企业官网建设流程全解析

每天在终端里开三四个 Claude Code 会话，是我最近半年的工作常态。用得越久，越发现有个问题让人抓狂：每个新会话都是金鱼记忆。上午刚讨论完的重构方案，下午新开窗口就忘得一干二净；我早就说过"项目用 pnpm、提交信息写中文、测试用 Vitest"，但每个新会话都要重新交代一遍。不是 Claude 本身不够聪明，而是 Claude Code 的会话隔离机制决定了——每次启动，它都是个"失忆"的智能体。

我尝试过把偏好写进CLAUDE.md，但那是静态档案，解决不了动态问题：昨天那个 bug 最后是怎么定位的？上礼拜和 AI 讨论过的性能优化结论是什么？这些碎片化信息根本没法靠一个 Markdown 文件追踪。

直到我发现了claude-mem这个轻量开源工具。它做的事很直接：把每次会话里的关键决策、结论、偏好、标签化的信息，结构化地写进 SQLite 数据库，然后在下一个会话启动时自动注入回上下文。一句话概括就是：给 Claude Code 补上一个可检索、会遗忘、跨会话的长期记忆层。如果你也在用 Claude Code 做日常开发，或者觉得"AI 总是记不住我说过的话"，这篇文章应该能帮上忙。下面我把从安装、配置到踩坑的完整过程都摊开讲。

1. 先从实际痛点聊起：为什么 Claude Code 默认"没记忆"

1.1 会话隔离机制：每次启动都是全新 Agent

Claude Code 的设计思路是"一次会话一次任务"。它把当前对话窗口里的所有上下文打包给模型，包括系统提示、工具定义、历史消息，这些内容共同组成了模型"当下"的工作记忆。一旦会话结束、新开窗口，上一个会话的全部内容就会被丢弃。

这个设计本身没问题：上下文窗口是有限的，长期堆积消息不仅浪费 token，还会让模型被无关信息干扰。但问题是，对于持续数周甚至数月的项目来说，这种"每次从零开始"的模式太割裂了。我经常需要同时推进三四个任务，每个任务开一个会话。任务 A 里讨论的技术选型结论，任务 B 里根本不知道；昨天在会话里确认过的接口约定，今天新会话里 AI 又开始提出相反方案。

1.2 现有方案为什么解决不了动态记忆

大家首先想到的肯定是CLAUDE.md。我一开始也把大量内容塞进去：技术栈、目录结构、代码风格、提交规范。时间一长就发现问题了——CLAUDE.md适合放稳定的长期事实，不适合放不断变化的工作状态。举个例子，我每周都要更新"当前 sprint 进展"，这种动态信息如果写进CLAUDE.md，要么你得频繁手工维护，要么它就慢慢变成一份过期的文档。

也有人尝试把每次会话的完整历史导出成文件，下次再贴回去。这个思路更不可行：一次深度会话的完整历史可能几万 token，累计几周下来，重新"喂"回去既耗费输入成本，又会把模型淹没在大量已经失去价值的过程信息里。我们需要的是"摘要结论"，不是"逐字记录"。

1.3 长期记忆到底该存什么

站在实际使用者的角度，跨会话真正值得记住的内容其实可以分成三类：

• 偏好类：我习惯用什么包管理器、代码风格、提交信息格式、文档语气。
• 决策类：某个需求最后选了哪个方案、为什么选它、放弃了哪些备选，以及当时的讨论结论。
• 状态类：目前进行到哪一步、下一步计划是什么、刚修复的 bug 根因在哪。

这三类信息共同构成了一个项目在 AI 侧"持续工作的基础"。CLAUDE.md能承接偏好类，但决策类和状态类是动态的、有时效性的，必须有一个更灵活的系统来承接。claude-mem 的设计目标恰好就是覆盖这三类，尤其是后两类。

2. claude-mem 的底层设计：SQLite、摘要生成与"会遗忘"的机制

2.1 数据库结构与数据落盘

claude-mem 用 SQLite 作为存储后端。初始化之后，数据存放在~/.claude-mem/目录下，核心文件是memory.db。数据库里主要维护几张表：sessions（会话记录）、memories（独立记忆条目）、tags（标签索引）、summaries（自动生成的会话摘要）。

我最初以为它会像聊天记录软件一样，把每条消息都存下来，实际看它的设计才发现不是：它存的是"提炼后的信息"，不是原始对话。每次会话结束（或达到一定长度），claude-mem 会把该会话的上下文整体交给一个 LLM 来生成一段精炼摘要，再把摘要和关键结论拆成若干条独立记忆，按带时间戳的形式写入数据库。你随时可以通过命令行查询、搜索、删除这些记忆。

这种"链下提炼、按需注入"的模式，和给模型无限堆历史消息有本质区别。它不是补丁式地扩大上下文窗口，而是对信息做了一层"压缩-索引-召回"的处理，有点像一个真正的记忆系统——把重要的留下，把噪音丢掉。

2.2 时间衰减：为什么记忆必须会"遗忘"

这是 claude-mem 里我最欣赏的设计：记忆会随着时间推移而衰减权重。它内置了一个遗忘曲线机制，每条记忆的"得分"会按照时间流逝乘上一个衰减因子，默认的衰减因子在 0.98~0.99 左右，具体数值你可以在配置文件里调整。

翻译成人话就是：昨天的记忆在召回时权重很高，一周前的记忆权重明显降低，一个月前的记忆基本上只有通过主动搜索才能被翻出来。这个设计看似反直觉，但非常合理。真实的大脑也不可能把所有事情都记得一样清楚，如果不做衰减，两周前某个临时讨论产生的记忆，可能会在新项目中反复被注入上下文，不仅浪费 token，还可能干扰当前任务的判断。

我希望 claude-mem 的实际体验也验证了这一点。刚配置好的头几天，它会优先注入近期会话的决策和偏好，效果非常直观；而当我隔了半个月回到一个老项目时，它不会把半个月前那些已经过时的状态一股脑塞进来，只会给出仍然有参考价值的长期结论。这种"自动淡忘"恰恰是它优于简单全文记录的关键点。

2.3 为什么选"摘要 + 衰减"而不是"全量存储"

很多人会问：直接存全文不好吗？这样 AI 什么细节都能查。但实际跑过就知道，全量存储有几个硬伤：第一，成本高。每个会话几万 token 的原始消息，如果反复注入，光输入费用就够呛；第二，信噪比差。原始对话里大量寒暄、试探性讨论、中间状态的过程性内容，对后续决策毫无帮助，强行注入只会降低模型对真正重要信息的注意力；第三，记忆应该是指向性的，不是堆积性的。

摘要的作用是"提炼核心"，衰减的作用是"控制时效"，两者叠加，才能让注入回上下文的记忆保持高浓度、高相关性。打个比方：你不可能靠回放一整天的监控录像来回忆"中午吃了什么"，你靠的是当时随手记下的笔记——claude-mem 做的事，就是替 AI 写笔记、整理笔记，并在适当的时候把笔记翻出来给它看。

3. 完整接入流程：初始化、配置 provider、挂载 hooks 一次性跑通

3.1 环境准备与安装

claude-mem 依赖 Node.js 环境，建议 Node 18 及以上版本。因为 Claude Code 本身也是 Node 生态的产物，所以一般开发机环境基本都满足。安装直接走 npm：

npm install -g claude-mem

安装完成后，先做初始化，会在~/.claude-mem/下生成数据库和配置文件：

claude-mem init

初始化完成后，你可以先跑一下claude-mem list看看效果，这时数据库还是空的，输出会比较冷清，但至少说明安装链路是通的。

3.2 配置 provider：摘要该由哪个模型来生成

claude-mem 生成摘要需要调用一个 LLM。我见到的常见做法是直接用 Claude（Anthropic API），因为模型风格和 Claude Code 保持一致，摘要生成的输出会更贴合原始上下文。配置文件在~/.claude-mem/config.json，大致长这样：

{ "provider": "claude", "decayFactor": 0.99, "maxTokens": 4000 }

如果你不想把摘要生成请求全部走 Claude API，也可以把 provider 配置成兼容 OpenAI 格式的其他服务，或者设置为通过本地的一些模型网关转发。这块取决于你的实际网络环境和成本预算。我的建议是：摘要模型不需要最强大，但需要稳定，因为摘要质量直接决定后续召回的信息质量，如果经常生成些文不对题的总结，那后面所有环节都会受影响。

3.3 挂载 SessionStart Hook：让记忆自动注入

安装好、配置好 provider，这只是完成了"能存"。真正让它做到"自动注入"，需要把 claude-mem 挂到 Claude Code 的 hook 上。

Claude Code 的 hook 机制允许你在特定生命周期事件发生时自动执行外部命令。我们需要的是在每次会话开始时注入历史记忆，对应的 hook 点是SessionStart。在~/.claude/settings.json里加一段：

{ "hooks": { "SessionStart": [ { "matcher": "", "hooks": [ { "type": "command", "command": "claude-mem --recall --full" } ] } ] } }

这个配置的意思很直白：每当一个新会话启动，就执行claude-mem --recall --full，把数据库里经过衰减筛选后的记忆，以文本形式插进系统提示词区域。改完配置后重启 Claude Code 再开一个新会话，你就能在会话里看到 AI 主动说出类似"根据你之前的记录，你习惯用 pnpm 管理依赖"这样的话语，说明记忆注入已经生效。

我建议头一次配置时，先不要加--full，而是先跑claude-mem recall手动确认输出内容是否符合预期，再挂 hook。避免一开始就把太多杂乱内容注进上下文，导致新会话"带病作业"。

3.4 验证安装效果

验证分三步走。第一步，开一个新会话，跟 Claude 随便聊两句，确认 hook 没有报错；第二步，在会话里讨论并确认一个具体的决策（比如"这个模块用职责分离模式重构"），会话结束后命令行执行claude-mem list看是否多出记忆条目；第三步，再开一个全新会话，直接问它"上一个会话里我们讨论了什么重构方向"，如果它能接上话，整个链路就算通了。

4. 提升召回质量的实战用法：标签、搜索和多会话协作

4.1 利用标签系统给记忆分区

claude-mem 支持标签功能，这是我从"能用"到"好用"最依赖的一个特性。你在对话中让 Claude 记录重要信息时，可以明确要求它带上标签，比如"记住：这个支付模块优先保证幂等性 #支付 #订单服务"。标签会在摘要生成时被一并提取，后续召回时就能按标签过滤。

实际使用中，我习惯按两个维度打标签：项目维度（#某个项目名）和特性维度（#重构、#bugfix、#性能优化）。项目维度用来隔离不同项目的记忆，避免 A 项目的技术决策跑到 B 项目里去捣乱；特性维度用来做任务级的快速召回，比如我想找上周关于性能优化的讨论结论，直接按#性能优化过滤就行。没有标签体系的时候，所有记忆全混在一起，召回效果会大打折扣，尤其是项目多的时候。

4.2 直接往记忆库里写东西

除了让 AI 在会话里自动沉淀，你也可以手动往记忆库里添加条目。命令行就能操作：

claude-mem add "这里写你想让 AI 长期记住的一句话" #标签

这个方法特别适合记录那些"还没在对话里讨论过、但你希望 AI 从一开始就知道"的事情。我经常在开新项目第一天就跑几条add，把项目背景、约束条件、技术红线先写进去，然后再开始会话。这样 AI 第一次回答问题时就已经有了项目背景，而不是先聊几十轮才开始进入状态。

add还有个特别有用的场景：交接。比如你上午在电脑上讨论的方案，下午想在另一台机器上继续，先把结论add进去，新环境一recall就全回来了。

4.3 搜索历史记忆：把记忆库当知识库用

记忆累积到几百条之后，靠自动注入已经覆盖不了所有场景了。这时搜索功能就派上用场。claude-mem 提供关键词搜索，我常用的形式是：

claude-mem search "限流方案"

它会扫描记忆库里的摘要和标签，把相关的历史会话、决策、结论列出来。这在处理"我记得之前聊过类似问题，但想不起细节"的场景下非常好用。它本质上把 claude-mem 变成了一个项目专属的 AI 记忆知识库，而不只是自动注入的一层皮。

搜索出来以后，如果某条记忆对当前任务特别关键，你甚至可以把它单独add进当天会话，让 AI 在后续对话里带着这条记忆工作。

4.4 多会话协作的经典操作模式

我现在典型的工作流是这样的：早上开工，先开一个新会话，让它自动召回昨天的记忆；然后我快速扫一眼注入的内容对不对，有遗漏就手动add补充；如果今天的工作跟某个老专题有关，直接search拉出相关历史讨论，把关键结论加进上下文；关会话之前，我会提醒 AI 把今天的重要结论写进记忆，并带上清晰的标签。这套流程跑顺以后，多个会话之间不再是信息孤岛，而是像一个持续运转的团队里，每个新同事上岗前都会先读一遍交接文档。

5. 实测踩坑记录：token 膨胀、误召回、冷启动与隐私考量

5.1 记忆注入过多导致上下文膨胀

一开始挂 hook 时，我图省事直接用了--full，结果新会话还没开始干活，光系统提示词里塞的记忆就有好几千 token。短时间看不出来，但等记忆库条目多了，每次开机会默认加载所有高权重记忆，对话框还没输入就已经占用了可观的上下文窗口，模型思考和生成的空间被压缩了。

后来我调整了策略：把 hook 里的命令改成按会话标签过滤，或者限制召回条数和 token 数，比如只取最近 N 条、只取包含指定标签的记忆。再配合时间衰减，旧而低相关的内容基本不会进上下文。记忆注入要的是"精准的几条"，不是"全部的一堆"，这个度需要你根据自己的项目量和上下文窗口大小慢慢调。

5.2 误召回：A 项目的记忆跑到 B 项目里捣乱

跨项目召回是我踩过最深的坑。有一阵子我同时维护一个 Node 项目和一个小型 Python 工具，claude-mem 没做项目维度隔离时，在 Python 项目的新会话里，AI 会突然建议我用 npm 安装依赖，甚至引用 Node 项目里的代码决策。原因很简单：记忆库里所有内容混在一起，按时间衰减排名后，Node 项目的最新讨论权重高，就被一并注入了。

解决方案有两个：一是养成打项目标签的习惯，并在 hook 命令里加上标签过滤；二是按项目给记忆库做物理隔离，不同的项目用不同的数据库文件。claude-mem 本身有会话级、标签级的过滤能力，但对自动化程度要求高的话，我更推荐"一个项目对应一套记忆库目录"的做法，彻底避免串味。这个坑也提醒我：记忆系统必须能区分"这是哪个任务域里的记忆"，否则就越帮越忙。

5.3 冷启动：新库没有任何记忆，前几次会话毫无帮助

claude-mem 不是装完立刻就有魔法效果的。新初始化的记忆库空空如也，头几次会话它什么都注入不了，你甚至会产生"这工具到底有什么用"的怀疑。我实际体验下来，至少要积累 5~10 个有效会话之后，它才开始显出价值。

这段冷启动期不用干等着，可以主动做几件事：把项目背景、技术栈、你的偏好用add手动喂进去；每次会话结束前，明确让 AI 总结今天的结论并写进记忆；跑一次claude-mem的快速总结命令，把还没沉淀的零散信息先合并起来。我大概是在两周的持续使用后，明显感觉到新会话的 AI"越聊越懂我"，冷启动期过去之后，记忆复利才开始显现。

5.4 隐私和敏感信息不可忽视

记忆库里存的都是提炼后的摘要和结论，但摘要也可能包含敏感信息。比如你在会话里讨论过的内部系统接口细节、未公开的技术方案、客户信息，这些内容经摘要生成后会明文保存在~/.claude-mem/memory.db里。我见过有人在共享开发机上跑这个工具，后来发现数据库文件被同步工具传到了公司仓库，虽然不是特别严重的事件，但足够让人警觉。

我的建议是：不要把密钥、口令这类绝对机密的东西放进会话，更不要让 AI 把敏感信息写进记忆；如果你无法避免，至少要在配置文件里加排除关键词，或者定期检查记忆库内容并删除敏感条目；涉及多人协作的开发机，最好给数据库目录做访问权限限制。记忆是为了提高效率，不是为了制造安全隐患。

5.5 Hook 在非交互终端下的执行问题

最后分享一个很实际的问题：如果 Claude Code 不是在常规终端里跑，而是在 CI 环境、编辑器内置终端，或者通过编程方式调用，SessionStart hook 命令执行时可能会卡住，因为它会等待一些交互输入。遇到这种情况，检查两点：一是确认 hook 命令是完整的、无需手动确认的命令形式；二是在非交互环境里考虑去掉与界面交互相关的参数，或者直接不挂 hook，改为在会话开头手动执行一次召回。这个坑不算大，但遇到时会让你一头雾水，排查一圈才发现只是交互模式的问题。

6. 把 claude-mem 接入完整工作流：分层记忆架构与进阶玩法

6.1 与 CLAUDE.md 配合：静态档案 + 动态记忆的分工

用熟了之后，我形成一个明确的分层记忆架构。CLAUDE.md负责稳定层：项目技术栈、目录结构、编码规范、团队约定，这些几个月都不会变的内容，一次性写进去。claude-mem 负责动态层：每轮会话的决策、当前进度、临时发现的问题、新确定的接口约定，这些频繁变化的内容让 AI 自动沉淀。

两层各司其职，互不干扰。我见过有人把所有东西都塞进CLAUDE.md，导致它变成一份巨大的、难以维护的文件；也有人完全依赖 claude-mem，结果项目里长期的基本约定反而没有稳定载体。正确的姿势是两层配合：静态的靠文档，动态的靠记忆库。这样 Claude Code 每次启动，既有稳定的项目背景，又有最新的会话上下文，工作连贯性会好很多。

6.2 养成"会话收尾"习惯：让 AI 主动沉淀关键信息

claude-mem 自动生成的摘要虽然省事，但要发挥最大价值，最好在会话结束前花半分钟做个"收尾动作"。我现在每次关会话前都会补一句："把这次讨论的重要结论和下一阶段计划写入记忆，加上 #项目名 标签。" AI 会据此整理出比自动摘要更针对性的记忆条目。

这个习惯的成本极低，但收益非常大。因为自动摘要是按时间线和对话内容来提炼的，"重要结论"和"下一步计划"这两个维度的信息在自动摘要里经常不够突出。你主动要求 AI 提炼一遍，等于是在给它一个"什么值得记"的优先级信号，长此以往，记忆库的质量会明显高出一截。

6.3 记忆库的备份、迁移与长期维护

最后聊聊维护。很多人在本地跑了几个月，某天换电脑才发现记忆库没备份，导致 AI 的"记忆"全部丢失。我的做法是把~/.claude-mem/目录纳入备份体系，或者直接做成一个私有 git 仓库，定期提交。这样换机器时一条命令就能把记忆库拉回来，新环境里的 AI 直接继承旧记忆，无缝衔接。

我还习惯每隔一两周做一次"记忆整理"：把已经过时的、项目已经结束的记忆删掉，把零碎的短期记忆手动合并成一条长期结论。这其实和整理自己的笔记是一回事——不要指望系统自动帮你维护好一切，定期清理才能让召回质量维持在理想水平。记忆库不是越大越好，有效且新鲜的记忆才有价值。

我个人的体会是，claude-mem 这类工具真正的价值，不在于"把聊天记录存下来"，而在于它让 AI 从一个"每次遇到你都像第一次见面"的陌生人，变成一个"记得你习惯、知道你进展"的老搭档。给 AI 装记忆这个想法听起来很玄，实际落地后你会发现，核心无非是"该忘的忘掉、该记的记牢、该找的找得到"这三件事。如果你也在为 Claude Code 的"失忆"头疼，可以按上面的路径从手动模式先试起来，等体会到"新会话里的 AI 认识我"的感觉之后，大概率就回不去了。