codemem (Cogniplex)

Codemem

   

用于AI编码助手的独立Rust内存引擎。单二进制，零运行时间依赖。

Codemem存储您的AI助手发现的内容——读取的文件、搜索的符号、进行的编辑——因此存储库不需要在会话之间重新探索。可选择通过以下方式用编译器级交叉引用丰富图形 竞争情报从业者协会 索引器。

______________________________________________________________________

问题

你的人工智能助手探索50个文件，跟踪调用链，做出架构决策——然后会话结束。下次会议？一切从头开始。每一个。单身。时间。

更糟糕的是：它编辑 UserService.validate() 而不知道47个下游函数依赖于该返回类型。它重构了一个模块，但不知道为什么选择了之前的方法。

助理需要的是知识图谱，而不是更多的文本。

Codemem做什么

Codemem构建了一个持久的、可查询的代码库知识图，以及你的助手与它的交互。提交成为节点。符号具有键入的边。决策留下痕迹。你的助手会在它停止的地方继续。

# One command. That's it.
cd your-project && codemem init

从那时起，Codemem会默默地捕获上下文，在会话开始时注入先验知识，并为您的助手提供32个MCP工具，包括时间查询、差异审查和爆炸半径分析。

______________________________________________________________________

快速开始

安装

# Shell (macOS/Linux)
curl -fsSL https://raw.githubusercontent.com/cogniplex/codemem/main/install.sh | sh

# Homebrew
brew install cogniplex/tap/codemem

# Cargo
cargo install codemem

或者从以下网址下载预构建的二进制文件 发布.

初始化

cd your-project
codemem init

下载本地嵌入模型（约440MB，一次性），注册生命周期挂钩，并为您的AI助手配置MCP服务器。自动检测克劳德代码、光标和风帆。

就这样

Codemem现在可以自动捕获上下文，在会话开始时注入先验知识，并为您的助手提供32个MCP工具。

映射您的代码库（可选）

运行完整的分析管道——使用树形图对代码库进行索引，使用SCIP交叉引用（如果安装了索引器）丰富图形，计算PageRank，并检测架构集群：

codemem analyze

然后启动代码映射器代理进行深入的、代理驱动的分析——它产生了一个专门的代理团队，可以遍历知识图、发现模式并存储架构见解：

claude --agent code-mapper

看 索引和丰富管道 对于引擎盖下发生的事情。

SCIP浓缩（可选，推荐）

竞争情报从业者协会 （源代码智能协议）提供codemem编译器级的交叉引用——代码库中的每个调用、导入、类型引用和重写，都没有误报。 codemem analyze 自动检测已安装的索引器并自动运行它们。

为您的语言安装索引器：

Codemem从清单文件中检测语言(Cargo.toml, package.json, pyproject.toml, go.mod等等）并检查相应索引器的PATH。如果找到，SCIP边将与ast-grep模式边融合——当两个源在同一条边上一致时，它们的置信度得分相加（0.10+0.15=0.25），产生更高保真的图连接。

通过配置 ~/.codemem/config.toml:

[scip]
enabled = true                    # Master switch (default: true)
auto_detect_indexers = true       # Check PATH for available indexers
cache_index = true                # Cache .scip files between runs
cache_ttl_hours = 24              # Re-index if cache older than this
create_external_nodes = true      # Create ext: nodes for dependency symbols
store_docs_as_memories = true     # Attach hover docs as memories
hierarchical_containment = true   # Build nested containment tree
collapse_intra_class_edges = true # Fold intra-class calls into parent metadata

[scip.fan_out_limits]
module = 200     # Modules can be widely imported
class = 50       # Classes referenced moderately
function = 30    # Functions and methods less so
method = 30

# Override auto-detected indexer commands per language:
# [scip.indexers]
# rust = "rust-analyzer scip ."
# typescript = "scip-typescript index --infer-tsconfig"

没有安装SCIP索引器？没问题，codemem没有它也能正常工作。你只会得到ast-grep模式边（置信度0.10），而不是编译器级边。

______________________________________________________________________

所得

在你改变之前知道什么会破裂

用管子穿过差速器 codemem review 在合并之前，进行完整的爆炸半径分析——将更改的符号映射到直接和传递的依赖项、风险评分以及可能遗漏的更改。

git diff main..HEAD | codemem review --format text

Risk Score: 7.2 (high)
Changed Symbols: 3
  sym:AuthService::validate  (PageRank: 0.032)
  sym:AuthService::refresh   (PageRank: 0.018)
  sym:TokenStore::revoke     (PageRank: 0.011)
Direct Dependents: 12
Transitive Dependents: 47
Potentially Missing Changes:
  sym:SessionMiddleware::check — calls validate(), may need update

也可作为 review_diff MCP工具，供助手使用。

穿越时空

每个提交都会成为图中的一个节点。询问发生了什么变化，何时发生，以及发生了什么漂移：

# "What changed in the last two weeks?"
# → MCP tool: what_changed(from, to)

# "Show me the graph as it was on March 1st"
# → MCP tool: graph_at_time(at)

# "Which high-centrality files haven't been touched in 90 days?"
# → MCP tool: find_stale_files(stale_days=90)

# "Detect architectural drift between Q1 and Q2"
# → MCP tool: detect_drift(from, to)

# "What's the commit history for this function?"
# → MCP tool: symbol_history(node_id)

5个临时MCP工具为您的助手提供了跨代码库的全时旅行能力，包括图形快照、过时文件检测和架构漂移分析。

跨会话智能

你的助手会从中断的地方继续。决策、模式和见解在9个组成部分混合评分的会话中持续存在：

重量可通过以下方式配置 codemem config set scoring. .

跨服务API检测

Codemem解析OpenAPI/Swagger规范、AsyncAPI规范，并检测事件驱动模式（Kafka、RabbitMQ、Redis、SQS、SNS、NATS）以构建跨服务边缘：

• HttpCalls --服务之间的REST调用
• PublishesTo --事件发布关系
• SubscribesTo --事件订阅关系

过期的记忆

会话范围的内存和过时的富集会自动过期。在任何内存上设置TTL：

{
  "name": "store_memory",
  "arguments": {
    "content": "Temporary note: API key rotates Friday",
    "ttl_hours": 72
  }
}

在中配置默认值 ~/.codemem/config.toml:

[memory]
default_session_ttl_hours = 168          # 7 days for session memories
expire_enrichments_on_reindex = true     # Auto-expire stale analysis

可插拔的一切

嵌入提供者 --完全离线运行或使用任何API：

# Local (default, no API key needed)
export CODEMEM_EMBED_PROVIDER=candle

# Ollama (local server)
export CODEMEM_EMBED_PROVIDER=ollama

# OpenAI-compatible (Voyage AI, Together, Azure, etc.)
export CODEMEM_EMBED_PROVIDER=openai
export CODEMEM_EMBED_URL=https://api.voyageai.com/v1
export CODEMEM_EMBED_MODEL=voyage-3
export CODEMEM_EMBED_API_KEY=pa-...

# Google Gemini
export CODEMEM_EMBED_PROVIDER=gemini
export CODEMEM_EMBED_API_KEY=AIza...

与Ollama一起跑步（例如。 nomic-embed-text 或 mxbai-embed-large)比内置的Candle模型快得多，同时仍然保持一切本地化。

可配置的模型、精度和批量：

[embedding]
provider = "candle"
model = "BAAI/bge-base-en-v1.5"    # Any HuggingFace BERT model
dtype = "f16"                       # f32, f16, bf16 — half precision halves memory
batch_size = 16                     # Tune for GPU memory / throughput
dimensions = 768                    # Auto-detected for Candle
cache_capacity = 10000              # LRU embedding cache

存储后端 --当前为SQLite（本地），具备Postgres+pgvector和远程图后端的trait对象抽象：

[storage]
backend = "sqlite"       # or "postgres" (future)

[vector]
backend = "hnsw"         # or "pgvector", "qdrant" (future)

[graph]
backend = "inmemory"     # or "neo4j", "postgres" (future)

______________________________________________________________________

主要特点

• 图向量混合架构 --HNSW向量搜索（768 dim）+图谱知识图（PageRank、Louvain社区检测、介数中心性、BFS/DFS、SCC、拓扑排序等）
• 时间图层 --将提交和PR作为图节点、Modified By边、， valid_from/valid_to 所有节点上的时间戳。5个时态查询工具：what_changed、graph_at_time、find_stale_files、detect_drift、symbol_history
• 差异感知代码审查 --将更改后的线条映射为图形符号，使用风险评分、表面相关记忆和潜在的缺失变化计算多跳爆炸半径。可用作CLI(codemem review)MCP工具(review_diff)
• 范围上下文 --Repo/branch/用户感知内存作用域。特征分支与基础分支的叠加分辨率。标记为的内存和图形数据 repo 和 git_ref 用于团队就绪过滤
• SCIP集成 --编译器级交叉引用 竞争情报从业者协会 索引器（锈分析器、scip typescript、scip-python、scip-go、scip-java等）。使用ast-grep进行多层边缘融合：当两个来源一致时，置信度得分相加。自动检测已安装的索引器，缓存结果，并在重新索引时清理过时的节点
• 跨服务API检测 --解析OpenAPI/Swagger、AsyncAPI规范和事件框架（Kafka、RabbitMQ、Redis、SQS、SNS、NATS）。在服务之间创建HttpCalls、PublishesTo、SubscribeTo边
• 32个MCP工具 --内存CRUD、自编辑（精化/拆分/合并）、图遍历、代码搜索、时态查询、差异审查、整合、影响分析、会话上下文、JSON-RPC上的模式检测
• 9个生命周期挂钩 --自动上下文注入（SessionStart）、提示捕获（UserPromptSubmit）、观察捕获（PostToolUse）、错误跟踪（PostToolUseFailure）、会话摘要（Stop）、子代理捕获（SubagentStart/Stop）、清除关闭（SessionEnd）和预压缩检查点（PreCompact）
• 9组分混合评分 --向量相似性、图强度、BM25标记重叠、范围上下文、时间对齐、标签匹配、重要性、置信度和新近度
• 内存过期 --可选TTL内存，具有机会清理功能。会话记忆自动过期（可配置）。文件重新索引时过期的内容丰富
• 代码感知索引 --使用清单解析（Cargo.toml、package.json、Go.mod、pyproject.toml）对14种语言（Rust、Types/JS/JSX、Python、Go、C/C++、Java、Ruby、C#、Kotlin、Swift、PHP、Scala、HCL/Terraform）进行树型结构提取
• 上下文嵌入 --嵌入前丰富元数据和图形上下文，以提高召回率
• 可插拔嵌入件 --Candle（本地BERT，默认）、Ollama、OpenAI兼容API或Google Gemini。可配置的模型、数据类型（f32/f16/bf16）和批量
• 跨会话情报 --模式检测、文件热点跟踪、决策链和会话连续性
• 记忆巩固 --5个受神经科学启发的循环：衰变（幂律）、创造性/REM（语义KNN）、聚类（余弦+联合发现）、总结（LLM驱动）、遗忘
• 自编辑存储器 --通过时间图边缘进行完全来源跟踪，优化、分割和合并内存
• 可插拔存储后端 --向量（VectorBackend）、图（GraphBackend）和存储（StorageBackend）的特征对象抽象。SQLite+usearch+petgraph今天，准备好用于Postgres+pgvector+Neo4j
• 运营指标 --每个工具的延迟百分比（p50/p95/p99）、调用计数器和仪表 codemem_status 工具
• 实时文件查看 --基于通知的监视器，具有\|SessionStart hook| B[codemem mcp context]

A -->|PostToolUse hooks| C[codemem mcp ingest] A -->|Stop hook| E[codemem mcp summarize] A -->|MCP tools| D[codemem mcp serve] B -->|Inject context| A C --> F[Storage + Vector + Graph] D --> F F -->|Recall| A

1. **被动捕捉** 你的人工智能通过9个生命周期钩子读取、搜索和编辑什么
1. **积极回忆** 通过9分量混合评分的MCP工具获取相关上下文
1. **注入上下文** 在会话开始时，让你的助手从中断的地方继续
1. **评论差异** 用于合并前的爆炸半径，具有风险评分和缺失变化检测功能
1. **追踪时间** --每个提交都变成了一个图节点，实现了时间查询和漂移检测

## MCP工具

按类别组织的32种工具。看 [MCP工具参考](docs/mcp-tools.md) 获取完整的API文档。

|类别|工具|
|----------|-------|
|内存CRUD（7）| `store_memory`, `recall`, `delete_memory`, `associate_memories`, `refine_memory`, `split_memory`, `merge_memories` |
|图形与结构（9）| `graph_traverse`, `summary_tree`, `codemem_status`, `search_code`, `get_symbol_info`, `get_symbol_graph`, `find_important_nodes`, `find_related_groups`, `get_cross_repo` |
|节点分析（2）| `get_node_memories`, `node_coverage` |
|整合与模式（3）| `consolidate`, `detect_patterns`, `get_decision_chain` |
|命名空间（3）| `list_namespaces`, `namespace_stats`, `delete_namespace` |
|会话和上下文（2）| `session_checkpoint`, `session_context` |
|代码审查（1）| `review_diff` |
|时态查询（5）| `what_changed`, `graph_at_time`, `find_stale_files`, `detect_drift`, `symbol_history` |

## 命令行界面

codemem init # Initialize project (model + hooks + MCP) codemem search # Search memories codemem stats # Database statistics codemem ui # Open control plane UI (REST API + embedded React frontend) codemem analyze # Full pipeline: index + SCIP + enrich + PageRank + clusters codemem review # Diff-aware blast radius analysis (reads diff from stdin) codemem consolidate # Run consolidation cycles codemem export/import # Backup and restore (JSONL, JSON, CSV, Markdown) codemem sessions # Session management (list, start, end) codemem doctor # Health checks on installation codemem config # Get/set configuration values codemem migrate # Run pending schema migrations codemem mcp serve # Start MCP server (JSON-RPC stdio, or --http for HTTP) codemem mcp ingest # Process hook payload from stdin codemem mcp context # SessionStart hook (+ 7 more lifecycle hooks)

看 [CLI 参考](docs/cli-reference.md) 完全使用。

## 配置

### 观察压迫

在存储之前，可以选择通过LLM压缩原始工具观测值：

export CODEMEM_COMPRESS_PROVIDER=ollama # or openai, anthropic

### 持久配置

评分权重、向量/图调整、嵌入提供程序、内存过期和存储设置将保留在 `~/.codemem/config.toml`部分配置与默认值合并。

## 演出

|操作|目标|
|-----------|--------|
|HNSW搜索k=10（100K向量）|\
Papers

|论文|地点|主要贡献|
|-------|-------|-----------------|
| [HippoRAG](https://arxiv.org/abs/2405.14831) |NeurIPS 2024 |使用LLMs+知识图+个性化PageRank的神经生物学启发的长期记忆。多跳QA提高了20%|
| [从RAG到记忆](https://arxiv.org/abs/2502.14802) |ICML 2025 | LLM的非参数连续学习（HippoRAG 2）。联想记忆任务提高7%。 |
| [A-MEM](https://arxiv.org/abs/2502.12110) |2025 | Zettelkasten通过动态索引、链接和记忆进化激发了主体记忆。 |
| [MemGPT](https://arxiv.org/abs/2310.08560) |ICLR 2024 |受操作系统启发的LLM分层内存层——通过函数调用的自编辑内存。 |
| [旋律](https://arxiv.org/abs/2410.03156) |谷歌DeepMind 2024 |分层短期+长期记忆压缩。内存占用减少8倍。 |
| [ReadAgent](https://arxiv.org/abs/2402.09727) |谷歌DeepMind 2024 |人类启发的阅读代理，具有20倍上下文扩展的情节要点记忆。 |
| [机车移动](https://arxiv.org/abs/2402.17753) |ACL 2024 |评估非常长期会话记忆（300回合，9K令牌会话）的基准。 |
| [Mem0](https://arxiv.org/abs/2504.19413) |2025 |具有可扩展长期内存的生产就绪AI代理。与OpenAI Memory相比，准确率提高了26%。 |
| [泽普](https://arxiv.org/abs/2501.13956) |2025 |基于双时态数据模型的代理内存时态知识图架构。 |
| [人工智能时代的记忆](https://arxiv.org/abs/2512.13564) |2024年调查|智能体记忆的综合分类：事实记忆、经验记忆、工作记忆。 |
| [AriGraph](https://arxiv.org/abs/2407.04363) |2024 | LLM代理探索知识图中的情景+语义记忆。 |

Blog posts and techniques

- [上下文检索](https://www.anthropic.com/news/contextual-retrieval) （Anthropic，2024）-在嵌入之前预先挂起特定于块的上下文，可以将失败的检索减少49%。Codemem将其作为基于模板的上下文丰富，使用元数据+图关系。
- [上下文嵌入食谱](https://platform.claude.com/cookbook/capabilities-contextual-embeddings-guide) （Anthropic）——带有提示缓存的上下文嵌入实现指南。

Open-source projects

- [自动Mem](https://automem.ai/) --图向量混合存储器在LoCoMo上实现了90.53%。直接启发Codemem的混合评分和整合周期。
- [克劳德·梅](https://github.com/thedotmack/claude-mem) --通过Claude Agent SDK实现持久内存压缩。灵感来自生命周期挂钩和观察压缩。
- [Mem0](https://github.com/mem0ai/mem0) --AI的生产存储层（47K+星）。知情存储器类型设计。
- [Zep/Graphiti](https://github.com/getzep/graphiti) --时态知识图引擎。启发图持久性模型。
- [莱塔](https://github.com/letta-ai/letta) （MemGPT）——具有自编辑记忆的有状态AI代理。
- [标志](https://github.com/topoteretes/cognee) --通过三元组提取实现知识图记忆。
- [克劳德语境](https://github.com/zilliztech/claude-context) --通过MCP进行AST感知代码搜索（由Zilliz提供）。

看 [docs/comparison.md](docs/comparison.md) 以进行详细的功能比较。

## 许可证

[Apache 2.0](LICENSE)