Serveur de mémoire MCP local pour un contexte de codage persistant et un rappel
claude-mem-lite de Sdsrss offre une mémoire persistante à long terme pour Claude Code et les agents compatibles MCP pendant les sessions de codage et le travail sur des projets. Il stocke les observations, les décisions de codage et les corrections dans un backend SQLite local, récupère le contexte pertinent avec une recherche hybride FTS5 et TF-IDF, et injecte la mémoire dans les sessions. Le regroupement d'épisodes, le nettoyage des secrets, les écritures atomiques et le dispatch d'intentions bilingues sont intégrés pour une gestion de la mémoire à l'échelle des projets, conçue pour les développeurs qui souhaitent une couche de mémoire axée sur la confidentialité et à faible surcharge, sans bases de données vectorielles externes ni services daemonisés.
Pour quelles tâches pouvez-vous réellement l'utiliser ?
L'outil capture et préserve les décisions de codage, les corrections de bogues et le contexte du projet afin que les modèles puissent réutiliser les résultats antérieurs à travers les sessions. Le regroupement d'épisodes regroupe des observations liées en ensembles cohérents, ce qui facilite la récupération des travaux récents et des corrections associées. Les utilisations typiques incluent la récupération des étapes de débogage passées, la préservation des choix de conception et la fourniture de notes de projet au début de la session grâce à l'injection de contexte budgétée en jetons limitée à environ 2 000 jetons.
Quelle est la précision de ses récupérations de mémoire par rapport à la recherche par embedding ?
La qualité de la recherche repose sur SQLite FTS5 plus une couche de classement TF-IDF, donc l'outil produit de fortes correspondances lexicales sans base de données vectorielle externe. Pas de base de données vectorielle signifie que la similarité sémantique de style embedding n'est pas fournie, et que les correspondances conceptuelles profondes peuvent être plus faibles que celles des systèmes d'embedding. Le regroupement d'épisodes et le classificateur hybride améliorent la pertinence pour les mémoires récentes et textuellement similaires, mais les jointures sémantiques complexes nécessitent toujours une vérification humaine.
Est-ce qu'il s'intègre dans un flux de travail de développeur sans services supplémentaires ?
L'outil est conçu pour un déploiement local en premier sur des hôtes MCP et s'attend à une version Node.js 18 ou supérieure sur Linux ou macOS. Il stocke les données dans un seul fichier SQLite avec des écritures atomiques et un verrouillage de fichier pour protéger l'intégrité lors d'un accès concurrent. Le nettoyage des secrets supprime les modèles de crédentials courants avant le stockage. La récupération déclenchée par une erreur peut extraire des corrections passées lorsque des échecs bash se produisent, ce qui relie la récupération de mémoire aux flux de débogage en direct.
Meilleur pour la mémoire axée sur le projet et axée sur la confidentialité dans les flux de travail MCP
Pour les ingénieurs intégrant une mémoire consciente de la session dans le développement basé sur MCP, l'outil offre une couche de mémoire étroitement axée et orientée vers la confidentialité qui réduit la saisie répétée de contexte. Attendez-vous à valider le contexte récupéré avant de vous y fier pour des décisions critiques, car son approche de recherche lexicale diffère de la récupération sémantique basée sur l'incorporation. Utilisez-le comme un complément au niveau du projet pour la révision de code et les tests automatisés plutôt que comme une seule source de connaissances.
