持久记忆 · 项目复盘 · Agent Skill · v13.3.0 — claude-mem 在本版将定位从 「被动保留上下文」推进到「主动分析项目资产」，以三个面向实战的 Agent Skill 回应了一类真实诉求：记忆不仅该被「读」，也该被「用」。

项目概述：为 AI 编码代理设计持久记忆层

claude-mem 是当前 GitHub 上最受关注的 AI 编码代理记忆系统（79K+ Stars）， 为 Claude Code、Gemini CLI、OpenCode 等工具提供跨会话的持久上下文。 核心机制包括 6 种生命周期 Hook、SQLite + Chroma 的混合存储、 以及一套 MCP 搜索协议。它安装后静默运行，自动捕捉工具调用、 生成语义摘要，并在新会话中注入相关上下文——开发者无需手动干预 就能让 AI 记住「昨天聊到哪了」。

从 v1 到 v13，claude-mem 经历了一次清晰的架构演进： 早期聚焦「记录与回放」；中期引入分层上下文、MCP 搜索和 Web Viewer， 让记忆变得可查询；到 v13 系列，它进一步将记忆沉淀为「可操作的技能」。 此前 v13.2.0 已加入 kawaii 风格的幻灯片生成工具 wowerpoint， v13.3.0 则连推三项项目管理向技能，使技能总数达到 12 个。

痛点：记忆不止要能「读」，更要能「用」

做一个 AI 驱动的设计评审，第一步不是找 prompt，而是翻出设计稿和过往 同类评审的记录。写项目周报更要从几十天的对话历史里逐条摘要点。 Issue 过多时，逐个关闭只会让重复报告越积越多。

这些场景的共性：你缺的不是记忆系统本身——你缺的是「能对记忆做分析、 分类与叙事的工具」。旧版 claude-mem 让你能搜索历史、看时间线， 但「把历史转化为可交付的产物」仍靠人工完成。 v13.3.0 新增的三项 Agent Skill 直接弥补了这一断层，让记忆系统从 「被动存储」演进为「主动产出」。

三大新 Skill：设计评审、周报叙与 Issue 聚类

design-is — 设计评审自动化。 对 UI 或交互设计执行 Dieter Rams 十原则审计， 产出每条原则的 0–3 评分与文件行级证据，最终给出 NEW / REFINE / REDESIGN 三类结论。整个过程由编排器调度子 Agent 完成证据采集，生成 scope 文档、 评分卡、验证结论和可直接粘入 /make-plan 的改进 prompt。 适用场景：Codex 或 Claude Code 内的 UI 组件、HTML 草图、乃至 Figma 导出结构的审查。不再需要凭印象打分——每项评分都有 文件路径和代码行号做参照。

weekly-digests — 周报叙事的序列化生产。 按 ISO 周将项目完整时间线拆分为 逐章叙事文档。每章由独立子 Agent 生成并接收上一章的上下文块， 保证跨 30+ 周的叙事连续性。输出是可直接在 Markdown 预览中阅读的 「项目回忆录」。与 timeline-report（单篇大报告）不同， weekly-digests 更适合长期项目回顾或季度复盘——Agent 每次只关注 一周的数据，大幅降低上下文窗口压力。

oh-my-issues — 从 Issue 乱麻到路线图。 该技能的核心洞察是 「Issue 是症状，架构缺陷才是工作单元」。通过三个阶段处理积压： 聚类阶段——全量阅读 Issue 正文与评论，以根因而非表面关键词分组， 每簇对应一个架构修复；分流阶段——已建好聚类后，新进 Issue 自动匹配已有计划主人并关闭，附带重定向评论；打包阶段—— 单次 PR 关闭整簇 Issue。在 v13.0.1 实际开发中，此方法将约 100 个 Issue 压缩为 6 个 plan-master，大幅降低了管理开销。

原理简析：为何这些 Skill 只能由 claude-mem 实现

这三项新 Skill 并非凭空加入，它们依赖 claude-mem 已积累的两层基础设施。

第一层是完整的上下文沉淀机制。 claude-mem 的 Hook 体系在每个会话 生命周期节点自动收集工具调用与用户反馈，写入 SQLite。 weekly-digests 和 design-is 的数据源正是这些结构化的时间线记录， 而非文件系统全文索引。普通脚本无法获得这种粒度的活动日志。

第二层是编排式子 Agent 架构。 claude-mem 的技能系统采用 编排器+子 Agent 的分工模式：编排器拆解任务、分派子 Agent、汇总结果。 weekly-digests 逐周派发子 Agent，design-is 派发证据收集者， oh-my-issues 通过 full-read 获取 Issue 文本再聚类—— 这种模式确保长任务不阻塞主对话，且子 Agent 间通过上下文接力 保持叙事一致性。

此外，MCP 搜索协议为所有 Skill 提供了统一的记忆读取接口。 claude-mem 的三层搜索模式（search -> timeline -> get_observations） 让 Skill 可以逐层获取信息，而非一股脑把全部数据灌入上下文窗口。 oh-my-issues 的聚类算法正是利用了这个结构。

本版的两项修复同样值得关注。 #2411 修正了 MCP 配置中残留的 根目录 .mcp.json 副本——此前 Claude Code 的 /doctor 会因发现 两份完全相同的 MCP 服务器声明而报 warning，影响插件用户的诊断体验。

2365 则解决了 Codex 钩子迁移后的转录重放 bug：旧版通过文件监听

读取 JSONL 转录，但文件在启动后才出现时会被跳过， 导致历史被二次注入。v13.3.0 禁用此监听，改用 Codex 原生 Hook 作为权威来源，需要旧行为者可通过环境变量 CLAUDE_MEM_CODEX_TRANSCRIPT_INGESTION=true 恢复。

对 claude-mem 的用户来说，v13.3.0 意味着记忆系统从「能记住什么」 跨入了「能用记住的东西做什么」的阶段。三个新 Skill 覆盖了设计协作、 项目复盘与 Issue 治理的常见场景，且全部基于已积累的上下文运行—— 安装新版、重启 Agent，这些能力自动可用，无需额外配置。 同时，MCP 重复配置和 Codex 迁移相关的稳定性问题也一并解决， 让这套 12 技能的插件体系运行更加可靠。

封面图为 claude-mem 官方预览动图，展示其跨会话上下文恢复的工作流程。