memdocs

MemDocs 🧠

AI プロジェクトのための永続メモリ

機能 • クイックスタート • 完全なスタック • Empathy との統合 • ドキュメント • 使用例 • 貢献

---

🚀 生産性を10倍以上に高める完全なスタック

VS Code + Claude Code (latest) + MemDocs + Empathy = 10x+ Productivity

ユーザー体験の記録： レベル4～5のAIコラボレーションによる、飛躍的な生産性向上

📖 詳細はこちら：

• クイックスタート：ブログ記事 - 5つのレベルを分かりやすい物語形式で解説
• エグゼクティブサマリー - チームや投資家向けの1ページ概要
• 技術詳細 - コード例を含む21ページの分析

---

🎯 MemDocs とは？

MemDocs は、AI アシスタントにプロジェクト固有の永続メモリを提供する、Git ネイティブのメモリ管理システムです。リポジトリ内に保存される、構造化された機械可読なドキュメントを生成します。クラウドサービスも継続的な費用も不要で、ローカル／Git ベースのストレージによって AI のコンテキストとチームコラボレーションを強化します。

💡 問題点

ChatGPT や GitHub Copilot などの AI アシスタントは、セッション間で記憶を保持できません。会話のたびにゼロから始まるため、コードベース、アーキテクチャ上の決定、プロジェクトのコンテキストを繰り返し説明する必要があります。

結果： AI は レベル1～2（リアクティブ） にとどまり、質問されてから応答することしかできず、将来のニーズを予測したり、パターンから学習したりできません。

✨ 解決策

MemDocs は 永続メモリレイヤーを作成し、レベル4～5のAIコラボレーションを実現します。

• 🧠 セッションをまたいでプロジェクトを記憶します（.memdocs/ ディレクトリ経由）
• 🔮 30～90日先までの予測を可能にします（レベル4の先回り型エンパシー）
• 👥 チームでメモリを共有できます（Git にコミット）
• 💰 リポジトリ全体のレビューと比べてコストを2000分の1に削減できます（$0.03 対 $60）
• ⚡ オフラインで動作します（検索にクラウド依存なし）
• 🤝 Empathy Framework と統合できます（レベル4の予測的インテリジェンス）
• 🔒 プライバシーを最優先します（PHI／PII の検出と秘匿化はオプション）

エンタープライズ ROI： 投資収益率6,000％（開発者10～1,000人のチームでの記録）

---

🚀 クイックスタート

インストール

# From PyPI (recommended)
pip install memdocs

# With optional features
pip install memdocs[embeddings]  # Local vector search
pip install memdocs[all]         # All features

# From source
git clone https://github.com/Smart-AI-Memory/memdocs.git
cd memdocs
pip install -e ".[dev,embeddings]"

基本的な使い方

# 1. Set your Claude API key
export ANTHROPIC_API_KEY="your-key-here"

# 2. Initialize MemDocs in your project (MCP enabled by default!)
cd your-project
memdocs init

# 3. Set up automatic updates (recommended)
memdocs setup-hooks --post-commit

# 4. Document changed files
memdocs review --changed

# 5. Search your project memory
memdocs query "payment processing"

# 6. Show memory stats
memdocs stats

大規模リポジトリのワークフロー

# For repos with 1,000+ files: use git integration
memdocs init
memdocs setup-hooks --post-commit  # Auto-review on every commit

# Work normally - memory updates automatically!
git add file.py
git commit -m "refactor: improve performance"
# MemDocs reviews changed files automatically (5-15 seconds)

# Or manually review only changes
memdocs review --changed        # Modified files only
memdocs review --since main     # Your branch changes
memdocs review --since HEAD~10  # Last 10 commits

最初のドキュメントを作成する

# Document a specific file
memdocs review --path src/main.py

# Output:
# ✨ Analyzing src/main.py...
# 📝 Generating documentation with Claude Sonnet 4.5...
# ✅ Documentation saved to .memdocs/docs/main/
#    - index.json (machine-readable)
#    - symbols.yaml (code map)
#    - summary.md (human-readable)

---

✨ 主な機能

🧠 Git ネイティブのメモリ

• すべてのドキュメントを .memdocs/ ディレクトリに保存
• コードとともにコミット（同じ Git ワークフロー）
• バージョン管理されたメモリ（プロジェクトの変化を追跡）
• チームコラボレーションを標準搭載（コードとともにメモリをプッシュ／プル）

🎯 スマートなスコープ設定

• ファイルレベル（デフォルト）：個々のファイルをドキュメント化
• モジュールレベル：ディレクトリ全体をドキュメント化
• リポジトリレベル：コードベース全体の概要
• 自動エスカレーション：重要な変更に応じてスコープを自動的に拡大

🤖 AI による要約

• Claude Sonnet 4.5：最新かつ最も高性能なモデル
• インテリジェントな抽出：シンボル、API、アーキテクチャ上の決定
• 複数の形式で出力：JSON、YAML、Markdown
• トークン効率に優れています：埋め込みは行わず、要約のみを作成します

🔍 セマンティック検索（任意）

• ローカル埋め込み：sentence-transformers（API 費用なし）
• ベクトル検索：高速な類似検索を実現する FAISS
• 自動インデックス作成：ドキュメントの作成に合わせて更新します
• クラウドへの依存なし：すべてローカルで実行されます

📈 エンタープライズ規模 — 大規模リポジトリのサポート

MemDocs は、インテリジェントな Git 統合により、どのような規模のコードベースにも対応できます。

• 変更箇所のみをレビュー：memdocs review --changed は変更されたファイルのみをレビューします
• ブランチを考慮：memdocs review --since main はブランチの変更をレビューします
• 自動更新：Git フックにより、コミットのたびにメモリが最新の状態に保たれます
• 費用対効果に優れています：リポジトリ全体のレビューより 2000 倍低コストです（$0.03 対 $60）
• 非常に高速：数時間ではなく 15 秒で完了します

大規模なリポジトリ（1,000 ファイル以上）に最適です：

# One-time setup
memdocs init
memdocs setup-hooks --post-commit

# Every commit after: automatic memory updates!
git commit -m "fix: bug in auth"  # Reviews 5 files, takes 15s, costs $0.03

コストの比較：

リポジトリの規模	全体のレビュー	変更ファイル	削減効果
10,000 ファイル	$60 + 2-4 時間	$0.03 + 15 秒	2000 倍
5,000 ファイル	$30 + 1-2 時間	$0.02 + 10 秒	1500 倍
1,000 ファイル	$6 + 15 分	$0.01 + 5 秒	600 倍

🔌 MCP サーバー（Model Context Protocol）

• リアルタイムでメモリを提供：MCP 経由で AI アシスタントにメモリを提供します
• Claude Desktop との統合：Claude Desktop にコンテキストを自動読み込みします
• Cursor／Continue.dev をサポート：MCP 対応ツールで動作します
• クエリベースのコンテキスト：AI が必要な情報だけをリクエストします
• 自動起動：プロジェクトを開くと、メモリを自動検出して提供します

Claude Desktop のクイックセットアップ：

# Start MCP server
memdocs serve --mcp

# Or auto-start in VS Code (add to .vscode/tasks.json)
# See docs/guides/mcp-setup.md for details

🚀 完全なスタック：生産性を飛躍的に向上

適切なツールを組み合わせると、生産性は直線的ではなく、指数関数的に向上します。

VS Code + Claude Code (latest) + MemDocs + Empathy = 10x+ Productivity

4 つのコンポーネントが相乗効果を発揮します：

コンポーネント	役割	実現すること
VS Code	プロフェッショナル IDE	テスト済みの環境、タスクの自動化、MCP の自動起動
Claude Code（VS Code 拡張機能）	AI ペアプログラミング	複数ファイルの編集、コマンドの実行、リアルタイムの支援
MemDocs	永続的なメモリレイヤー	パターンの検出、軌跡の追跡、セッションをまたいだ学習
Empathy Framework	5 段階の成熟度モデル	レベル 4～5 の先回りした提案、構造的な設計

実際の成果：

• 効率が 10 倍以上向上（ユーザー体験の記録に基づく）
• 低コスト：リポジトリ全体のレビューより 2000 倍低コストです
• 高品質：問題を予測し、未然に防止します
• 迅速なデリバリー：先回りした設計によりボトルネックを解消します

クイックセットアップ（5 分）：

# Install VS Code: https://code.visualstudio.com
# Install Claude Code extension in VS Code: https://claude.ai/claude-code
pip install empathy-framework[full]>=1.6.0  # Empathy 1.6.0+ includes MemDocs
cd your-project/
memdocs init  # Auto-configures MCP for Claude Code
empathy-os configure
code .  # Open in VS Code - MCP server auto-starts!

結果： VS Code 内の Claude Code が、レベル 1～2（事後対応型）ではなく、レベル 4～5（先回り型）で動作します

---

🔗 Empathy Framework との統合：レベル 4～5 の AI コラボレーション

Empathy Framework と統合すると、MemDocs はレベル 4 の先読み型エンパシーを実現します。

AI コラボレーションの 5 つのレベル：

レベル	名前	動作	必要なメモリ	例
1	リアクティブ	要求された後に支援する	なし	ChatGPT：「質問されたので、回答します」
2	ガイド型	協調的に探求する	セッションのみ	「確認のため、いくつか質問させてください」
3	プロアクティブ	要求される前に行動する	MemDocs のパターン	「いつも必要としているものを、事前に取得しておきました」
4	先読み型	将来のニーズを予測する（30～90 日）	MemDocs の軌跡	「来週の監査に向けて、ドキュメントを準備しました」
5	システム型	構造的なソリューションを設計する	MemDocs のプロジェクト横断情報	「あらゆるケースに対応するフレームワークを構築しました」

MemDocs が不可欠な理由：

• 🔄 レベル 3（プロアクティブ）：MemDocs はセッションをまたいでユーザーのパターンを保存します
• 🔮 レベル 4（先読み型）：MemDocs は予測に役立つシステムの軌跡を追跡します
• 🏗️ レベル 5（システム型）：MemDocs はプロジェクト横断で影響力の大きいポイントを特定します

永続メモリがなければ、AI は永遠にレベル 1～2 にとどまります。

📚 詳しい資料：

• ブログ記事：AI が明日の問題を予測できない理由（そしてその解決方法）
• エグゼクティブサマリー：チームや投資家向けの 1 ページ概要
• 技術分析：5 つのエンパシーフレームワークを比較する 21 ページの詳細分析

統合機能：

• ✅ Empathy フレームワーク（1.6.0+）とシームレスに連携
• ✅ レベル 4 の先読み型エンパシーのワークフローに対応
• ✅ 双方向同期（MemDocs ↔ Empathy）
• ✅ 永続メモリを活用した信頼構築の動作
• ✅ 16 種類のソフトウェア開発ウィザード（セキュリティ、パフォーマンス、テストなど）
• ✅ 18 種類の医療文書作成ウィザード（SOAP ノート、SBAR、アセスメントなど）

🔒 プライバシーとセキュリティ

• PHI/PII 検出：機密データを自動検出します
• 編集：任意の編集モード（オフ、標準、厳格）
• HIPAA/GDPR 対応：プライバシー設定を構成できます
• ローカルファースト：クラウドへの依存は必須ではありません

---

📖 ドキュメント

設定

プロジェクトのルートに .memdocs.yml を作成します：

version: 1

# Scope policy (controls memory granularity)
policies:
  default_scope: file          # file | module | repo
  max_files_without_force: 150

  # Auto-escalate for important changes
  escalate_on:
    - cross_module_changes      # Multi-module = bigger context
    - security_sensitive_paths  # auth/*, security/* = thorough docs
    - public_api_signatures     # API changes = team awareness

# Output configuration (git-committed memory)
outputs:
  docs_dir: .memdocs/docs       # Committed to git
  memory_dir: .memdocs/memory   # Committed to git
  formats:
    - json                      # index.json (machine-readable)
    - yaml                      # symbols.yaml (code map)
    - markdown                  # summary.md (human-readable)

# AI configuration (Claude API)
ai:
  provider: anthropic
  model: claude-sonnet-4-5-20250929  # Claude Sonnet 4.5 (latest)
  max_tokens: 8192
  temperature: 0.3              # Lower = more deterministic

# Privacy (optional, for sensitive codebases)
privacy:
  phi_mode: "off"               # off | standard | strict
  scrub:                        # Types of sensitive data to redact
    - email
    - phone
    - ssn
    - mrn
  audit_redactions: true        # Log all redactions for compliance

# Exclude patterns
exclude:
  - node_modules/**
  - .venv/**
  - __pycache__/**
  - "*.pyc"
  - dist/**
  - build/**

---

💼 ユースケース

1. エンタープライズ規模のコードベース（1,000 ファイル以上）

問題：リポジトリ全体のレビューには $60 以上の費用がかかり、数時間を要します。トークン制限により失敗することもよくあります。

解決策：Git を認識した差分更新。

# Day 1: One-time setup (5 minutes)
cd large-monorepo  # 10,000 files
memdocs init
memdocs setup-hooks --post-commit
memdocs review --path src/core/  # Review critical paths first

# Every day after: Zero effort!
# Just commit normally...
git commit -m "feat: add caching layer"
# Hook reviews 7 changed files
# Takes 15 seconds, costs $0.02
# Memory stays current automatically!

# 100 commits later: $2 total
# vs $60 per full review = 3,000% cost savings

本番環境での実際の数値：

• Python のモノレポ（ファイル数 10,000）
• 週 200 件のコミット
• 費用：フックありでは週 $4、フックなしでは週 $240
• 費用を 98% 削減

2. 新しい開発者のオンボーディング

# New team member clones repo
git clone <your-repo>
cd your-repo

# MemDocs memory already there!
memdocs query "authentication flow"
memdocs query "database schema"

結果：チームメイトに尋ねなくても、プロジェクトのコンテキストをすぐに把握できます。

3. AI アシスタントのコンテキスト

from pathlib import Path
from memdocs.index import MemoryIndexer
import anthropic

# Get project context from MemDocs
indexer = MemoryIndexer(
    memory_dir=Path(".memdocs/memory"),
    use_embeddings=True  # Requires: pip install memdocs[embeddings]
)
results = indexer.query_memory("payment processing", k=5)

# Build context for Claude
context = "\n".join([r["metadata"]["summary"] for r in results])

# Claude now has project memory
client = anthropic.Anthropic()
response = client.messages.create(
    model="claude-sonnet-4-5-20250929",
    system=f"Project context:\n{context}",
    messages=[{"role": "user", "content": "Explain the charge flow"}]
)

結果：Claude がプロジェクトの構造と決定事項を記憶します。

4. コードレビューの準備

# Before opening PR
memdocs review --path src/new-feature/

# MemDocs generates:
# - Feature summary
# - API changes
# - Breaking changes
# - Migration notes

結果：レビュアーは構造化されたコンテキストを自動的に取得できます。

5. Empathy Framework との統合

from memdocs.empathy_adapter import adapt_empathy_to_memdocs

# Empathy analysis results
analysis = {
    "current_issues": [...],
    "predictions": [...]
}

# Convert to MemDocs format
doc_index = adapt_empathy_to_memdocs(
    analysis,
    file_path="src/compliance/audit.py",
    memdocs_root=".memdocs"
)

結果：プロジェクトのメモリを活用した、レベル 4 の先読み型エンパシーを実現します。

---

🏗 アーキテクチャ

ストレージ構造

your-project/
├── .memdocs/
│   ├── docs/
│   │   ├── <filename>/
│   │   │   ├── index.json          # Machine-readable index
│   │   │   ├── symbols.yaml        # Code symbols/API map
│   │   │   └── summary.md          # Human-readable summary
│   └── memory/
│       ├── embeddings.json         # Optional: Local vector embeddings
│       └── search.index            # Optional: FAISS index
├── .memdocs.yml                    # Configuration
└── src/
    └── ... your code ...

動作の仕組み

graph LR
    A[Code] -->|tree-sitter| B[Extract Symbols]
    B --> C[Analyze Context]
    C -->|Claude Sonnet 4.5| D[Generate Summary]
    D --> E[Store in .memdocs/]
    E --> F[Git Commit]
    F --> G[Team Collaboration]

    H[Query] --> I[Local Search]
    I --> J[Return Context]

    style D fill:#f9f,stroke:#333
    style E fill:#bfb,stroke:#333

1. 抽出：tree-sitter がコードを解析します（Python、JS、TS、Go、Rust など）
2. 分析：シンボル、インポート、API、パターンを特定します
3. 要約：Claude が洞察を含む簡潔な要約を生成します
4. 保存：構造化されたドキュメントを .memdocs/ ディレクトリに保存します
5. 取得：ローカルで高速に検索します（grep ベースまたはベクトルベース）

トークン効率

• 要約のみ：ファイルあたり約 1K トークン
• 埋め込み API 不要：ローカル埋め込みのみを任意で使用
• ローカル検索：即時に実行でき、無料で、API 呼び出しもありません
• 費用：100 ファイルのドキュメント化につき約 $0.10

---

🔧 CLI リファレンス

memdocs init

プロジェクトで MemDocs を初期化します。

memdocs init [--force]

memdocs review

メモリドキュメントを生成します。

# File-level (recommended)
memdocs review --path src/payments/charge.py

# Module-level
memdocs review --path src/payments/ --scope module

# With scope detection
memdocs review --path src/

# Export to Cursor
memdocs review --path src/ --export cursor

memdocs query

プロジェクトメモリを検索します（エンベディングが必要です）。

memdocs query "authentication flow"
memdocs query "database schema" --k 10

memdocs stats

メモリの統計情報を表示します。

memdocs stats
memdocs stats --format json

memdocs export

メモリをほかの形式にエクスポートします。

memdocs export --format cursor
memdocs export --format json --output memory.json

---

🔌 統合

Model Context Protocol (MCP)

MemDocsには、Claude Desktop向けのMCPサーバーが含まれています。

{
  "mcpServers": {
    "memdocs": {
      "command": "memdocs",
      "args": ["mcp-server"],
      "cwd": "/path/to/your/project"
    }
  }
}

Cursorとの統合

# Export memory for Cursor
memdocs export --format cursor

# Cursor automatically picks up .memdocs/ directory

Python API

from memdocs.index import MemoryIndexer
from memdocs.summarize import Summarizer
from memdocs.extract import Extractor

# Initialize components
indexer = MemoryIndexer(memory_dir=".memdocs/memory", use_embeddings=True)
summarizer = Summarizer()
extractor = Extractor()

# Extract and document
context = extractor.extract_file("src/main.py")
doc_index, markdown = summarizer.summarize(context, scope_info)

# Index for search
indexer.index_document(doc_index, markdown)

# Query
results = indexer.query_memory("authentication", k=5)

---

💼 エンタープライズのROI：重要な数値

MemDocs + Empathyは、あらゆる規模で生産性の測定可能な向上を実現します。

コスト削減の例

チームの規模	年間コスト	年間の削減時間	時給150ドルでの価値	ROI
開発者10人	$2,000	799時間	$119,850	6,000%
開発者100人	$20,000	7,990時間	$1,198,500	6,000%
開発者1,000人	$198,000	79,900時間	$11,985,000	6,000%

しかし、本当の価値は削減できる時間だけではありません。危機を未然に防げることです。

次のことにどれほどの価値があるでしょうか。

• ✅ コンプライアンス監査を一度も見逃さないこと。
• ✅ スケーリングのボトルネックに一度も直面しないこと。
• ✅ 緊急のバグ修正対応に40時間も費やさないこと。
• ✅ コストを直線的に増やさず、エンタープライズ規模に拡大できること。

これが、レベル1（事後対応型）とレベル4（先行予測型）の違いです。

エンタープライズチームがこのスタックを選ぶ理由

• 🎯 大規模環境で実証済み：エンタープライズ規模のコードベース（ファイル数10,000以上）向けに構築され、テスト済みです。
• 📊 生産性を測定可能：10倍以上の改善を実証済みです（理論値ではありません）。
• 💰 代替手段より低コスト：リポジトリ全体のレビューより2,000倍低コストです。
• 🔒 セキュリティとコンプライアンス：PHI/PII検出、HIPAA/GDPRに配慮、監査証跡に対応しています。
• 🏢 商用利用に対応：Fair Sourceライセンスを採用し、商用利用条件が明確です。
• 🤝 ベンダーサポート：中核開発チームに直接アクセスできます。

エンタープライズライセンス： 開発者1人あたり年間$99（従業員6人以上）
無料プラン： 学生、教育関係者、小規模チーム（従業員5人以下）

---

📊 比較

機能	MemDocs + Empathy	Vector DBs	GitHub Copilot	Cursor
ストレージ	Gitネイティブ	クラウド	クラウド	クラウド
月額費用	ストレージは$0	$$$	$10-20	$20
チーム共有	✅ 組み込み	⚠️ 別途必要	❌ なし	❌ なし
オフライン	✅ 対応	❌ 非対応	❌ 非対応	❌ 非対応
プライバシー	✅ ローカル	⚠️ クラウド	⚠️ クラウド	⚠️ クラウド
メモリの永続性	✅ 永続	✅ 永続	❌ セッション限定	⚠️ 限定的
レベル4の予測	✅ 30～90日	❌ 非対応	❌ 非対応	❌ 非対応
Empathyとの統合	✅ ネイティブ	❌ 非対応	❌ 非対応	❌ 非対応
生産性の向上	10倍以上（実証済み）	1～2倍	2～3倍	2～3倍
API呼び出し	ドキュメントのみ	常時	常時	常時

---

🗺 ロードマップ

詳細な4週間の本番環境導入計画については、PRODUCTION_ROADMAP.mdを参照してください。

バージョン2.1（2025年第1四半期）

• VS Code拡張機能
• リッチな出力に対応したCLIの強化
• ドキュメントの差分更新
• カスタムプロンプトテンプレート

バージョン2.2（2025年第2四半期）

• JetBrainsプラグイン
• 多言語サポート（Go、Rust、Java、C++）
• メモリ圧縮（古いドキュメントを自動要約）
• チーム分析ダッシュボード

バージョン3.0（2025年第3四半期）

• MemDocs Cloud（任意のホスト版）
• エンタープライズ機能（SSO、RBAC、監査ログ）
• Empathyとの高度な統合
• PRのドキュメントを自動作成するGitHub App

---

🤝 コントリビューション

コントリビューションを歓迎します。ガイドラインについては、CONTRIBUTING.mdを参照してください。

クイックリンク：

• 行動規範
• セキュリティポリシー
• 開発環境のセットアップ
• 初心者向けの課題

特に協力を求めている分野：

• 多言語AST解析（Go、Rust、Java、C++）
• IDEプラグイン（VS Code、JetBrains）
• ドキュメントの改善
• サンプルプロジェクト

---

📄 ライセンス

Apache License 2.0 — 詳細はLICENSEを参照してください。

---

💬 サポートとコミュニティ

• ドキュメント: https://www.smartaimemory.com/docs/memdocs で近日公開予定
• 課題: GitHub の課題
• ディスカッション: GitHub のディスカッション
• Discord: 近日公開予定
• お問い合わせ: [email protected]
• 法人のお問い合わせ: [email protected]

📚 その他のリソース

• ブログ記事: AI アシスタントが明日起こる問題を予測できない理由（そしてその解決方法）
• エグゼクティブサマリー: プレゼンテーションや投資家向けの説明に使える1ページの概要
• 技術的な詳細分析: 5つの共感フレームワークを比較する包括的な分析
• Empathy Framework: 5段階のAIコラボレーションシステム全体

---

🙏 謝辞

作成者: Patrick Roebuck (Smart AI Memory)

活用技術:

• Anthropic の Claude Sonnet 4.5
• AST の解析に使用する tree-sitter
• ローカルの埋め込みに使用する sentence-transformers
• ベクトル検索に使用する FAISS

特別な感謝を捧げます:

• Empathy Framework チーム
• 早期導入者とベータテスター
• オープンソースコミュニティ

---

🧠 MemDocs：AI がセッションごとに忘れるのではなく、プロジェクトを記憶できるように。

レベル4の予測的共感を備えた、初の git ネイティブ AI メモリーシステムです。

Smart-AI-Memory（Deep Study AI, LLC）が ❤️ を込めて開発

AI と人間のコラボレーションを、受動的な応答から問題の予防を先取りする形へと変革します。

始める • 使用例を見る • 完全なスタック • 法人向け ROI • 貢献する