防止迷路，请点击上方蓝色字 AI陆的研习社 -> 右上角三个点… -> 设为星标⭐

我们的口号是：

AI打工我躺平，周报它写我刷屏。方案它改我追星，功劳它攒我躺赢。

让我们普通人抓住AI的红利

各位同学久等了，这次文章发布的间隔实在是有点长，这里给大家赔个不是。

你要问最近老陆我拖更这么久在干吗？当然是在帮大家踩坑，一直在找claude code能用的持久记忆插件。

然后还彻底掉坑里了，刚刚才爬上来。

爬上来就马上发文章给大家避坑。

记忆插件的作用

这里我先说说记忆插件是干什么的，这就要从我们平时实际使用AI编程的情形讲起。

很多时候，AI编程中的最大痛点在于，怎么让AI记住对话内容。别惊讶，因为AI本质上就是个金鱼，它的记忆容量一般只有200K左右，也就是大部分支持AI编程的大模型的上下文空间。

当然有人会说，这不对啊，我们使用claude code时，它在对话中会一直记得一开始的事情。

那是因为claude code针对这个问题，在背后做了一系列的工作。

claude code中的CLAUDE.md会保存本项目中的编程规则，上下文压缩功能会在上下文窗口已满，需要开启新的上下文时，自动对前一个上下文内容进行总结（压缩）。当前对话的上下文也会在后台被保存到本地的文件中，我们可以通过/resume指令找回来。

所以我们会认为AI能记住所有的对话内容，然而这其实是错觉。实际上claude code所做的所有努力都只能缓解这个问题。

CLAUDE.md不可能记住所有内容，上下文压缩也会丢失一部分信息的细节。只要AI编程用得足够频繁，你一定会发现，AI不可能记得一个小时前喂给它的资料全貌、编程规则细节。 这种时候，我们只能一遍遍地告诉AI，把这些信息重新喂给它。这个工作特别繁琐，低效，浪费生命。

更可怕的是，上下文窗口一旦满了，claude code就要压缩上下文，或者需要我们手动清空上下文，然后我们发现AI失忆了，刚刚喂文档的工作白干了，我的天！

大家都不满意这种状况，自然而然的，有人开始给AI编程工具开发持久记忆插件。

这些插件的原理这里就不展开了，基本原理就是AI来识别、抽取、总结对话内容，用数据库来存储这些内容。

避坑

相关背景就先说到这里，关于持久记忆插件的选择，首先我在这里就要给大家避坑。

首先排除最近有很多人推荐的claude-mem，这就是个巨坑！

不要安装！不要安装！不要安装！

重要的事情说三遍。

安装指令确实超级简单，就两条，这里我就不放了，反正国内网络没法用。

好不容易挂梯子，下源码包，手动挂载，结果一堆报错。找了官方资料，一点也没用。

这玩意儿就是个半成品，这坑我进去过了，搞了一个多星期没爬上来，大家绕过吧。

好在我又找到个claude code能用的外挂记忆插件：mcp-memory-service。

mcp-memory-service介绍

github上的项目地址：

https://github.com/doobidoo/mcp-memory-service 

Stars 1.1K

东西确实不错，就是文档写得真的不敢恭维，信息很分散，这也算是个小坑吧，为了搞明白安装流程就坑了我一周时间 ( ´•̥ו̥` )。

这个插件确实是可以正常工作的，功能比claude-mem强，还支持多种AI编程工具，而且人家还是开源免费的，更新超级快，大概几天一更（比我快多了），也就没什么好抱怨的了。

这工具强在哪里呢，给大家看看。

它不光可以自动捕获我们和AI的对话（这是基本功能），在web端的管理页面还可以管理所有的对话记忆（额外功能）

比如手动添加记忆

搜索记忆

还能直接导入文档，比如软件包手册，开发文档等内容。

这个功能真的是瞄准了AI编程最大的痛点来设计的，我们甚至不用在和AI的对话上下文中输入这些信息。有相关经验的同学肯定知道，让AI来阅读这些东西有多消耗token，AI阅读文档也很费时间，这能帮我们省下多少钱啊。

有了这个功能，感觉钱包和寿命都被节省下来了。

功能介绍就到这里，具体怎么用，大家可以自行探索。我马上来讲讲怎么安装这款工具。

安装流程

下载源代码

第一步自然是下载源代码，网络条件好的同学可以直接从github克隆项目。

# 克隆仓库
git clone https://github.com/doobidoo/mcp-memory-service.git

#然后进入克隆的项目中
cd mcp-memory-service

网络情况不好的大部分同学，比如我（原因你懂的），可以点击页面上的“code”按钮，选择下拉菜单中的Download ZIP，直接下载源代码压缩包。

注意：

1. 克隆仓库的文件夹或者解压缩后的文件路径上不能有中文，文件夹名称中也不能带空格
2. 启动终端工具后，必须进入源代码目录，我们后续的操作一定要在这个源代码目录中进行

编译和安装服务

然后启动安装脚本，脚本会自动检查环境

python .\install.py

要注意的是，安装程序探测到我们克隆了项目，它会以为我们是开发人员，建议我们用EDITABLE模式安装。但是我们只是使用者，所以我们看到这个提问的时候要输入”N”（NO）。

之后，在安装的中途会有配置方面的提问，如果需要适配多种不同的AI编程工具，需要选“y”。

安装脚本有很多参数可以选，我们可以用“-h”参数查看

python .\install.py -h

这里我把相关信息用AI翻译了一下，专业名词也做了说明，供大家参考。大家也不用担心参数该怎么选，安装时关于配置方面的参数，可以在配置文件种进行设置，达到同样的效果，一些软件包也可以后面分步骤安装。

用法：install.py [-h] [--dev] [--chroma-path CHROMA_PATH] [--backups-path BACKUPS_PATH] [--force-compatible-deps]
                 [--fallback-deps] [--storage-backend {cloudflare,sqlite_vec,hybrid,auto_detect}] [--skip-pytorch]
                 [--use-homebrew-pytorch] [--force-pytorch] [--legacy-hardware] [--server-mode] [--enable-http-api]
                 [--migrate-from-chromadb] [--configure-claude-code] [--help-detailed] [--generate-docs]
                 [--setup-multi-client] [--skip-multi-client-prompt] [--install-claude-commands]
                 [--skip-claude-commands-prompt] [--non-interactive]

安装 MCP Memory Service

选项：
  -h, --help            显示此帮助信息并退出
  --dev                 以开发模式安装
  --chroma-path CHROMA_PATH
                        ChromaDB 存储路径
  --backups-path BACKUPS_PATH
                        备份存储路径
  --force-compatible-deps
                        强制使用兼容版本的 PyTorch (2.0.1) 和 sentence-transformers (2.2.2)
  --fallback-deps       使用回退版本的 PyTorch (1.13.1) 和 sentence-transformers (2.2.2)
  --storage-backend {cloudflare,sqlite_vec,hybrid,auto_detect}
                        选择存储后端：cloudflare (生产云环境), sqlite_vec (本地开发), hybrid
                        (生产环境+本地同步) 或 auto_detect (自动检测)
  --skip-pytorch        跳过 PyTorch 安装，改用 ONNX 运行时配合 SQLite-vec 后端
  --use-homebrew-pytorch
                        使用现有的 Homebrew PyTorch 安装而非 pip 版本
  --force-pytorch       强制安装 PyTorch（即使使用 SQLite-vec 后端，覆盖自动跳过行为）
  --legacy-hardware     为旧硬件优化安装（2013-2017 年 Intel Mac 设备）
  --server-mode         为服务器/无头部署安装（最小化 UI 依赖）
  --enable-http-api     启用 HTTP/SSE API 功能
  --migrate-from-chromadb
                        将现有 ChromaDB 安装迁移到选定的后端
  --configure-claude-code
                        自动配置 Claude Code MCP 集成（应用优化设置）
  --help-detailed       显示详细的硬件特定安装建议
  --generate-docs       为当前硬件生成个性化设置文档
  --setup-multi-client  配置多客户端访问（支持任何兼容 MCP 的应用：Claude, VS Code, Continue 等）
  --skip-multi-client-prompt
                        跳过多客户端设置的交互式提示
  --install-claude-commands
                        安装用于记忆操作的 Claude Code 命令
  --skip-claude-commands-prompt
                        跳过 Claude Code 命令的交互式提示
  --non-interactive     以非交互模式运行（所有提示使用默认值）

### 专有名称解释
- **PyTorch**：开源深度学习框架，提供张量计算和动态神经网络，广泛用于AI研究和部署。
- **sentence-transformers**：Python库，用于生成文本嵌入向量，支持语义搜索和相似度计算。
- **Homebrew**：macOS/Linux包管理器，通过命令行安装软件，简化依赖管理。
- **ONNX**：开放神经网络交换格式，实现不同AI框架间模型的互操作和部署优化。
- **SQLite-vec**：SQLite的向量搜索扩展，支持局部敏感哈希(LSH)算法实现高效相似性查询。
- **ChromaDB**：轻量级向量数据库，专为AI应用设计，提供嵌入存储和语义检索功能。
- **Claude**：Anthropic开发的AI助手，支持代码理解、多轮对话和文件分析等高级功能。
- **HTTP/SSE**：服务器发送事件技术，基于HTTP协议实现服务器向客户端的单向实时数据推送。

配置参数

安装完毕后，让我们对软件进行配置，根据软件手册中的信息，我们自己的配置文件名称必须是.env。

在我们下载的mcp-memory-service源代码包里面，自带一个名叫.env.example的配置范例。手册上说我们可以参考里面的内容来写自己的配置

实际上这个配置文件样板内容不全，而且是全英文的，不太好用。

这里我给大家提供一份AI帮我写的配置文件模板：.env.template，内容比较全面，其中分类罗列了所有可选的设置，还有相关的详细中文说明。由于文件内容太长，这里我就不全部贴出来了，喜欢的小伙伴可以直接从我提供的链接下载。

通过网盘分享的文件：自制工具和配置模板

链接:

https://pan.baidu.com/s/1anT2qKxEYLvs_MkRoUhLQA?pwd=k6vv 提取码: k6vv

给大家预览一下一部分内容

如果你要问我这种文档如何生成，我这里提供相关提示词供大家参考。

参考我下载到项目中的wiki、文档和.envexample，帮我写一个.env配置文件，要求：
1.把所有可用的配置都包含进去。  
2.每个配置都要有中文注释，尽可能详细。
3.不同类型的配置分类罗列。
4.我现在用的是本地数据库，暂时只想用hooks，不想用MCP。
5.所有暂时没用到的配置选项用注释符号使其不起效。

当然，也不是一次就能达到这种效果，如果你感觉不满意可以多次对话，提出具体修改要求，迭代几次就可以了。

比如一开始我没有让AI从源代码中进行核实，想起来这个问题后，我让它再次进行核实。

言归正传，咱们继续说安装软件的事。

我们先在.env中配置这几个选项，保证服务可运行即可：

# - sqlite_vec：本地SQLite存储（推荐开发使用，性能最佳）
MCP_MEMORY_STORAGE_BACKEND=sqlite_vec

# SQLite 性能优化参数，解决多进程访问时的数据库锁定问题
MCP_MEMORY_SQLITE_PRAGMAS=busy_timeout=15000,cache_size=20000,temp_store=MEMORY

# 禁用 CUDA，强制使用 CPU（用于兼容性问题）
CUDA_VISIBLE_DEVICES=-1

# 启用HTTP服务器（Hooks用户必选）
MCP_HTTP_ENABLED=true

# HTTP监听主机地址（可选）说明：127.0.0.1 仅本地访问，0.0.0.0 允许局域网访问
MCP_HTTP_HOST=127.0.0.1

# HTTP监听端口（必选）
MCP_HTTP_PORT=8000

# 禁用OAuth 2.1认证（可选）
MCP_OAUTH_ENABLED=false

#图存储模式dual_write：同时写入两者（默认，迁移模式）为未来迁移做准备
MCP_GRAPH_STORAGE_MODE=dual_write

# 日志级别（可选）已配置
# 选项：DEBUG | INFO | WARNING | ERROR
LOG_LEVEL=INFO

首次启动准备

软件安装完毕，配置也设定好之后，按照常理，接下来我们就可以启动它了。

但由于软件第一次启动时需要从Hugging Face下载本地运行用的语义模型，然而国内网络众所周知的原因，这个模型下载会失败，如下图所示：

所以我们先不启动软件，使用国内镜像，先手动下载好该模型

具体方法如下：

Windows用户（CMD或PowerShell）：

# CMD终端用这个命令设置临时变量
set HF_ENDPOINT=https://hf-mirror.com
验证
echo %HF_ENDPOINT%

# powershell终端用这个命令设置临时变量
$env:HF_ENDPOINT = "https://hf-mirror.com"
# 验证
echo $env:HF_ENDPOINT

# 然后执行这个命令，手动下载模型
python -c "from sentence_transformers import SentenceTransformer; SentenceTransformer('all-MiniLM-L6-v2')"

macOS/Linux用户：

export HF_ENDPOINT=https://hf-mirror.com
python -c "from sentence_transformers import SentenceTransformer; SentenceTransformer('all-MiniLM-L6-v2')"

下载完语义模型后，我们终于可以试运行了。

试运行

首次运行，我们使用这个指令，它会读取我们刚刚在mcp-memory-service根目录中，.env文件中的配置，然后启动HTTP服务：

uv run python .\scripts\server\run_http_server.py

可以看到HTTP服务器被启动了，端口号是8000。

我们可以用浏览器访问http://127.0.0.1:8000/查看服务页面，如果能够顺利打开，就说明软件运行环境没有问题

我们也可以用这个命令测试当前服务的状态，如果显示healthy，就说明运行一切正常

curl http://localhost:8000/api/health

run_http_server.py能够正常启动，说明后台服务的运行环境都准备好了，接下来我们按 ctrl + c终止服务，用这个脚本把HTTP服务安装到操作系统的后台启动服务中去：

.\scripts\service\windows\install_scheduled_task.ps1

管理工具的位置和用法：

.\scripts\service\windows\manage_service.ps1 stop

.\scripts\service\windows\manage_service.ps1 start

不过由于管理脚本使用了过时的 .NET API，而我的系统中的相关软件包是最新的，这些管理工具暂时不能用了。如果和我有同样问题的小伙伴，可以用我修改好的管理脚本，否则只能等待官方更新了。

文件就在刚才分享的网盘链接里面

安装claude code hooks

接下来用这个脚本安装claude code相关的工具，它会安装claude code hooks和MCP（虽然安装的位置其实不太对，后面我会讲到怎么手动配置）

python .\claude-hooks\install_hooks.py --all

安装完毕后，打开这个位置的配置文件config.json

#把<用户名>替换成自己实际的用户名称
C:\Users\<用户名>\.claude\hooks

这是install_hooks.py自动生成的配置文件，所以这两个地方和我们之前在.env中的配置有出入，需要做一些调整

注意：要连带把”server”后面的逗号” , “也删除掉，否则不符合json的格式要求。

在.env文件中（就是我们一开始放在mcp-memory-service根目录下的配置文件），把刚刚复制的api key配置到MCP_API_KEY这个项目中。

然后重启后台服务，或者重启电脑

#停止后台服务
.\scripts\service\windows\manage_service.ps1 stop

#启动后台服务
.\scripts\service\windows\manage_service.ps1 start

下一步打开这个文件，配置hooks：

#把<用户名>替换成自己实际的用户名称
C:\Users\<用户名>\.claude\settings.json

windows用户添加这部分内容，特别注意，要把<用户名>替换成自己实际的用户名称：

#把<用户名>替换成自己实际的用户名称
"hooks": {
"SessionStart": [
      {
"matcher": "",
"hooks": [
          {
"type": "command",
"command": "node C:\\Users\\<用户名>\\.claude\\hooks\\core\\session-start.js"
          }
        ]
      }
    ],
"UserPromptSubmit": [
      {
"matcher": "",
"hooks": [
          {
"type": "command",
"command": "node C:\\Users\\<用户名>\\.claude\\hooks\\core\\mid-conversation.js"
          }
        ]
      }
    ],
"SessionEnd": [
      {
"matcher": "",
"hooks": [
          {
"type": "command",
"command": "node C:\\Users\\<用户名>\\.claude\\hooks\\core\\session-end.js"
          }
        ]
      }
    ]
  }

Linux和mac用户添加这个内容

"hooks": [
      {
"pattern": "session-start",
"command": "node ~/.claude/hooks/core/session-start.js"
      },
      {
"pattern": "user-prompt-submit",
"command": "node ~/.claude/hooks/core/mid-conversation.js"
      },
      {
"pattern": "session-end",
"command": "node ~/.claude/hooks/core/session-end.js"
      }
    ]

安装claude code斜杠命令

接下来我们安装claude code的斜杠命令，这个特别简单。

找到claude_commands目录，把全部的md文件（除了README），复制到这个位置就安装完成了：

#把<用户名>替换成自己实际的用户名称
C:\Users\<用户名>\.claude\commands

最后我们如果有正在使用的claude code，必须退出，然后关闭当前的终端后，再次打开claude code。

使用方法

windows下的claude code暂时受制于兼容问题，每次启动后必须手动调用斜杠命令 /session-start，初始化对话记忆。

我们来测试一下，让AI帮我们确认hooks是否启动：

我现在已经重启了claude code和后台服务，并且在.env中拷贝了api key，帮我检查hooks是否正确连接到了后台服务中 

通过看板页面，我们成功发现刚刚那条对话被自动捕获并记录了下来

到这里，mcp-memory-service就安装好了，接下来就可以享受AI有长期记忆的爽快感觉了。

额外提醒

对了，还有几个问题要提醒大家：

1. 后台的数据库sqlite-vec可能还没有Python 3.13以上版本的预编译组件，大家不要盲目求新。我实际测试发现3.12可以用。
2. macOS系统Python默认缺少SQLite扩展支持，可以用Homebrew Python

brew install python && rehash

或者用pyenv编译时启用扩展：

PYTHON_CONFIGURE_OPTS='--enable-loadable-sqlite-extensions' pyenv install 3.12.0

1. 如果想用显卡加速本地模型的推理速度，先要确认显卡是否支持，这里我给大家提供一份表格

GPU 兼容性矩阵

如果你的显卡支持加速，想要用GPU运行本地的语义模型，先确认CUDA是否安装

 nvidia-smi

然后卸载当前只支持CPU加速的PyTorch

# 1. 卸载当前 CPU 版本
  pip uninstall torch torchvision torchaudio -y

然后安装支持CPU加速的PyTorch（以支持CUDA12.6的版本为例）

# 2. 安装 GPU 版本（CUDA 12.6）
  pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126

如果自己的CUDA版本和例子中的不一样，可以先查看一下这个页面，把后边的cuxxx换成和自己的CUDA Version对应的版本

https://download.pytorch.org/whl/

这是网页的部分截图，大家可以参考

由于安装包很大，解压时间很长，整个安装过程可能会需要十几分钟，不要着急。

看到Successfully installed信息就说明安装成功了。

还有，不要忘记重新启动后台服务

#停止服务
.\scripts\service\windows\manage_service.ps1 stop
#启动服务
.\scripts\service\windows\manage_service.ps1 start

最后说两句

说实话，现阶段的mcp-memory-service并没有完全成熟，安装过程其实有很多问题。

典型的问题就是安装脚本对claude code的适配不是太好，写入配置的位置其实不对，所以前面有很多手动写配置的步骤。

还有，在windows系统下，配置中的很多文件路径有问题，实际在windows下的路径要用反斜杠 \ ，甚至有些地方需要用双反斜杠 \ 保证兼容问题。但是安装脚本写入的是正斜杠 / （linux、mac风格）。

最大也是最坑的问题是，官方文档和wiki内容信息分散，甚至有些地方有矛盾，让我蒙圈了好几天，连AI都被绕进去了。

这些问题虽然最终在人类（我）+ AI的通力配合下解决了，但属实曲折了一点。

毕竟是免费工具，而且版本迭代超级快，咱们也没有资格说什么怨言就是了。

说了一大堆，我其实想问的是：官方在哪里？

AI编程的痛点大家都知道，而现阶段没有哪怕一个官方站出来提供相关工具，也没有看到官方赞助哪个项目组的工作，导致现阶段的记忆插件要么就不能用，要么就和mcp-memory-service一样安装过程繁琐。

这属实不应该了，毕竟这世上大多数人都不是专家，如果能有官方支持，我相信相关工具一定会更好用。让普通人能享受AI带来的便利，这难道不是发展AI的初衷吗？

既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。