AI編程節省95%token，工具調用上限狂飆20倍，記憶系統登頂GitHub

用Claude Code寫代碼的人，終于不用每次開新會話都從頭解釋項目背景了。

頂GitHub開源熱榜的一款持久化記憶系統Claude-Mem，直擊AI編程助手最致命的痛點：跨會話失憶。

Claude-Mem本身100%免費，還能幫你省token錢。

它通過”三層漸進式披露”的檢索架構，常規使用下能節省90% Token，測試階段的“無盡模式”更是能把Token消耗砍掉95%，工具調用次數上限直接拉高20倍。

給Claude Code裝上”長期記憶”

傳統AI編程助手有個繞不開的問題，每次新會話都是一張白紙。

昨天剛聊完的架構設計、上周敲定的編碼規范、剛剛那些踩過的坑，AI統統不記得。開發者只能一遍遍重復解釋，時間和Token都在這種“復讀”中白白流失。

Claude-Mem的解法是在本地環境搭建一套完整的記憶系統。

它采用事件驅動架構，通過五個生命周期鉤子（SessionStart、UserPromptSubmit、PostToolUse、Stop、SessionEnd）在后臺靜默運行。

每當Claude Code執行文件讀寫、代碼編輯、命令執行這類工具調用，系統都會自動把這些操作捕獲下來，存成“觀察記錄”。

存儲方案走的是混合路線：SQLite配合FTS5負責全文檢索，Chroma向量數據庫則用來做語義搜索。

所有數據都躺在用戶本地的目錄里，隱私方面不用擔心。

會話結束時系統會調用Claude Agent SDK，把整個會話期間那些冗長的原始工具使用記錄，壓縮成結構化的精煉摘要。

包含調查內容、學習成果、已完成工作、后續步驟這幾個關鍵模塊。

下次開新會話時，系統自動查庫、檢索、注入上下文，無縫銜接上回的工作。

三層檢索省下10倍Token

Claude-Mem最大的亮點是一套“漸進式披露”檢索工作流。

傳統記憶系統做法把所有歷史記錄一股腦塞進上下文窗口，簡單粗暴但極其燒錢。

Claude-Mem反其道而行，把檢索拆成三層：

第一層是索引層，用search工具拉一個只包含ID、標題和類型的緊湊列表，每條結果大約只吃50到100個Token；

第二層是時間線層，用timeline工具獲取某條感興趣記錄前后的時序上下文；

第三層才是完整細節，用get_observations根據篩選出的具體ID批量獲取詳情，單條成本在500到1000 Token之間。

這套分層策略作用下，一個原本需要20000 Token才能完整加載的上下文，經過篩選后可能只需要3000 Token就能拿到所有必要信息，而且相關度是100%。

處于測試階段的無盡模式（Endless Mode）則更激進，它把工具輸出實時壓縮成大約500 Token的觀察記錄，Token節省率直接拉到95%。

由于上下文窗口占用率大幅下降，工具調用次數上限也跟著水漲船高，提升了約20倍，處理那些又長又復雜的任務也不用擔心不夠用了。

兩條命令完成安裝

功能之外，Claude-Mem在用戶體驗上也下了功夫。

它內置了mem-search技能，支持自然語言查詢項目歷史。想知道“上周修復了哪些bug”直接問就行。

系統還提供了一個本地Web界面，可以實時查看記憶流、會話摘要，也能在穩定版和Beta版之間切換配置。

隱私控制方面，用戶可以用標簽阻止敏感信息被記錄，新版本還引入了雙標簽系統，控制粒度更細。

安裝流程走的是Claude Code插件市場，兩條命令加一次重啟就能搞定，不需要折騰復雜的環境配置。

GitHub

https://github.com/thedotmack/claude-mem