基于Agent-SDK的Claude 记忆插件来了：上下文不再丢，Agent 开始“记住你是谁”

导读

你有没有遇到过这种情况：

• 写到一半，模型“忘了”你刚刚的设计约束
• 多轮对话后，代码风格开始漂移
• 上下文越长，token 越贵，但效果反而变差

问题不在模型能力，而在记忆机制。

最近一个项目开始把这件事工程化解决：claude-mem —— 给 Claude Code 加一层“长期记忆系统”。  https://github.com/thedotmack/claude-mem

目录

1. 为什么“记忆”是当前 Agent 的最大短板
2. claude-mem 在做什么（不是简单存日志）
3. 核心架构：压缩、抽取、注入
4. 和 OpenClaw / Claude Code 的定位差异
5. 能落地的工程场景（不是概念）
6. 这类方案的边界与风险

一、为什么记忆是当前 Agent 的最大短板

现在大多数 AI 编程工具，本质还是：

• Prompt + 临时上下文
• Session 内有效，Session 外失忆

这会导致三个工程级问题：

1）上下文“越用越脏”

长对话会引入：

• 冗余指令
• 过期决策
• 错误假设残留

最终结果：模型越来越不稳定

2）经验无法复用

你每次都在：

• 重复解释项目结构
• 重复定义编码规范
• 重复纠正模型行为

这本质是没有长期记忆层

3）成本指数上升

上下文越长：

• token 成本 ↑
• 推理延迟 ↑
• 质量反而 ↓

所以：

现在的 Agent，更像“短期记忆+强推理”，而不是“持续学习系统”

二、claude-mem 在做什么（关键不是“存”，而是“压缩”）

这个项目核心做了三件事：

1）全量记录

• 捕获 Claude 在 coding session 中的行为
• 包括：对话、修改、决策路径

这一步很多工具都能做（日志系统）

2）AI 压缩（关键）

不是简单存文本，而是：

• 抽取关键决策
• 去掉冗余上下文
• 生成“高密度记忆片段”

类似于：

原始上下文：5000 tokens
压缩后记忆：200 tokens（但保留核心信息）

3）精准注入

在未来交互中：

• 根据当前任务
• 自动检索相关记忆
• 注入 prompt

本质是一个轻量版 RAG + Memory Layer

三、核心架构拆解（工程视角）

可以把它理解成三层结构：

[Session行为流]
        ↓
[Memory Engine]
   - 抽取
   - 压缩
   - 存储
        ↓
[Context Injection]
   - 检索
   - 重组
   - 注入Prompt

关键技术点

1）记忆抽取策略

不是所有信息都要记：

• 设计决策（要）
• bug 修复经验（要）
• 临时调试输出（不要）

这是“信号 vs 噪音”的问题

2）压缩模型质量

压缩如果做不好：

• 会丢关键上下文
• 或引入错误总结

直接影响后续推理准确性

3）注入时机

不是每次都注入：

• 过多 → 干扰推理
• 过少 → 没价值

需要动态策略

四、和 OpenClaw / Claude Code 的区别

很多人会混淆这几类系统，其实是不同层：

可以这样理解：

Claude Code = 手
OpenClaw    = 身体
claude-mem  = 大脑记忆

五、能真正落地的场景

这类系统不是“看起来很强”，而是确实有几个高价值场景：

1）大型代码库协作

问题：

• 每次都要解释架构

解决：

• 自动记住：

• 模块边界
• 命名规范
• 依赖关系

2）测试开发（重点）

你会明显受益：

• 记住测试策略
• 复用历史用例设计逻辑
• 自动延续断言风格

本质是“测试经验被模型继承”

3）长期项目迭代

例如：

• SaaS系统
• 中后台平台
• AI工具链

模型可以逐渐：

• 理解业务语义
• 记住设计权衡
• 避免重复错误

4）个人开发助手

你会得到一个效果：

一个越来越像“你”的 AI

六、这类方案的边界（必须看）

1）记忆污染问题

错误信息一旦写入：

• 会被持续引用
• 甚至被强化

2）上下文偏置

过度依赖历史：

• 会限制模型探索新解法
• 导致“路径依赖”

3）安全问题

如果接入企业代码：

• 记忆层 = 数据资产
• 需要权限隔离与审计

4）成本问题

虽然压缩降低 token：

但新增：

• 存储成本
• 检索成本
• 计算成本

七、一个更重要的趋势

这件事背后其实是一个更大的变化：

Agent 正在从“对话系统”，变成“持续学习系统”

未来的系统结构，大概率是：

LLM（推理）
+ Memory（记忆）
+ Tools（执行）
+ Workflow（编排）

结尾

如果说过去的 AI 是：

• 聪明，但不记事

那么现在开始：

• 不仅会做事
• 还会记住你做过什么

这一步，决定了 Agent 能不能真正进入工程体系。

留个问题（评论区见）

你现在用 AI 写代码时：

• 最大的问题是“不会写”
• 还是“写完就忘”

或者说：

你更需要一个更强的模型，还是一个“不会忘的模型”？