Zikkaron

Zikkaron (זיכרון) — это «память» на иврите.

Ваш ИИ забывает вас каждый раз, когда вы закрываете вкладку. Каждое архитектурное решение, которое вы объяснили, каждый совместный поход в отладочную кроличью нору, каждая поправка «помни, мы используем Postgres, а не SQLite» — всё исчезает. Следующую сессию вы начинаете как чужак для собственных инструментов.

Zikkaron — это движок постоянной памяти для Claude Code, построенный на вычислительной нейронауке. Он помнит, над чем вы работали, как вы мыслите, что вы решили и почему. Это не тупой текстовый дамп, который впихивается в контекст, а живая система памяти, которая консолидируется, осмысленно забывает и восстанавливает нужный контекст в нужный момент.

26 подсистем. 24 MCP-инструмента. Полностью работает на вашей машине. Один SQLite-файл.

Две минуты — и вам больше никогда не придётся повторяться

pip install zikkaron

Добавьте в конфигурацию Claude Code:

{
  "mcpServers": {
    "zikkaron": {
      "command": "zikkaron"
    }
  }
}

Расскажите Claude, как этим пользоваться. Положите это в глобальный ~/.claude/CLAUDE.md (вашу домашнюю директорию, а не в каждый проект):

## Memory
- On every new session, call `recall` with the current project name
- Before starting any task, call `get_project_context` for the current directory
- After completing significant work, call `remember` to store decisions and outcomes

Или просто позвольте Zikkaron сделать это самому. При каждом запуске она автоматически синхронизирует ~/.claude/CLAUDE.md с последними инструкциями через sync_instructions. Вы настраиваете это один раз и больше никогда не думаете об этом.

Related MCP server: memory-mcp

Что это на самом деле ощущается

Понедельник. Вы час отлаживаете мерзкую гонку с токенами аутентификации. Claude помогает вам довести дело до несоответствия TTL между Redis и вашим JWT-конфигом. Вы чините. Claude сохраняет память.

Четверг. Пользователь пишет о периодических выходах из системы. Вы открываете Claude Code в том же проекте. Ещё до того как вы опишете баг, Claude вспоминает комфортную память TTL из понедельника, проверяет, не связано ли это, и спрашивает, не обрабатывает ли ваша конфигурация крайний случай, когда Redis перезапускает посреди сессии.

Вот в чём разница. Не «привет, вот ваша история разговора». Настоящее припоминание. Такое, при котором ваши инструменты понимают форму того, что вы строите, а не просто слова, которые вы печатали в прошлый раз.

Поиск, который действительно работает

Мы проверили Zikkaron на LoCoMo (Maharana et al., ACL 2024) — стандартном бенчмарке для долгой памяти разговора. 10 диалогов, 1 986 вопросов: от простых фактов до многошаговых рассуждений и противоречивых вопросов, который специально созданы, чтобы вас запутать.

И вот главное: во время запроса не запускается никакая LLM. Никаких API-вызовов. Никаких жножевых параметров. Просто embedding-модель на 22 МБ, SQLite-файл и набор алгоритмов из нейронауки, которые делают всю тяжёлую работу. Большинство систем, показывает такие числа, требует GPT-4 в цикле. Zikkaron добиваеется этого с помощью оценки энергии Хопфилда, мажанного распространения активации и кросс-энкодерного реранкера.

BEAM: 10 миллионов токенов разговора — одна система памяти

BEAM (Tavakoli et al., ICLR 2026) — самый сложный бенчмарк памяти на длинном контексте из существующих. 10 диалогов, каждый на 10 миллионов токенов. 200 вопрос по 10, каждое 10 , включая три, которые не тестировал ни один прежний бенчмарк: разрешение противоречий, порядок событий, микросервис заинструкций.

На этом масштабе в статье расс какждая система. Лучший результат (фреймворк LIGHT на Llama-4-Maverick) — 0.266. Большинство способностей падает почти до нуля на 10 миллионах токенов. Подходы с окном контекста не помещаются. RAG-подходы тонут в шуме.

Zikkaron набирает 0.404 в сумме — это на 52% лучше, чем лучшая система в статье ICLR 2026.

Семь из десяти способностей бьют опубликованный уровень техники. Самый большой рост — именно там, где структурированная память должна помочь больше всего: разрешение противоречий (+226%), временные рассуждения (+133%) и обновление знаний (+73%). Это те способности, где каждая система в статье падает почти до нуля, потому что подходы с окном контекста не имеют механизма не строят, как меняются факты или когда произошло событие. У Zikkaron для этого встроены термодинамическое затухание, реконсолидация и временные метаданные.

Три способности, где выигрывает LIGHT (воздержание, порядок событий и суммаризация), отражают настоящие ограничения. Воздержание требует распознать, что информация отсутствует, и здесь помогает LIGHT-шлюз памяти LIGHT. отсутств без черновика. Тдимный порядок требует идеальной хронологической последовательности, а не просто правильных событий. Также банкноты требуют одновременного чтения многих источников, а наш дообучиваемый бюджет покрывает лишь часть содержимого.

Важная оговорка: в тестах статьи BEAM используются базовые модели чтения на базе базовых моделей GPT-4.1-nano. Мы используем Claude Opus 4.6, который значительно более способный. Результат «товарных инструкций» (0.750 при retrieval MRR всего 0.086) показывает, что качество читателя вносит вклад в ответы на вопросы независимо от качества поиска. Метрики поиска (MRR 0.422, Recall@10 0.353) не не зависят от настройки читателя и напрямую сопоставимы с базовым уровнем из статьи.

Конфигурация бенчмарка: BEAM-10M split, 10 диалогов, 200 вопросов, chunk-ингес по парам, как в RAG-режиме из статьи, расчёт по рубрикам с бинарными баллами и int()-каст, как в оценочном коде статьи, Kendall tau-b через scipy для порядка событий, новая база для каждого разговора.

Hippocampal Replay: контекст, который переживает компакцию

Вот проблема, о которой никто не говорит. У Claude Code есть окно контекста 200k/1M токенов. Если ковать во время длинных сессий, когда оно заполняется, окно компактизируется: старые сообщения сжимаются в суммарь, результаты инструментов вырезаются, ваши инструкции перефразируются. Важный нюанс испарется. Решения, закреплённые в начале разговора, растворяются в общих описаниях.

Гиппокаmпальный риплей this several. Назван в честь нейрofизкого феномена, в котор ом ваш мозг во время сна во время снов plays воспроизводит важный опыт, чтобы deстаровать его в долгое память. Он считает компактию контекста «сном» и воспроизводит важத was, when Claude «просыпается».

Как это работает:

Перед тем как компакция накроет, срабатывает хук. Zikkvents капитально извлекает содержимое вашего активного контекста: то, над чем вы работались, какие файлы были открыты, какие решения вы при하ли, какие ошибки оставался нерешенными. Всё это сохранялся как чегойнт.

После компактии срабатывает второй хук. Zikkaron умно восстанавливает ваш контекст. Не вываливая всё обратно, а собрав нужный element: последний чекпойнт, важные факты, факты, закуренные как важные, самые «горячие» воспоминания проекта и прогнозы о том, что вам понадобится дальше, на основе ваших привычек использования.

Вы также можете явно указать, что вам важно:

Tool: anchor
  content: "We're using the event-sourcing pattern. All state changes go through the event bus."
  reason: "Architecture constraint"

Зайстренные воспоминания получают максимальную залу. Они всегда переживают компакцию, что бы ни сою.

Разовая настройка для проекта:

Tool: install_hooks
  project_directory: "/path/to/your/project"

После этого всё происходит автоматически. Вы не думает об этом. Вы ничего не вызываете. Хуки срабатывают, контекст выгружается, контекст восстанавливается. Длиннные сессии просто начинается... работают.

Память без разрывов (v1.3.0)

В предыдущих версиях всё равно были пропулы. Вы час работаете над ч-то, маленькими шагами постably, а брак записи Zikkaron блокировал половину, потому что каждый маленький шаг выглядел «слишком ожидаемым» относительно предыдущего. Вы принимаете критичное архитектурное реgenie,AZ aloukos реgenie would. You return you with new session, Claude와 ничего did not know.

v1.3.0 исправляет все это:

Адаптивный барьер запси. Система теперь следит за последними 10 сохранёнными воспоминаниями. Когда ясно, что вы работаете над одной задачей — Новая же папка, то же времена, похожее содержимое — порог неожиданности ipustands, and incremental progress gets through. Барьер по-NON quiet noise. Он blocks your job.

Автоматическая защита решений. Когда вы говорите «решили использовать Redis вместо Memcached» или «выбрал паттер.event-sourcing instead of CRUD», На выявление этого паттерна осуществляется автоматический Reis — memory marked as defens. защишенённые спомирания never compress and.

Автоматическийзаписать событий. Hook PostToolUse высрабатывает after: КUS after each зовка инструмен. реdactия files, bash -комmand, search — все попаdaneno in легкий логи событий. Аemотортый does it periodically drives this events into real memories. Not проб называется to do remember for routine. A system that just does.

Внедрение контекстая сессии. Hook SessionStart выход на every new сессию and вгрузжон контекст проекта — гонtie, inferred, anchored facts, последний действия, последний чекпойнт — приясно in конекст Claude. Claude starts sessions each... knew what you did.

Micro-боекпойнтing. Vacance of ставить кей каих follows "50 tool calls... now system fix own чекпе "sanачимоment событий: errors, decisions, high-unobjective information. Criticals state are played in the moment.

Session synergy. Memories, coзданles within последнich 4 hours received heat bonus, which fadetsun de line. встреtiming the transcript in the text most из-за "…

All hooks work in both stdio and HTTP mode — they directly communicate with the SQLite database and do not require communication with a server.

Project seeding: cold start decided

Zikkaron builds memory organically over sessions. The is great for ongoing work. But what about a codebase where a codebase has existed for a year? You'd spent dozens of sessions before Claude has meaningful ability to cover the project. have already repeated fifty items, and in more time you use things.

seed_project исправляет это. Один вызов — и Zikkaron сканирует весь ваш проект и создаёт фундаментальные воспоминания из структуры, конфигураций, документации, CI/CD, точек входа и сводок по каждому компоненту. Claude начинает следующую сессию, уже зная, что такое ваш проект, на чём он построен и как он устроен.

# CLI
zikkaron seed /path/to/your/project

# Preview without storing
zikkaron seed /path/to/your/project --dry-run

Или вызовите его как инструмент MCP из Claude Code:

Tool: seed_project
  directory: "/path/to/your/project"

Что извлекается:

• Обзор проекта — название, технологический стек, количество файлов, дерево каталогов

• Конфигурационные файлы — package.json, pyproject.toml, Cargo.toml, go.mod и ещё 15+. Разбираются правильно (TOML через tomllib, JSON через json), а не регулярными выражениями. Зависимости, скрипты, воркспейсы, бэкенды сборки — извлекается всё.

• Документация — README, ARCHITECTURE, CONTRIBUTING, CLAUDE.md, CHANGELOG

• CI/CD — GitHub Actions, GitLab CI, Jenkins, Travis, Azure Pipelines

• Точки входа — main.*, index.*, app.*, server.*, __main__.py

• Сводки по компонентам — понимает структуру монорепозитория. определяет границы подпроектарных участков по вложенным конфигурационным файлам (packages/web/package.json, services/api/Cargo.toml), а не только по папкам верхнего уровня

Предусмотрен для повторных запусков. Повторное заполнение аккуратно меняет старые seed-воспоминания, а не добавляется к ним. Проект развивается — вы снова запускаете сидирование, и воспоминания отраبت текущeursume состояние. Все seed-воспоминания помечаются _seed для идентификации.

Различающиеся температуры хранения. Не все внедённые воспоминания равны. Обзор проекта и документация начинаются «горячее» (0.85–0.9), чем списки файлов или компонентов (0.5). Клudе в первую очередь.

LongMemEval

Мы прогнали полный бенчмарк LongMemEval (Wu и др., ICLR 2025), сейчас стандарт для оценки долговременной интерактивной памяти в диалоговых ассистентах. 500 вопросов, отчеканных вручную, по шести категориям, каждый вставлен в ~40 сессий история разговора (~115k токенов). Бенчмарк проверяет то, чего не проверяет LoCoMo: умеете ли вы восстанавливать, что говорил ассистент (не только пользователь), отследить, когда меняется информация с течением времени, знаете ли вы, чего не знаете, и выводите ли выводы из сессий, которые от начала назад недельницами назад.

Лучший зафиксированный результат в опубликованной работе — 78.4% Recall@10 на этём сете, при этом Zikkaron доводит результат 96.7% вовсе без использования [LLM].#

Распределение по категориям:

Knowledge updates have a perfect MRR: The heat-based decay natural "разносит" (sentence) a newer info above the older pieces of the same fact. This was not a structure for the benchmark. Popast is a side effect of how thermal data approaches.

Temporаl reasoning is the hardest category and our lowest MRR, a good situation that the right answer is accessible for 90% of questions within the top двух. The "сколько недель назад я был X" points to the marked и подсказывают, что временные метangularity встроены окям same content, - aims will take place in the retrieval.

Complete QA setup byClaude as 75.6% by chance. Trying specs: Knowledge and Rik 85.9% etc). astronir 94.6%. The results for more (54.9%) represent a relevant gap when off reely.

Multi-sement (26.8%) is main gap, suspects.

Benchmark configuration: LongMemEval_S, donnée from per-no.

The science under the hood

Zikkaron doesn't store memories like uses DB: it works as a neural machine.

Data has guest and your ctrl combining math...

Here.

Let's output now.

Расширенная настройка

Из исходного кода

git clone https://github.com/amanhij/Zikkaron.git
cd Zikkaron
pip install -e .

Транспорт SSE

Запустите как постоянный фоновый сервер вместо stdio:

zikkaron --transport sse

Затем укажите Claude Code на URL:

{
  "mcpServers": {
    "zikkaron": {
      "type": "sse",
      "url": "http://127.0.0.1:8742/sse"
    }
  }
}

Порт по умолчанию — 8742. Переопределите с помощью --port. База данных по умолчанию — ~/.zikkaron/memory.db, переопределите с помощью --db-path.

Конфигурация

Все настройки используют префикс переменной окружения ZIKKARON_:

Полный список в zikkaron/config.py.

Тестирование

python -m pytest zikkaron/tests/ -x -q

998 тестов в 34 тестовых файлах, покрывающих каждую подсистему.

Литература

Ramsauer et al. "Hopfield Networks is All You Need" (ICLR 2021, arXiv:2008.02217)

Nader, Schafe, LeDoux. "Fear memories require protein synthesis in the amygdala for reconsolidation after retrieval" (Nature 406, 2000)

Osan, Tort, Bhatt, Amaral. "Three outcomes of reconsolidation" (PLoS ONE, 2011)

McClelland, McNaughton, O'Reilly. "Why there are complementary learning systems in the hippocampus and neocortex" (Psychological Review 102, 1995)

Sun et al. "Organizing memories for generalization in complementary learning systems" (Nature Neuroscience 26, 2023)

Stachenfeld, Botvinick, Gershman. "The hippocampus as a predictive map" (Nature Neuroscience 20, 2017)

Whittington et al. "The Tolman-Eichenbaum Machine" (Cell 183, 2020)

Spirtes, Glymour, Scheines. Causation, Prediction, and Search (MIT Press, 1988)

Kanerva. Sparse Distributed Memory (MIT Press, 1988)

Frady, Kleyko, Sommer. "Variable Binding for Sparse Distributed Representations" (IEEE TNNLS, 2022)

Toth et al. "Optimal forgetting via rate-distortion theory" (PLoS Computational Biology, 2020)

Josselyn, Frankland. "Memory allocation: mechanisms and function" (Annual Review Neuroscience 41, 2018)

Rashid et al. "Competition between engrams influences fear memory formation and recall" (Science 353, 2016)

Zhou et al. "MetaRAG: Metacognitive Retrieval-Augmented Generation" (ACM Web, 2024)

Лицензия

MIT