是出现的次数多了,就会变得很烦人。

尽管Claude Code 本身具备一定的记忆机制,但在实际生产中,完全不够用。比如其CLAUDE.md 文件可以存储项目指令和偏好,但这更适合存静态规则和简短提示,不适合积累长期知识。当然,Claude Code 也有 resume、fork 这些命令,但用起来很不友好。用户得记住 session ID,手动输入命令,管理一堆分叉的对话历史。

此外,当你输入 /resume 命令时,经常出来一堆会话标题,如果你只记得一些历史操作细节,时间又比较久远,那根本不知道哪个是你要找的。

文章配图

于是,市场上又出现了全栈式解决方案claude-mem。

它的思路是构建一套完整的记忆系统:自动捕获你的编码活动,用 AI 压缩成可搜索的摘要,在需要时注入相关上下文。

文章配图

为了落地这套思路,claude-mem 打造了一个三层记忆系统:先搜索高层摘要,需要细节就查看时间线,想看原始对话就拿完整 observations,除此之外,还有隐私标签、成本统计、Web 可视化界面。

其技术实现细节如下:

运行层:基于 Node.js 开发的 Worker 服务部署在 37777 端口,会话类基础数据存储在轻量的 SQLite 数据库中,同时引入向量数据库实现记忆内容的精准向量检索;

交互层:配套了 React 开发的 Web 可视化 UI,你可以实时查看系统捕获的记忆内容(比如摘要、时间线、原始记录);

接口层:通过 MCP(Model Context Protocol)server 对外暴露标准化工具接口,Claude 可直接调用 search(搜索高层摘要)、timeline(查看细节时间线)、get_observations(获取原始交互记录)等命令,完成记忆的检索和调用。

文章配图

平心而论,这是一个不错的产品,解决了 Claude Code 的记忆问题,但它也很重,具体包括以下几个方面:

环境与组件依赖繁重:用户需要部署 Node.js、Bun、MCP runtime 等基础环境,还要维护 Worker 服务、Express server、React UI、SQLite、向量库等多个组件,每个组件都增加了部署、维护的门槛;

Context 窗口与成本开销大:MCP server 的设计存在关键问题 —— 所有工具定义会永久加载到 Claude 的上下文窗口中,且每次工具调用的请求 / 响应都会消耗 tokens;对于长时间运行的会话,这些开销会持续累积,最终可能导致 token 成本失控;

记忆召回的被动性:claude-mem 的记忆召回是 “agent-driven(智能体驱动)” 模式,必须由 Claude 主动决定调用 search 等工具才能触发检索;如果 Claude 没意识到需要调取记忆,相关内容就不会出现,且三层记忆系统的每一层都需要 Claude 显式调用对应工具;

数据存储不透明:数据分散存储在 SQLite(会话元数据)和 Chroma 向量库(二进制向量数据)中,无通用开放格式;用户想迁移数据需要编写导出脚本,想查看 AI 记住的内容也只能通过 Web UI 或专用接口,无法直接访问底层数据。

也是基于以上现实,我们开始思考:记忆系统能不能更简单?

02

memsearch ccplugin 是如何构建的

承接前文对 claude-mem 全栈架构带来高复杂度的分析,我们开发的 memsearch ccplugin 走了完全相反的路线 ,以极简为核心设计哲学,用最轻量化的方式解决 Claude Code 的记忆问题。

memsearch ccplugin 的架构核心是四个 shell hooks,加上一个后台 watch 进程。完全摒弃了 Node.js、MCP server、Web UI 等复杂组件,本质上就是几个调用 memsearch CLI 的 shell 脚本,大幅降低了部署、维护的门槛。

从职责边界来看,memsearch ccplugin 本身不做记忆存储、不做向量检索、不做文本嵌入。而是将这些全部交由底层的 memsearch CLI 来实现;ccplugin 唯一的核心职责,就是充当桥梁,把 Claude Code 全生命周期的关键事件(比如会话启动、用户输入 prompt、停止回复、会话结束),精准桥接到 memsearch CLI 的对应功能上。

文章配图

这种分层解耦的设计带来了极强的灵活性:即便你不用 Claude Code,memsearch CLI 也能独立对接其他 IDE、Agent 框架,甚至手动调用,不会受限于单一使用场景。

具体的落地上,这套架构,有两大特色:

第一:Markdown 优先,Milvus 是配角,数据永远可以从 `.md` 文件重建。

ccplugin 的所有记忆都存在 .memsearch/memory/ 目录下的 Markdown 文件里。

.memsearch/memory/

├── 2026-02-09.md

├── 2026-02-10.md

└── 2026-02-11.md

每个文件是一天的 session 摘要,纯文本,人类可读。

比如以下就是 memsearch 项目本身的每日记忆的 Markdown 文件截图:

文章配图

可以明确看到,时间,会话 ID,每轮对话的ID,会话的摘要,非常清晰。

因此,想知道 AI 记住了什么,可以直接打开 Markdown。想修改记忆?编辑器改就行。想迁移数据?复制 .memsearch/memory/ 文件夹。

过程中,向量索引仅作缓存:Milvus 向量库中的索引只是为了加速语义检索,可随时从 Markdown 文件重建。这意味着,整个过程零不透明数据库,零二进制黑盒,数据永远可追溯、可重建。

文章配图

第二:自动注入,零上下文消耗

透明的存储只是第一步,真正的效率来自于如何使用这些记忆,ccplugin 的记忆召回是自动的。

每次你输入 prompt,UserPromptSubmit hook 会自动触发语义搜索,把 top-3 相关记忆注入到上下文中。Claude 不需要决定是否搜索,它可以直接得到上下文。

过程中,Claude 看不到任何 MCP tool definitions(不会占用 context window),也无需主动调用工具;Hook 机制在 CLI 层面运行,注入的只是纯文本搜索结果,无 IPC开销,也没有工具调用的 token 成本,彻底避免 context 开销累积。

文章配图

另外,值得一提的是,为兼顾效率和灵活性,我们设计了三层渐进式检索逻辑(均为CLI命令):

L1(自动层):每次输入自动返回 top-3 语义搜索结果(chunk_hash+200 字预览),满足日常需求;

L2(按需层):需完整上下文时,运行memsearch expand 获取完整 Markdown 章节 + 元数据;

L3(深入层):需原始对话时,运行memsearch transcript --turn 调取 JSONL 格式原始记录;整体逻辑是先给概览,再按需深入,既保证默认使用的轻量化,又满足特殊场景的细节需求。

文章配图

记忆的检索解决了用的问题,但在这之前,我们需要先考虑,到底要怎么存,以及存什么?

ccplugin 的 Markdown 记忆内容,是通过一套后台异步、极低成本的流程自动生成的:每次你停止 Claude 的回复时,Stop hook 会异步触发去解析对话记录(transcript),调用 Claude Haiku 模型(claude -p --model haiku)生成会话摘要,追加到当天的 Markdown 文件。

(Haiku 模型 API 调用成本极低,几乎可忽略)

紧接着,后台 watch 进程检测到 Markdown 文件变化后,自动将新内容索引到 Milvus,保证检索时效性;整个流程全程后台运行,不干扰用户操作,且成本可控。

03

快速上手

第一步:在 Claude Code 中通过插件市场安装:

# 在Claude Code终端运行

/plugin marketplace add zilliztech/memsearch

/plugin install memsearch

第二步:重启 Claude Code,插件会自动初始化配置;

第三步:完成一次对话后,查看当天的记忆文件:

cat .memsearch/memory/$(date +%Y-%m-%d).md

第四步:下次启动 Claude Code 时,系统会自动检索并注入相关记忆,无需额外操作。

04

结尾

回到最开始的问题:如何给 AI 加记忆,claude-mem 与memsearch ccplugin各有优劣,这是我们整理的一个快速选型指南:

文章配图

claude-mem 提供了更丰富的功能、更完善的 UI、更灵活的控制。如果你需要团队协作、Web 可视化、精细的记忆管理,它是好选择。

memsearch ccplugin 提供了极简的设计、零上下文消耗、透明的存储。如果你只想要一个轻量的记忆层,不需要额外的复杂度,它可能更适合。

哪个更好,取决于你需要什么。

memsearch ccplugin 项目文档:

https://zilliztech.github.io/memsearch/claude-plugin/

github 项目地址:

https://github.com/zilliztech/memsearch/tree/main/ccplugin

memsearch 项目地址:

https://github.com/zilliztech/memsearch

作者介绍

文章配图

张晨

Zilliz Algorithm Engineer

文章来自于微信公众号 "Zilliz",作者 "Zilliz"

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)