In Memoria

In Memoria

为 AI 编码助手提供真正持久的记忆。

快速演示

观看 In Memoria 的实际演示：学习代码库、提供即时上下文，并将功能请求路由到相关文件。

---

问题：会话失忆

你一定很熟悉这样的流程：启动 Claude、Copilot 或 Cursor 来协助处理代码库。你解释架构，描述模式，说明约定。AI 理解了，帮你解决问题，一切都很顺利。

然后你关闭窗口。

下次会话呢？完全失忆。你又要解释一遍相同的架构决策、相同的命名约定，以及第十五次重复「不，我们这里不用类，而是用函数式组合」。

每次 AI 编码会话都要从头开始。

这不仅令人烦恼，也效率低下。这些工具每次交互都会重新分析代码库，浪费 token 和时间。它们会给出不符合你风格的泛泛建议，也不记得上次哪些做法奏效、哪些被你否决，或原因是什么。

解决方案：持久智能

In Memoria 是一个 MCP 服务，能够从你的实际代码库中学习，并在不同会话间保留记忆。它会构建关于你代码的持久智能（模式、架构、约定和决策），供 AI 助手通过 Model Context Protocol 查询。

你可以把它想成给 AI 结对程序员配了一个记事本，每次重启会话都不会被清空。

当前版本：0.6.0 - 查看更改内容

功能

• 学习你的模式 - 分析代码，了解命名约定、架构选择和结构偏好
• 即时项目上下文 - 以 <200 个 token 提供技术栈、入口点和架构（无需重新分析）
• 智能文件路由 - 将「添加密码重置」等模糊请求直接路由到相关文件
• 语义搜索 - 根据含义而不仅仅是关键词查找代码
• 工作记忆 - 在不同会话间跟踪当前任务和架构决策
• 模式预测 - 根据你的历史记录，建议你会如何解决类似问题

示例工作流

# First time: Learn your codebase
npx in-memoria learn ./my-project

# Start the MCP server
npx in-memoria server

# Now in Claude/Copilot:
You: "Add password reset functionality"
AI: *queries In Memoria*
    "Based on your auth patterns in src/auth/login.ts, I'll use your
     established JWT middleware pattern and follow your Result<T>
     error handling convention..."

# Next session (days later):
You: "Where did we put the password reset code?"
AI: *queries In Memoria*
    "In src/auth/password-reset.ts, following the pattern we
     established in our last session..."

无需重复解释。没有泛泛的建议。只有持续且能理解上下文的协助。

快速开始

安装

# Install globally
npm install -g in-memoria

# Or use directly with npx
npx in-memoria --help

连接到你的 AI 工具

Claude Desktop - 添加到配置文件（~/Library/Application Support/Claude/claude_desktop_config.json）：

{
  "mcpServers": {
    "in-memoria": {
      "command": "npx",
      "args": ["in-memoria", "server"]
    }
  }
}

Claude Code CLI：

claude mcp add in-memoria -- npx in-memoria server

GitHub Copilot - 请参阅下方的 Copilot 集成部分

学习你的代码库

# Analyze and learn from your project
npx in-memoria learn ./my-project

# Or let AI agents trigger learning automatically
# (Just start the server and let auto_learn_if_needed handle it)
npx in-memoria server

工作原理

In Memoria 基于 Rust + TypeScript 构建，使用 Model Context Protocol 将 AI 工具连接到持久的代码库智能。

架构

┌─────────────────────┐    MCP     ┌──────────────────────┐    napi-rs    ┌─────────────────────┐
│  AI Tool (Claude)   │◄──────────►│  TypeScript Server   │◄─────────────►│   Rust Core         │
└─────────────────────┘            └──────────┬───────────┘               │  • AST Parser       │
                                              │                           │  • Pattern Learner  │
                                              │                           │  • Semantic Engine  │
                                              ▼                           │  • Blueprint System │
                                   ┌──────────────────────┐               └─────────────────────┘
                                   │ SQLite (persistent)  │
                                   │ SurrealDB (in-mem)   │
                                   └──────────────────────┘

核心组件

Rust 层 — 快速的原生处理：

• 使用 Tree-sitter AST 解析 12 种语言（TypeScript、JavaScript、Python、PHP、Rust、Go、Java、C/C++、C#、Svelte、SQL）
• 蓝图分析器（检测项目结构、入口点和架构模式）
• 模式学习器（对你的编码风格进行统计分析）
• 语义引擎（理解代码关系和概念）

TypeScript 层 — MCP 服务与编排：

• 面向 AI 助手的 13 个专用工具（分为 4 类）
• 使用 SQLite 存储结构化数据，使用 SurrealDB 和 SurrealKV 持久化向量嵌入
• 文件监视，用于增量更新
• 智能路由，将功能映射到文件

存储 — 本地优先：

• 所有数据都保留在你的设备上
• 使用 SQLite 存储模式和元数据
• 使用 SurrealDB 和 SurrealKV 后端持久化向量嵌入
• 使用本地 transformers.js 生成嵌入（Xenova/all-MiniLM-L6-v2）

与众不同之处

这不只是又一个 RAG 系统或静态规则引擎：

• 从实际代码中学习 — 不是手动定义规则，而是从你的真实代码库中提取统计模式
• 预测你的处理方式 — 根据你之前解决类似问题的方式进行预测
• 节省 Token — 优化响应以尽量减少大模型上下文用量（项目上下文少于 200 个 Token）
• 路由到文件 — “添加登录” → 自动建议 src/auth/login.ts
• 记住上下文 — 跟踪工作会话、任务和架构决策
• 多模式搜索 — 语义（含义）、文本（关键词）或基于模式的搜索

v0.5.x 新功能

我们最近完成了实施路线图的第 1 至第 4 阶段：

🗺️ 项目蓝图（第 1 阶段）

无需完整学习即可立即获取项目上下文。询问代码库相关问题，即可在 200 个 Token 以内获得技术栈、入口点、关键目录和架构信息。

💼 工作上下文系统（第 2 阶段）

AI Agent 现在可以跟踪工作会话、维护任务列表并记录架构决策。准确地从上次停止的位置继续工作。

🧭 智能文件路由（第 3 阶段）

跨 10 个类别（身份验证、API、数据库、UI 等）建立功能到文件的映射。像“添加密码重置”这样的模糊请求会自动路由到具体文件。

⚡ 流畅的进度跟踪（v0.5.3）

不再有恼人的控制台刷屏。进度条会原地更新，刷新频率稳定为 500 ms。

面向 AI 助手的 MCP 工具

In Memoria 提供 13 个专用工具，供 AI 助手通过 MCP 调用。它们分为 4 类（第 4 阶段整合了冗余工具，数量从 16 个减少到 13 个）：

🎯 核心分析（2 个工具）

• analyze_codebase — 使用概念、模式和复杂度分析文件/目录（第 4 阶段：现在同时支持文件和目录）
• search_codebase — 多模式搜索（语义/文本/模式）

🧠 智能功能（7 个工具）

• learn_codebase_intelligence — 深度学习，以提取模式和架构
• get_project_blueprint — 立即获取包含技术栈和入口点的项目上下文 ⭐（第 4 阶段：包含学习状态）
• get_semantic_insights — 查询已学习的概念和关系
• get_pattern_recommendations — 获取模式及相关文件，以保持一致性
• predict_coding_approach — 提供实现指导并路由到文件 ⭐
• get_developer_profile — 获取编码风格和工作上下文
• contribute_insights — 记录架构决策

🤖 自动化（1 个工具）

• auto_learn_if_needed — 带过期检测的智能自动学习 ⭐（第 4 阶段：包含快速设置功能）

📊 监控（3 个工具）

• get_system_status - 健康检查
• get_intelligence_metrics - 已学习模式的分析数据
• get_performance_status - 性能诊断

第 4 阶段整合：为了改善 AX（Agent 体验，哈哈），三个工具已合并到现有工具中：

• get_file_content → 已合并到 analyze_codebase
• get_learning_status → 已合并到 get_project_blueprint
• quick_setup → 已合并到 auto_learn_if_needed

面向 AI Agent：请参阅 AGENT.md，了解完整的工具参考，包括使用模式和决策树。

GitHub Copilot 集成

In Memoria 通过自定义指令和聊天模式与 GitHub Copilot 配合使用。

设置

此仓库包含：

• .github/copilot-instructions.md - 为 Copilot 提供自动指导
• .github/chatmodes/ - 三种专用聊天模式：
  • 🔍 inmemoria-explorer - 智能代码库导航
  • 🚀 inmemoria-feature - 使用模式实现功能
  • 🔎 inmemoria-review - 检查一致性的代码审查

GitHub Copilot 集成（VS Code）

In Memoria 通过 MCP + 自定义 Agent（以前称为 聊天模式）与 GitHub Copilot Chat 集成。 这些 Agent 可让 Copilot 在 Agent 模式下工作时查询 In Memoria 的持久化智能。

⚠️ 重要：只有在聊天处于 Agent 模式（而非 Ask 或 Edit 模式）时，Copilot 才会调用 MCP 工具。

要求

• VS Code 1.106+
• 已启用 GitHub Copilot Chat
• 已配置并运行 In Memoria MCP 服务

---

MCP 服务设置（必需）

在工作区中创建或编辑以下文件：

.vscode/mcp.json

{
  "servers": {
    "in-memoria": {
      "command": "npx",
      "args": ["in-memoria", "server"]
    }
  }
}

在 VS Code 中打开此文件，并在出现提示时点击 Start，或手动启动。

---

Copilot 指令（自动）

此仓库包含：

• .github/copilot-instructions.md

VS Code 会自动加载此文件，并将其中的指导应用于 Copilot Chat。 无需进行其他设置。

---

自定义 Agent（以前称为“聊天模式”）

此仓库为 Copilot 提供 三个自定义 Agent：

Agent	用途
🔍 inmemoria-explorer	智能代码库导航
🚀 inmemoria-feature	使用已学习的模式实现功能
🔎 inmemoria-review	基于一致性和模式的代码审查

Agent 文件位置

⚠️ VS Code 已将 聊天模式 重命名为 自定义 Agent

为确保兼容当前版本的 VS Code：

1. 创建文件夹：

   .github/agents/
   

2. 移动或复制以下位置中的文件：

   .github/chatmodes/
   

   到：

   .github/agents/
   

3. 重命名每个文件：

   *.chatmode.md → *.agent.md
   

示例：

inmemoria-feature.chatmode.md → inmemoria-feature.agent.md

---

在 VS Code 中使用 Agent

1. 打开 Copilot Chat
2. 直接从下拉菜单中选择自定义 Agent（例如，inmemoria-featurename）。

如果 Agent 未显示：

• 重新加载窗口
• 确保文件位于 .github/agents/

---

使用示例

Where is the authentication logic?

→ Copilot 查询 In Memoria 的语义索引

Add password reset functionality

→ Copilot 检索：

• 文件路由
• 架构模式
• 先前的身份验证决策

Review this code for consistency

→ Copilot 根据已学习的约定进行比较

---

常见问题

• ❌ 使用 Ask/Edit 模式 → MCP 工具会被忽略
• ❌ MCP 服务未运行
• ❌ Agent 文件仅留在 .github/chatmodes/ 中
• ❌ VS Code 版本低于 1.106

---

VS Code 术语说明

旧名称	当前名称
聊天模式	自定义 Agent
Chat: Configure Chat Modes…	Chat: Configure Custom Agents
.github/chatmodes/	.github/agents/

VS Code 仍能识别旧版文件，但建议今后使用 .github/agents/*.agent.md 格式。

语言支持

通过 tree-sitter 进行原生 AST 解析，支持：

• TypeScript 和 JavaScript（包括 JSX/TSX）
• Python
• PHP
• Rust
• Go
• Java
• C 和 C++
• C#
• Svelte
• SQL

会自动过滤构建产物（node_modules/、dist/、.next/ 等）。

状态：进行中

坦诚地说：In Memoria 仍处于早期阶段。它可以运行，但还不够完善。

运行良好的功能

• ✅ 从真实代码库中学习模式
• ✅ 跨概念语义搜索
• ✅ 生成项目蓝图
• ✅ 与 Claude Desktop/Code 集成 MCP
• ✅ 跨平台支持（Linux、macOS、Windows）
• ✅ 节省 Token 的响应

已知限制

• ⚠️ 大型代码库（10 万个以上文件）首次分析可能较慢
• ⚠️ 代码库的一致性越高，模式准确度就越高
• ⚠️ 不同语言的 tree-sitter 支持程度各不相同
• ⚠️ 文档仍有待完善

我们需要你的帮助

这是用于 AI 辅助开发的开源基础设施。目前由 @pi22by7 独自开发，但我们不仅欢迎贡献，更离不开大家的参与。

贡献代码前，请先：

• 查看 GitHub Projects 看板，了解计划中的工作
• 加入 Discord 讨论你的想法（@pi_22by7）
• 提交 issue，讨论功能或修复
• 较大的贡献请发送邮件至 [email protected]

参与贡献的方式：

• 🐛 报告 Bug——发现了问题？提交 issue
• 💡 建议功能——有想法？在 Discord 或 GitHub Discussions 上讨论
• 🔧 提交 PR——我们始终欢迎代码贡献（请先讨论！）
• 📖 完善文档——帮助大家更轻松地理解项目
• 🧪 在你的代码库中测试——试用并告诉我们哪些地方出问题
• 💬 加入社区——通过 Discord 参与实时讨论

有关开发环境配置和指南，请参阅 CONTRIBUTING.md。

技术对比

与 GitHub Copilot 的记忆功能相比：

• Copilot：基础事实存储，不学习模式
• In Memoria：语义分析 + 模式学习 + 架构智能 + 工作上下文

与 Cursor 的规则相比：

• Cursor：静态规则，需手动定义
• In Memoria：从实际代码中动态学习 + 智能文件路由 + 项目蓝图

与自定义 RAG 相比：

• RAG：检索相关代码片段
• In Memoria：理解模式 + 预测解决方法 + 路由至文件 + 跟踪工作上下文

团队使用

In Memoria 既适用于个人开发者，也适用于团队：

个人：

• 学习你的个人编码风格
• 记住你做出的架构决策
• 提供感知上下文的建议

团队：

• 共享 .in-memoria.db 文件，分发已学习的模式
• 通过预先学习的代码库智能帮助新开发者上手
• 确保团队内的 AI 建议保持一致

从源代码构建

git clone https://github.com/pi22by7/in-memoria
cd in-memoria
npm install
npm run build

要求：

• Node.js 18+
• Rust 1.70+（从源代码构建所需）
• 至少 2GB RAM

开发：

npm run dev          # Start in development mode
npm test            # Run test suite (98.3% pass rate)
npm run build:rust  # Build Rust components

质量指标：

• 120 项单元测试中有 118 项通过（98.3%）
• 23 项 MCP 集成测试全部通过（100%）
• Rust 代码没有 clippy 警告
• 已验证无内存泄漏

常见问题

问：这会取代我的 AI 编码助手吗？ 答：不会，而是增强它们。In Memoria 提供记忆和上下文，让 Claude、Copilot 和 Cursor 等工具能够给出更好的建议。

问：会收集哪些数据？ 答：所有数据都保留在本地。没有遥测，也不会向外部服务器发送数据。你的代码绝不会离开你的设备。所有嵌入都使用 transformers.js 模型在本地生成。

问：模式学习的准确性如何？ 答：准确性会随着代码库规模和一致性的提升而提高。与规模较小或不一致的代码库相比，具有成熟模式的项目效果更好。系统会从频率和重复中学习。

问：对性能有什么影响？ 答：影响极小。初次学习需要一些时间（与代码库规模成正比），但后续查询速度很快。文件监视可实现增量更新。智能过滤会自动跳过构建产物。

问：如果分析失败或结果异常怎么办？ 答：请附上详细信息提交问题。内置超时机制和熔断器可以处理大多数边缘情况，但现实中的代码库往往很复杂，我们需要你的反馈来改进。

问：可以在生产环境中使用吗？ 答：可以，但请记住，这还是 v0.5.x 版本。可能存在一些不完善之处。请充分测试并报告问题。我们正在努力提升稳定性，但目前还未达到目标。

问：为什么选择 Rust + TypeScript？ 答：Rust 用于对性能要求较高的 AST 解析和模式分析。TypeScript 用于 MCP 服务和编排。两者各有优势：核心快速，集成层灵活。

问：其他 AI 工具（非 Claude/Copilot）能用吗？ 答：任何支持 MCP 的工具都可以使用 In Memoria。我们已在 Claude Desktop、Claude Code 和 GitHub Copilot 上进行测试。其他工具应该也能使用，但可能需要进行配置。

路线图

我们采用分阶段推进的方式：

• ✅ 阶段 1：项目蓝图系统（v0.5.0）
• ✅ 阶段 2：工作上下文与会话记忆（v0.5.0）
• ✅ 阶段 3：智能文件路由（v0.5.0）
• ✅ 阶段 4：工具整合（v0.5.0）
• 🚧 阶段 5：增强型向量搜索与嵌入
• 📋 阶段 6：多项目智能
• 📋 阶段 7：协作功能

详细进度请查看 GitHub Projects。

社区与支持

项目维护者： @pi22by7

• 💬 Discord：discord.gg/6mGsM4qkYm - 加入社区、提问并讨论改进建议（@pi_22by7）
• 📧 电子邮件：[email protected] - 用于私人咨询或较大型的贡献讨论
• 🐛 问题反馈：GitHub Issues - 报告错误并申请功能
• 💡 讨论：GitHub Discussions - 常规讨论与问答
• 📖 文档：查看 AGENT.md，了解 AI Agent 使用说明
• 🤝 贡献：查看 CONTRIBUTING.md，了解开发指南

贡献前须知：开始开发重要功能前，请先在 Discord、通过电子邮件或在问题讨论中交流你的想法。这有助于确保与项目方向一致，并避免重复劳动。

许可证

MIT - 详见 LICENSE

由 @pi22by7 为 AI 辅助开发社区倾心打造 ❤️

---

试用：npx in-memoria server

最新版本：v0.6.0 - 流畅的进度跟踪，阶段 1 至 4 已完成

In memoria：意为“在记忆中”。因为你的 AI 助手应该记住。

有问题或想法？ 欢迎加入我们的 Discord，或通过 [email protected] 联系我们