企业官网建设流程全解析

很多人第一次看到 claude-mem 这个项目名，第一反应大概是：这不就是给 Claude 加一个“记忆仓库”吗？等真正翻代码、自己跑过一遍之后，你会发现它做的事情比“记住聊天记录”要实在得多——它解决的是 Claude Code 这一类编码代理最让人抓狂的问题：每开一个新会话，之前聊过的技术方案、踩过的坑、定下的约定，全都等于不存在。这篇文章就围绕 claude-mem 这个记忆层工具，把它的设计思路、核心机制、实操过程和我自己踩过的坑完整拆一遍，给打算给自己的 AI 编程流程加持久记忆的人一个可以直接照做的参考。

关注 claude-mem 的主要是两类人：一类是被“AI 编码搭子失忆”逼疯的独立开发者，每天在多个项目间切换，每次都要重新交代背景；另一类是想自己动手给 Claude 定制上下文的小团队，他们不满足于官方那点有限的上下文窗口，想要一个能跨会话、跨项目沉淀经验的记忆系统。如果你也属于这两类人，这篇内容会帮你少走不少弯路。

1. 先说清楚 claude-mem 是什么

1.1 一句话定义：给 Claude Code 装一块长期记忆

claude-mem 本质上是一个本地优先的会话记忆层，它的目标不是做成一个聊天记录查看器，而是充当 Claude 会话之间的“第二大脑”。你在一个会话里讨论出某个模块该用哪种设计模式，下次新开一个会话，它还能自动把这条结论捞出来，塞进新的上下文里，让 AI 接着上次的思路继续干活，而不是从零开始。

我自己的理解是，它和官方 Anthropic 提供的记忆功能是两种路线。官方是平台级别的“记忆”，走的是账号体系，服务端存储，你不太能控制它到底记了什么；而 claude-mem 是项目级别的本地工具，所有数据都以文件形式落在你自己的机器上，记录什么、什么时候注入、注入多少，你都能通过配置干预。对做工程的人来讲，这种可观测、可控制、可备份的状态心理上更有底。

这个项目直接面向的使用场景有两个：一是日常用 Claude Code 写代码时，跨会话保持上下文连续性；二是做批量任务时，比如让 AI 处理几十个文件的重构，每个文件都开新会话去处理，但要求每个会话都遵守同一个约束规范。没有记忆层的话，这些约束就得写成长篇大论的 system prompt，或者反复粘贴；有了 claude-mem，约束可以直接作为历史记忆被自动检索到，新会话不用你反复交代。

1.2 它不是“对话记录导出工具”

很多人在刚接触 claude-mem 时会掉进一个思维误区，觉得它的核心功能就是“把过往的对话历史整理出来给 AI 看”。如果只是这么简单，那直接写个脚本把 JSONL 日志读出来拼到 prompt 里就够了，根本不需要单独一个工具。

claude-mem 和其他“日志拼接工具”最本质的区别，在于它做了语义化的取舍。它会分析一段对话，把其中真正有长期价值的信息提炼出来，比如用户的技术偏好、项目架构决策、反复出现的错误类型、某些模块的实现约束，然后形成一条条结构化的“记忆单元”。这个过程里面有删除、有压缩、有抽象，不是把所有原文搬过来。

另外一个区别是，它会在会话启动之前主动做检索，而不是把全部历史一股脑塞进去。也就是说，它有一套相似度打分机制，根据当前要处理的任务主题，只挑相关性最高的那部分记忆。这样既不会撑爆上下文窗口，也不会让 AI 被无关的旧信息带偏。日志导出是“全部给到”，claude-mem 是“按需召回”，这两者从设计目标上就不是一回事。

1.3 解决了什么实际痛点

我自己有一个特别典型的经历。做一个内部工具项目时，上一轮会话里我花了快四十分钟和 Claude Code 敲定了一个关于异步任务队列的幂等方案，包括表结构怎么设计、消费者怎么去重、失败重试的退避策略。结果第二天新开会话，它完全不记得这些讨论，又给我提了一个完全不同的方案。不是那个方案不好，而是我很确定昨天已经往那个方向踩过坑了，今天又要重新吵一遍，这种感觉特别透支。

这种“反复交代背景费”在多个项目并行的时候尤其明显。你不可能给每个项目写一份独立的长期 system note，又不可能在每次新会话开头都粘贴一大堆之前的结论。claude-mem 的价值就在于：它把散落在各个会话日志里的那些结论自动沉淀下来，并且在你最需要的时候把它带回来。

它适合的人群也很明确：高频使用 Claude Code、经常并行推进多个项目、想让 AI 交付结果保持一致性的工程师。反过来，如果你只是偶尔用一下 AI 聊天、碰不到需要长期维护的技术背景，那这个工具带给你的额外负担可能会超过收益。它终究是一个需要维护、清理和调参的工具，不是装上就一劳永逸的银弹。

2. 项目核心设计拆解：一条从记录到记忆的管线

想知道 claude-mem 为什么能“记住”，关键在于看它内部怎么处理数据。整体可以拆成四个阶段：读日志、切记忆、做向量化、注入上下文。这一节把这四个环节逐个过一遍，每个环节的取舍我都会说明为什么这么做。

2.1 数据入口：读取会话日志

第一件事是搞到原始数据。Claude Code 在运行过程中会把每次会话的完整信息以 JSONL 格式落到本地，其中大概包括消息类型、角色、内容文本、工具调用结果、时间戳这些字段。claude-mem 要做的第一步就是扫描这些会话日志，把内容解析出来。

这里有个细节：会话日志是多行 JSONL，不是纯文本，所以解析时不能直接按字符串拼接。你需要分清哪个是用户消息、哪个是 AI 回复、哪个是工具执行的结果，因为不同角色在不同场景下产生的信息价值完全不同。比如用户明确说“不要用 xxx 方案”，这是一条高权重偏好；而 AI 回复里的某个代码片段，往往是过程性信息，不太值得原样保留。

在这个阶段，工具还会做初步过滤，把明显的噪音去掉。比如“继续”、“对”、“好的”这类无信息量的短消息，不会有任何沉淀价值；又比如某些工具报错但随后又自动恢复了，这种临时性故障也不值得长期记忆。这些过滤规则如果只靠正则去匹配会很粗糙，所以好的实现通常会结合消息长度、句法特征、前后文关联来判断。这一步做完，得到的是一个“可以被进一步提炼的候选语料集”。

2.2 记忆切分：把“流水账”变成“要点”

拿到原始语料之后，下一步最核心：把连续的对话切分成离散的记忆单元。为什么一定要切分？因为对话本身是流式的，一条结论往往分散在好几轮消息里。比如用户先说“我们考虑用 Redis 做限流”，AI 问了一些细节，用户又补充“但是单机版就行，不需要集群”，最后 AI 总结“那采用单机 Redis 加令牌桶”。这四轮消息连在一起才形成了一条完整的信息，单看任何一句都是有缺失的。

claude-mem 的做法是先用一定窗口把相关轮次聚合起来，再通过提炼模型对这段聚合内容做总结，抽取出一个带主题、带结论、带上下文的信息单元。这个单元的结构通常类似：在什么场景下，我们做了什么决定，为什么这么选，有什么副作用或注意点。

切分粒度是个需要权衡的问题。粒度太细，比如把每一轮都存下来，会造成记忆碎片化，检索到的是一条条残缺的信息；粒度太粗，比如按整个会话来存，会导致单条记忆的 token 数量过大，注入时很快就把上下文塞满。实践中合理的粒度是“一个完整讨论主题”作为一个单元，大概对应一次持续几分钟的聚焦对话。实现时可以用时间间隔结合主题向量变化来做切分，而不是单纯按条数切。

2.3 向量化存储：让记忆可以“被搜到”

切分好的记忆单元还不能直接塞进文件里就完事，因为将来要做的是语义检索——用户的新任务可能话术上跟历史记忆完全不同，但语义上是同一件事。比如历史记忆写的是“订单超时关单”，新任务是“处理支付后未回调的订单”，这两句话没有太多共同关键词，但本质上高度相关。关键词匹配在这里会失效，所以必须做向量化。

向量化就是把一段文字映射成一个高维度的数字向量，语义相近的文本在向量空间里距离更近。claude-mem 在存储时会为每条记忆生成一个嵌入向量，连同原文、元信息、时间戳、所属项目一起写入本地存储。

本地存储选什么，这是一个工程上的取舍。有的实现选 SQLite 加向量扩展，有的实现选单独的向量数据库，比如 Chroma 或 LanceDB。如果让我选，我倾向本地优先、单文件、免服务的方案。理由是这类工具的核心价值是低摩擦，如果跑起来还需要外挂一个数据库服务，增加的不只是安装步骤，还有运营成本。实测下来，项目级数据量下 SQLite 的向量检索性能完全够用，没必要上重武器。

2.4 上下文注入：把记忆送回对话

最后一步是把检索到的记忆注入到当前会话中。这一步也有两种做法：一种是在会话启动前，通过 hook 把检索结果注入到系统提示词或者第一条用户消息里；另一种是作为一个额外的上下文模块，在每次对话时动态调用检索接口，把结果附带进去。

前一种更轻量，也更容易控制。新会话启动时，claude-mem 拿到当前的任务描述，先做一次向量检索，取回 topK 条相关记忆，把它们组织成一个固定的提示块，拼在 Claude Code 初始化上下文里。这样相当于在会话开始那一刻，AI 就带上了之前讨论过的相关背景，后面整个会话过程中的所有回复都会基于这套背景来展开。

注入的内容格式很关键。不能直接把记忆原文堆在一起，最好以“历史经验参考”的形式呈现，并且标注每条记忆的摘要和来源时间，让 AI 知道这是从历史会话中检索出来的参考信息，而不是用户当下的新指令。否则模型可能混淆哪些是当前要执行的任务，哪些仅仅是参考背景。这一点在做工程化时要特别注意。

2.5 为什么用“语义检索”而不是“关键词过滤”

这是 claude-mem 设计里一个很值得展开的地方。关键词过滤的问题再明显不过：它的召回率太低，而且极度依赖用户描述和历史记忆之间的字面重合。实际上做技术讨论时，同一个问题在不同时间点会有完全不同的表述方式。今天聊“怎么缓存 MySQL 查询结果”，明天变成“接口响应太慢怎么优化”，这俩在字面上几乎没有交集，但在任务目标上高度一致。如果靠关键词，这条记忆就永远捞不回来。

向量检索不只是解决“换个说法找不到的问题”，它还能在一定程度上容忍噪声和错误拼写。因为向量表示学习的是语义空间中的位置关系，个别字词的差异不会让整个向量发生剧烈偏移。这一点在中文场景里特别实用，因为中文表达的同义改写比英文更灵活。踩过坑之后我的体会是，对这类工具来说，召回能力比精确匹配重要得多，宁可捞回几条不相关的，也不能让真正有价值的记忆漏掉。

2.6 一条重要的取舍路径：精简 token 还是保留细节

做记忆层项目时必须直面一个矛盾：如果记忆太精简，可能丢失关键细节；如果记忆太完整，注入时又会占掉大量上下文空间。claude-mem 在这个问题上给的方案是分两个层级处理，而不是二选一。

第一层是每个记忆单元在存储时已经做过一次提炼，保留的是“结论和核心理由”，不是完整对话原文。第二层是注入时还会做一次动态裁剪，根据当前上下文的剩余 token 空间，决定到底带多少条记忆进来。这个设计很聪明，它让记忆系统具备了弹性：上下文宽裕的时候多带几条，让 AI 有更充分的背景；上下文紧张的时候少带几条，优先保证当前任务的指令空间。实际用下来，这种“宁可少带也要保证任务执行质量”的思路是对的，因为记忆起的是辅佐作用，不能喧宾夺主。

3. 实操上手：安装、配置、让它跑起来

3.1 安装与初始化

claude-mem 这类工具目前大多还处于快速迭代阶段，安装方式因项目而异，但通常绕不开这三条路：npm 全局包、克隆仓库本地构建、或者通过安装脚本直接下载二进制。以 npm 方式为例，一条命令就能装上：

npm install -g claude-mem

装完之后先执行初始化命令，这个命令负责创建配置目录、初始化存储文件，并且扫描一遍本机已有的 Claude Code 会话日志。

claude-mem init

初始化过程会询问几个问题，包括默认的嵌入模型、存储路径、要扫描的项目范围。我的建议是第一次先全部默认，跑通了再慢慢调。千万别一上来就折腾复杂配置，因为第一次扫描可能会花一些时间，如果中途因为配置报错中断，排查起来反而麻烦。先把最基本的链路跑通，看到自己能搜到第一条记忆，后面再优化就顺了。

3.2 首次扫描历史记录

初始化完成后，真正把历史会话日志变成记忆库的是 scan 操作。这条命令会扫描你的历史会话目录，解析内容，提炼记忆单元，并生成向量索引：

claude-mem scan --all

第一次跑的时候建议盯着输出看，重点关注它扫到了多少个会话、过滤掉了多少条消息、最后生成了多少条记忆。这个数字比例很能说明问题。如果会话很多但记忆寥寥，可能是过滤规则太激进；如果每条消息都被无脑存下来了，那后面检索时噪音会非常大。基准值我自己一般是：大约三分之一的会话内容能沉淀为有长期价值的记忆，其余都是过程性信息。

扫描完成后，可以用一个简单的搜索命令来验证效果：

claude-mem search "数据库连接池配置"

这一步建议用多种不同的说法去搜同一条记忆，比如换个词、换个角度，看看能不能召回。如果召回结果稳定，说明向量化效果好；如果换一种说法就搜不到，那就要检查嵌入模型的选择是否匹配你的使用场景，尤其是中文场景往往要换中文友好的模型。

3.3 给新会话装记忆 Hooks

扫描是让旧数据变成记忆，而注入是让新会话能用上这份记忆。这一步才是让 claude-mem 真正“融入工作流”的关键。

在 Claude Code 里一般是配置 hooks，也就是事件驱动脚本。你可以设置一个会话启动时的 hook，在每次新会话创建之后、发送第一条消息之前，触发 claude-mem 的注入命令。配置项大致长这样：

{ "hooks": { "SessionStart": [ { "matcher": "start", "hooks": [ { "type": "command", "command": "claude-mem inject --context-file .claude-mem/current-task.md" } ] } ] } }

这里的核心逻辑是：先把当前任务背景写到一个临时文件里，让 claude-mem 基于这段背景做检索，再把检索到的记忆作为初始化上下文注入。需要留意的是 hook 的执行上下文不一定和你的终端工作目录一致，路径要用绝对路径或者基于 home 目录的展开路径，这是最常踩的坑之一。

3.4 关键配置项解析

claude-mem 的配置集中在少数几个参数上，把参数背后原理搞清楚，调参会变得非常快。下面是几个最核心的配置项：

# 嵌入模型 claude-mem config set embedding.model text-embedding-3-small # 存储目录 claude-mem config set storage.path ~/.claude-mem # 每次注入时最多检索几条记忆 claude-mem config set retrieve.topK 5 # 相关性阈值，低于该值的记忆不注入 claude-mem config set retrieve.threshold 0.65 # 是否压缩注入记忆的细节 claude-mem config set retrieve.summarize true

其中topK和threshold是影响使用体验最明显的一对参数。topK 决定最多带多少条，threshold 决定最低要有多相关才带。两者配合起来，既能保证上下文不会被垃圾塞爆，又能保证高相关的记忆一个不漏。

如果当前任务的主题特别明确，比如“只处理前端样式调整”，但历史记忆里全是后端架构讨论，检索出的相关性普遍偏低，这时 threshold 应该提高，避免无关记忆干扰。反过来如果是综合性重构任务，背景本身就很杂，那么 threshold 可以适当放宽，让 AI 多接触一些不同方向的记忆。这就是为什么记忆工具不能做成一把通用标尺，参数必须跟着任务类型走。

4. 实操过程与核心环节实现

4.1 单条记忆长什么样

先看一条从实际会话里提炼出来的记忆长什么样，这会帮助你理解后面所有配置的意义。假设历史上有一段关于“异步任务幂等”的讨论，claude-mem 提炼出来的记忆单元可能是这样的 JSON：

{ "id": "mem_8f3a2b", "project": "order-scheduler", "title": "订单关单异步任务幂等方案", "summary": "订单超时关单采用 Redis SETNX 加任务表状态字段双重保证，消费者侧通过 task_id 去重，失败重试采用指数退避，最多 5 次", "keywords": ["幂等", "Redis", "关单", "重试", "SETNX"], "decision": "采用业务表状态 + Redis 锁双重机制，而不是单纯依赖 Redis SETNX", "reason": "Redis 锁可能过期导致重复执行，业务表状态可作为兜底", "caution": "重试时注意退避时间要大于 Redis 锁过期时间", "created_at": "2025-06-20T10:23:00Z", "source_session": "sess_9f2e01" }

注意看它的结构，不是简单存一段话，而是把结论、理由、注意事项分成了不同字段。这样在注入到上下文时，AI 可以很清晰地理解这只是一条经验参考，而且能区分核心结论和支撑理由。特别是caution字段，保存的是当时讨论中发现的边界情况，这种东西在实际开发里比结论本身更值钱。

如果你的实现里没有这种结构化字段，只是把段落文本原样存储，那注入效果会打折扣。原因是模型的注意力会被长篇文本分散，而结构化字段让它能够快速锁定“关键结论”和“要小心什么”，相当于给模型做了一次重点标注。

4.2 注入到 Prompt 的实际效果

配置好 hook 之后，新会话启动时，模型看到的上下文里会多出这样一段内容：

<memories> 以下是历史会话中与该任务相关的经验总结，仅作背景参考： 1. [订单关单异步任务幂等方案] 订单超时关单采用 Redis SETNX 加任务表状态字段双重保证，消费者通过 task_id 去重。注意：重试退避时间应大于 Redis 锁过期时间。(2025-06-20) 2. [排队任务消费失败处理] 消费者失败时不要立刻丢弃消息，先进入本地 retry topic，按 2s/8s/32s 退避。 </memories>

这段内容会让 AI 在后续所有回复里都带上这两个约束。实测下来，最明显的变化是 AI 不再提出已经被否决的方案。以前它可能会再次建议“用 Redis 锁解决重复消费”，但它现在记得这次讨论已经决定“Redis 锁 + 业务表双保险”，所以给出的方案会直接跳到最后讨论的结论上继续优化。这不只是省了重复沟通，还意味着后续每次迭代都是在一个已收敛的方向上继续，而不是反复横跳。

同样的效果也体现在风格一致性上。如果你平时会在对话里反复要求“日志格式用 JSON，字段名用 snake_case”，这些偏好一旦被沉淀成记忆，新会话里不需要重新强调，AI 也会自动按这个风格走。这比写 system prompt 更自然，因为 spec prompt 是固定的，而记忆是动态从历史中提取的，更贴合项目当前状态。

4.3 参数计算示例：topK 和阈值怎么定

参数不是拍脑袋定的，要用数据说话。假设你有 800 条记忆，每次新会话任务描述的嵌入向量会和这 800 条逐一计算相似度，得到一个分布。你需要先跑一次搜索，把所有相似度分数倒序排出来，看分布情况：

claude-mem search "订单超时处理" --verbose --show-scores

输出大致会是这样：

score=0.91: 订单关单异步任务幂等方案 score=0.84: 订单状态流转字段说明 score=0.77: 超时任务扫描频率调整 score=0.63: 前端订单列表刷新逻辑 score=0.52: 数据库归档策略

这个分布消息量很大。从 0.91 到 0.77，这几条明显都是和当前任务正相关的，应该注入；0.63 那条已经明显偏题，属于搭点边但不一定有用的；0.52 以下的几乎可以断定是噪音。这种情况下，threshold 设 0.7 左右是合理的，topK 设 4 或 5 就够。

如果你的分布整体偏低，最高分才 0.6 左右，那不一定是你存储的问题，而是任务类型本身太冷门，历史里没积累过相关内容。这时硬调低 threshold 也没什么意义，拉进来的全是不相关记忆，反而让 AI 分心。正确的做法是接受“目前没有可用的记忆”，把精力放在积累新的历史会话上。记忆库这东西本质上需要时间发酵，不是配置能替代的。

4.4 多项目隔离的目录规划

如果你同时在维护好几个项目，记忆绝对不应该全局混在一起。不同项目的技术栈、业务背景、执行约定完全不同，混在一起会导致极其荒谬的上下文污染。比如你在这边聊 Go 服务的高并发调优，那边的前端项目记忆被检索出来，AI 突然关注起按钮交互来，整个回复都会跑偏。

claude-mem 支持按项目隔离存储，这是非常必要的设计。我自己的规划方式是：

~/.claude-mem/ ├── projects/ │ ├── order-scheduler/ │ │ ├── memories.sqlite │ │ └── config.toml │ ├── internal-tool-frontend/ │ │ ├── memories.sqlite │ │ └── config.toml │ └──>claude-mem inject --project order-scheduler

这个做法的额外好处是，单个项目的记忆库体积不会无限膨胀，检索性能也能维持在一个稳定水平。SQLite 在单项目几千条记忆的规模下响应依然是毫秒级的，完全感受不到延迟。

5. 常见问题与排查实录

5.1 最常见的 5 个坑

这个工具看起来简单，实际操作中能踩的坑不少。我把最典型的几类问题整理成表格，你自己排查时对照着看：

头两个坑是配置型问题，后三个是模型和数据质量问题。从我的经验看，中文场景的模型问题最容易被低估，但影响又最大。如果默认嵌入模型产出的向量在中文语义上区分度不高，你会看到相似度分数普遍偏高，但召回结果却一塌糊涂，因为模型根本分不清哪些是真正相关、哪些只是表面接近。

5.2 日志怎么看

遇到问题不要瞎猜，先看日志。claude-mem 一般会提供 debug 级别的日志输出，你可以临时打开详细日志定位问题：

claude-mem scan --debug 2>&1 | tee /tmp/claude-mem-scan.log

重点看三个环节的日志：解析阶段有多少条消息被读取；提炼阶段生成了多少个记忆单元，丢弃记录是什么；注入阶段检索到了哪些候选，最终命中哪些，分数都是多少。这三个阶段的信息可以帮你快速定位问题到底出在数据源、提炼逻辑还是检索配置上。

有一次我遇到“注入内容完全不对”的情况，查日志发现注入脚本拿到的项目名是空的，结果向量检索在全局范围内做了查询，自然捞了一堆乱七八糟的东西。这种问题不看日志根本发现不了，因为表面上一切都正常，只是结果离奇。

5.3 记忆混进不相关上下文

记忆系统最怕的就是“无差别记忆”。你让 AI 处理一个登录页样式问题，结果它强行带上上次讨论的 Kafka 分区策略，这种上下文污染不仅没用，还会打断思路。我测试下来，这类问题的根源一般出在两条线上。

第一条是原始会话日志里本来就混着大量多主题讨论，提炼模型没有很好地区分主题边界，导致一条记忆单元里塞了两个不相干的话题。这种情况可以通过调整提炼提示词来解决，明确要求“每条记忆只保留一个核心主题”，“如果一段对话包含多个主题，请拆成多条记录”。第二条是检索阶段阈值设得太低，尤其在冷启动阶段，记忆库总量少，为了凑够 topK 会把大量弱相关记录拉进来。这种情况宁可少带，也不要硬凑。

另外一个挑出来的经验是，记忆库里应该增加一个“负面记忆”的类别。所谓负面记忆，就是那些当时被明确否决的方案、明确踩过的坑。这种记忆在检索时优先级反而要更高，因为防止重复犯错比提效更关键。比如某条记忆记录的是“不要用 Lua 脚本做分布式限流，原因是要引入额外 Redis 运行时，运维成本高”，下次再聊相关问题，AI 会主动避开这条弯路，直接进入有效方案区。

5.4 性能与内存占用优化

跑了一段时间之后，你可能会注意到扫描耗时会增长，注入前检索虽然仍是毫秒级，但扫描历史会话时越来越慢。这是因为所有历史日志都会重复解析，哪怕它们已经在记忆库里了。

优化的思路是给 claude-mem 加一个增量扫描机制：只在每次扫描时处理新增的和发生变化的会话日志，跳过已经处理过的部分。这个思路实现起来并不复杂，核心是记录每个日志文件的哈希或最后修改时间。增量扫描还有一个额外好处，就是大幅降低了重复提炼带来的 API 调用成本，因为提炼记忆过程本身是需要调用模型的，每次全量扫描都等于把历史重新压一遍。

内存占用的问题主要出在批量扫描时，如果一次把所有会话都读进内存做向量化，几百个文件同时加载，内存很容易冲高。稳妥的做法是改成逐文件处理、逐条记忆写入存储，控制并发数。对一个个人使用的工具来说，稳定和低资源占用比吞吐速度更重要。

6. 我自己的一点经验

这个项目真正让我觉得值得推荐的，不是它多了多少 fancy 功能，而是它把“AI 记忆”从一个抽象概念变成了一个可以本地运行、可以审计、可以手动干预的工程系统。跑了一段时间、积累了几百条有效记忆之后，Claude Code 确实更像一个“跟我合作了几个月的老同事”，而不是每次见面都互相重新自我介绍的新临时工。

最后分享一个我特别受用的小技巧：让它只记结论，不记过程。一开始我图省事，把整段对话原文都存进去，结果检索出来的记忆又长又没重点，AI 的回复也变得啰嗦。后来我改成只保存提炼后的结论、理由和注意事项，效果立刻提升了一个档次。原因在于大模型读文本时，重点信息密度是决定性因素。你记忆库里存的每条内容都应该像 commit message，而不是像现场直播的文字稿。带着这个思路去调 claude-mem 的提炼配置，你的记忆系统才会越用越顺手，而不是越用越臃肿。