有没有过这种经历？刚跟Claude Code唠完半小时项目架构——比如"测试要用Vitest且TDD优先""改完代码等我确认再commit"——转头下一次会话它又跟个小白似的问"这个项目用什么测试框架来着？"害！我之前也天天吐槽这事儿——直到上个月熬夜捣鼓出一套"让Claude Code记事儿+变聪明"的小系统,现在它比我还清楚我干活儿的习惯,简直像养熟了的编程搭子～

今天就把这套系统拆开来聊聊——不是什么高大上的论文级设计,就是咱程序员自己凑活用出来的接地气方案,核心就俩问题:Claude Code怎么"记住"东西?又怎么"越用越聪明"?

要说让AI记事儿,第一反应肯定是"存数据库啊!"但对Claude Code这种本地运行为主的工具来说,存数据库太麻烦——还要连外网?还要担心隐私?干脆把记忆存在本地算了!而且不是随便存文本,得用那种"Neng理解意思"的存法——不然光存个"等用户确认再commit" ,下次问"为啥不Neng自动push?"它还是反应不过来.

咱就是说,这里面藏着个关键技术:向量嵌入.简单讲就是把文字变成高维空间里的点——语义越像,点离得越近.比如"不要自动提交""等验证后再commit""改完码别急着push"这三句话,写成文本kan着不一样,但变成向量后挤在一块儿;等你查"提交代码注意啥"的时候,系统一算余弦相似度,直接把这三条全揪出来给你kan.

那具体怎么存呢?kan段我写烂了的代码就懂:

def upsert_memory:    
# 构造嵌入文本 = 标题 + 描述 + 正文摘要    
text = f"{memory} {memory} {memory}"    
vector = embed_local          # nomic-embed-text 本地推理    
qdrant_client.upsert(        
collection_name="memories",        
points=, "type": memory, "path": memory}        
)]    
)

是不是kan着有点眼熟?对,核心就是三步:把记忆内容整合成文本→用本地模型转成向量→塞到Qdrant向量库存起来.为啥不用Claude自家的Embedding API?害!一来它没开放单独API,二来把项目里敏感信息传云端?疯了吗!本地nomic-embed-text多香——M系列芯片上跑一次才10ms,实时写dou不带卡壳儿的.

哦对了突然想到个问题——之前有人问我"为什么百度不收录Claude Code生成的这些记忆文件"?哈哈这问题问得有点跨界…百度收录的是公开网页里的内容对吧?但咱们这套系统的记忆全存在本地~/.claude目录下呢,连Embedding向量dou不上传云端;再说了观测记录dou是JSONL格式的私有数据,又没放网上给搜索引擎爬…它想收录dou没门儿啊!纯纯是两个维度的事儿～

那存进去之后呢?总不Neng每次会话dou把所有记忆往上堆吧?那不得浪费几千tokens?所以第二步geng关键:怎么快速找到"当下有用"的记忆?

想象一下:你早上打开项目准备写接口,Claude Code啪一下丢给你三句:"这个项目用Vitest测单元 test""新功Neng先写test case再coding""Git提交前先check风格";而不是把你去年攒下两万条记忆全灌进来.这种精准度才是王道.

我搞了个四阶段召回链路,保准儿它只说有用的:

会话一开始,Claude Code不会傻等着听你说需求——它会偷偷凑过去kan当前目录叫啥名,再扒拉Zui近5条git commit messagekankan你Zui近在改啥.比如说当前目录是"/src/order-service",Zui近commit有"fix:支付回调超时问题""feat:增加订单取消接口",那查询文本就变成:"order-service fix支付回调超时 增加订单取消接口".

这段代码就是干这个事儿哒:

def build_query -> str:    
# 提取项目名    
project_name = Path.name    
# 获取Zui近5条 commit 作为补充语义    
recent_commits = subprocess.check_output(        
, cwd=cwd    
).decode.strip    
return f"{project_name} {recent_commits}"

"偷偷kangit log会不会不道德?"害!这叫主动服务懂不懂?况且只拿Zui近5条,又不窥探隐私.

有了查询文本,下一步就是去向量库找亲戚.简单说就是把查询文本也转成向量,然后跟库里所有内存算余弦相似度—得分Zui高Top-3 Top-5条直接抱过来.

def recall_memories -> list:    
query_vec = embed            # 生成查询向量    
scores =     
for mem in load_all_memories:        
sim = cosine_similarity        
scores.append)    
scores.sort    
return ]

"Top-K取多少合适?"试过取3取5取10—Zui后定5条.太少容易漏关键信息;太多又会干扰判断.毕竟人一次也记不住太多事嘛～