claude-memory-fts

MCP-Server für Langzeitgedächtnis für Claude Code. Speichert Fakten in einer lokalen SQLite-Datenbank mit hybrider Suche (FTS5 + semantische Vektorähnlichkeit) und automatischer Kontext-Injektion.

Funktionen

• Hybride Suche — FTS5-Stichwortsuche + semantische Vektorähnlichkeit, zusammengeführt via Reciprocal Rank Fusion (RRF)

• Semantisches Verständnis — finde Erinnerungen nach Bedeutung, nicht nur nach Stichworten (unterstützt durch all-MiniLM-L6-v2 Embeddings)

• Automatische Kontext-Injektion — die 30 wichtigsten Erinnerungen werden bei jedem Prompt automatisch per Hook injiziert

• Wichtigkeits-Ranking — Fakten werden nach Zugriffshäufigkeit, Aktualität und Kategoriegewicht sortiert

• Zugriffsprotokollierung — verfolgt, wie oft jede Erinnerung abgerufen wird

• Upsert — aktualisiert automatisch bestehende Fakten, anstatt sie zu duplizieren

• Kategorisiert — Organisation nach Typ: preference, decision, technical, project, workflow, personal, general

• MCP-Ressourcen — stellt die Ressource memory://context für den Sitzungskontext bereit

• Zero-Config — funktioniert sofort nach der Installation, speichert Daten in ~/.claude/memory.db

Installation

# Add to Claude Code
claude mcp add memory -- npx claude-memory-fts

# Auto-configure context injection hook (recommended)
npx claude-memory-fts --setup-hook

Der Befehl --setup-hook führt automatisch folgende Schritte aus:

1. Erstellt ~/.claude/scripts/memory-context.sh

2. Fügt einen UserPromptSubmit-Hook zu ~/.claude/settings.json hinzu

3. Die 30 wichtigsten Erinnerungen werden automatisch in jeden Prompt injiziert

CLI-Befehle

Konfiguration

Beispiel mit benutzerdefiniertem Pfad:

claude mcp add memory -e MEMORY_DB_PATH=/path/to/my/memory.db -- npx claude-memory-fts

Tools

memory_save

Speichert einen Fakt im Langzeitgedächtnis.

memory_search

Hybride Suche: führt FTS5- und semantische Suche parallel aus und führt die Ergebnisse mit RRF zusammen. Fällt bei Teilübereinstimmungen auf LIKE zurück.

memory_update

Aktualisiert den Inhalt oder die Kategorie einer Erinnerung anhand der ID.

memory_list

Listet alle gespeicherten Erinnerungen nach Kategorien gruppiert auf.

memory_delete

Löscht eine Erinnerung anhand der ID.

Ressourcen

memory://context

MCP-Ressource, die die 30 wichtigsten Fakten basierend auf einem Wichtigkeits-Score bereitstellt:

• Zugriffshäufigkeit — häufig abgerufene Fakten erhalten einen höheren Score (begrenzt auf 20 Punkte)

• Aktualität — kürzlich aktualisierte Fakten erhalten einen höheren Score (10 Punkte, nimmt über 90 Tage ab)

• Kategoriegewicht — preference/decision (3), workflow/technical (2), project/personal (1), general (0)

Funktionsweise

Such-Pipeline

1. FTS5 + BM25 und semantische Vektorähnlichkeit laufen parallel

2. Ergebnisse werden zusammengeführt und mittels Reciprocal Rank Fusion (k=60) dedupliziert

3. Fakten, die in beiden Listen erscheinen, werden natürlich aufgewertet

4. Wenn beide leer sind, wird auf LIKE-Teilstring-Abgleich zurückgegriffen

5. Die Zugriffshäufigkeit wird bei jedem Suchtreffer protokolliert

Embeddings

• Modell: all-MiniLM-L6-v2 (384 Dimensionen, ~23MB)

• Lokal generiert via @xenova/transformers — keine API-Aufrufe, keine Daten verlassen Ihren Rechner

• Embeddings werden beim Speichern erstellt und beim Serverstart nachgefüllt

• Kosinus-Ähnlichkeit mit 0,3-Schwellenwert zur Rauschfilterung

Speicherung

• SQLite mit WAL-Modus für schnelle gleichzeitige Lese-/Schreibzugriffe

• FTS5-virtuelle Tabelle, die via Trigger für Echtzeit-Volltextindizierung synchronisiert wird

• Embeddings werden als BLOB-Spalten zusammen mit den Fakten gespeichert

Entwicklung

git clone https://github.com/kurovu146/claude-memory-mcp.git
cd claude-memory-mcp
npm install
npm run build
npm test

Lizenz

MIT