Avinash-jetwani/jevmem 来源：https://github.com/Avinash-jetwani/jevmem

jevmem

Claude Code 的自动项目记忆功能。同样适用于 Cursor 和 Codex。 npm 版本 (https://www.npmjs.com/package/jevmem) 许可证 node CI (https://github.com/Avinash-jetwani/jevmem/actions/workflows/ci.yml) M8ven 已验证 (https://m8ven.ai/mcp/avinash-jetwani/jevmem)

功能介绍

https://github.com/user-attachments/assets/ed77849e-db1c-4c05-9ad8-4cab0b3968a2

• 将你与 Claude Code 聊天中的决策、约束、问题和待办事项自动保存到 JEVMEM.md。
• 当你改变主意时，旧行会被标记为已取代，而不是删除。
• 在下一次会话中，相关行会被添加到 Claude 的上下文中。

- [decision] 使用 Postgres 16 作为主存储；SQLite 在负载下会锁定
- [constraint] Node 20 是最低要求；CI 运行 20 和 22 版本
- [superseded] 使用 SQLite 作为主存储 → id:k3d9xq

安装（60秒内完成）

npm install -g jevmem
export TYPESAFE_API_KEY=... # https://typesafe.ai (可选 OpenAI 或 Anthropic 密钥)
cd your-project
jevmem init --tool claude

init 命令会创建 JEVMEM.md、jevmem.config.json 和一个被 git 忽略的 .jevmem/ 文件夹，并在 .claude/settings.local.json 中注册两个 Claude Code 钩子，同时将该文件添加到 .gitignore（详情）。

支持工具

下表列出了哪些操作是自动的，哪些依赖于代理工具：

MCP add_memory 通过与钩子相同的门控机制。客户端配置：docs/mcp.md。

决策机制

1. 净化。 在消息离开你的设备之前，会从对话轮次中移除常见的密钥格式、电子邮件地址和卡号格式的数字。
2. 向 Jev 提出类型化问题。 Jev（由 TypeSafe AI 提供，https://typesafe.ai）以概率形式回答一组固定的小问题：是否存在决策、规则或问题？是闲聊还是注入尝试？它改变了哪一行现有记录？
3. 在代码中应用阈值。 基于这些概率的简单规则决定保存或跳过；这些规则存放在 jevmem.config.json 中，而不是在提示词中。
4. 写入一行。 保存时，一个小型 LLM（或无需 LLM 密钥的确定性提取器）会写入最多 200 个字符的一行。
5. 取代旧行。 如果本轮对话替换了一个现有记忆，则该行会被标记为 [superseded] ... → id:new 并保留在文件中。

层级、问题、策略、矛盾、召回与审计：docs/how-it-works.md。

基准测试

66 个待评估轮次，所有七个决策器在相同状态下进行，2026-09-23（方法、回归集、定价、p95、重试）：

0.30 秒是 Jev API 的决策时间；通过一个包含 Node 启动时间的真实 Stop 钩子进程，端到端时间为 0.6 秒（成本与延迟）。

在 66 个待评估轮次中，jevmem 的决策中位时间为 0.30 秒，而六个当前 LLM 的时间为 2.8–4.3 秒。其准确率处于 LLM 的范围内：98.5% 的保存/跳过准确率（与 GPT-6 Astra 并列最高）和 95.5% 的保存+类型准确率，而 LLM 的准确率为 90.9–98.5%。GPT-6 Astra（98.5%）和 Claude Opus 5.5（97.0%）在保存+类型准确率上更高；Claude Fable 5.1 持平；GPT-6 Luna、Gemini 3.8 Flash 和 Grok 4.7 准确率较低。

它发现了 5/5 个矛盾，六个 LLM 中的五个也做到了这一点。GPT-6 Luna 成本更低（$0.000089 对 $0.000127），但准确率较低（93.9%），且慢约 10 倍。

这是一次运行的结果，一两个轮次的差异属于运行间的噪声范围。如果最准确的决策最重要，GPT-6 Astra 或 Claude Opus 5.5 更好，但其每次决策的成本高出约 40–60 倍，延迟高出 9–12 倍。jevmem 适用于当你需要对每条消息进行快速、低成本决策的场景。

隐私

• 发送至 TypeSafe AI： 每轮对话的用户消息（以及用于问题和错误报告的助手回复）、前两轮对话和你的记忆行，用于评分。不收集遥测数据。如果你设置了 OpenAI 或 Anthropic 密钥，被保存轮次的文本也会发送给该提供商以写入行。
• 先净化： 常见的凭证格式（API 密钥、令牌、*_PASSWORD= 样式的键值对、连接字符串密码、私钥）、电子邮件地址和 16 位数字；姓名、电话号码和地址不会被处理。
• 零保留标志： jevmem 可以发送 zeroDataRetention: true（对于 Vercel AI Gateway URL 是自动的）；是否适用取决于网关和 TypeSafe 的条款，jevmem 不验证这一点。

具体发送、存储和净化的内容：SECURITY.md。

诚实的局限性

• 早期阶段： v0.4；两个评估集均由作者编写，均非独立基准。
• 不是最准确的： GPT-6 Astra 和 Claude Opus 5.5 在保存+类型准确率上更高；jevmem 的优势在于速度和成本。
• 召回质量未衡量： 测试了相关行是否被注入；答案质量是否提升未衡量。
• 长期漂移未衡量： 测试框架覆盖的是五轮对话会话，而非数周的使用。
• 自动捕获仅限于 Claude Code（以及 jevmem watch 运行期间的 Codex）；Cursor 和 Claude Desktop 仅在代理调用 add_memory 时保存。
• Jev 宕机会丢失轮次： 每次 Jev 调用有 2 秒预算；当 API 响应慢或宕机时，该轮会被跳过并记录在 .jevmem/log.jsonl 中，不会后续重试。

命令

jevmem init [--tool claude|cursor|codex|claude-desktop|all] [--no-hooks] [--command ""]
jevmem hook                              钩子入口点；从标准输入读取 Claude Code 钩子 JSON
jevmem daemon [status|start|stop]        钩子使用的预热 Jev 客户端（自动启动，空闲时退出）
jevmem watch [--replay] [--once]         从该项目的 Codex 会话日志中捕获轮次
jevmem mcp [--root <path>]               标准输入/输出 MCP 服务器
jevmem audit [--dry-run]                 根据代码库重新评分每条记忆，标记 [stale?]
jevmem search [--limit N]                按相关性对记忆进行排序
jevmem list [--all]                      打印记忆
jevmem add <line>                        手动添加一行（密钥会净化；不经过 Jev 检查）
jevmem why <id>                          显示一行或跳过轮次背后每个 Jev 答案
jevmem right <id>                        将决策标记为正确
jevmem wrong <id> [--should-be <line>]   将决策标记为错误
jevmem missed <text> [--kind <kind>]     标记一个应该被保存但未被保存的轮次
jevmem fit [--dry-run] [--force]         根据标签重新拟合权重和阈值（需要 40+ 标签）
jevmem stats                             延迟 p50/p95、每日成本、缓存命中率、升级率、标签数、上次拟合时间
jevmem log                               按标签显示 .jevmem/log.jsonl 的延迟、令牌和成本摘要

每个命令都接受 --help。设置 JEVMEM_VERBOSE=1 可在每次钩子运行后显示一行延迟/成本摘要。

链接

• 文档：工作原理 · 基准测试 · 成本 · 钩子 · MCP 和客户端配置 · 配置 · 演示
• 更新日志 · 决策记录 · 贡献指南 · 安全
• 许可证：MIT