Tempera

🚀 Tempera - Claude Code的持久內存

Tempera為Claude Code提供了一種能從經驗中學習的持久內存。Claude不再需要在每次會話時重新開始，而是可以回顧過去的解決方案，瞭解哪些方法有效，並隨著時間的推移變得更加智能。

🚀 快速開始

Tempera可以為Claude Code賦予持久記憶能力，讓Claude在處理問題時能夠借鑑以往的經驗，提升解決問題的效率和質量。以下是使用Tempera的基本步驟：

1. 安裝Tempera：可以從源代碼構建，也可以從crates.io安裝。
2. 首次運行並下載模型：Tempera會自動下載BGE - Small嵌入模型用於語義搜索。
3. 與Claude Code進行配置：添加MCP服務器，重啟Claude Code並驗證配置。

✨ 主要特性

• 解決遺忘問題：Claude Code在會話之間會遺忘所有內容，Tempera通過將編碼會話捕獲為“片段”，並對其進行語義搜索索引，解決了這一問題。
• 持續學習：利用強化學習，Tempera可以在相關時呈現最有價值的記憶，實現持續改進。
• 跨項目學習：所有項目共享同一個內存數據庫，支持跨項目學習。

📦 安裝指南

從源代碼構建

# 克隆並構建
git clone https://github.com/anvanster/tempera.git
cd tempera
cargo build --release

# 會創建兩個二進制文件：
# - target/release/tempera      (CLI工具)
# - target/release/tempera-mcp  (Claude Code的MCP服務器)

從crates.io安裝

cargo install tempera

首次運行 - 模型下載

首次使用時，Tempera會下載BGE - Small嵌入模型（約128MB）用於語義搜索。這一過程會自動進行，且僅需執行一次：

# 初始化並觸發模型下載
tempera init

# 輸出:
# 🔄 正在加載嵌入模型（首次運行時可能會下載模型）...
# ✅ 嵌入模型已加載

該模型會全局緩存到 ~/.tempera/models/ 目錄，並在所有項目中共享。

💻 使用示例

基礎用法

以下是一個與Claude的示例對話，展示了Tempera如何幫助Claude解決問題：

用戶: 修復登錄重定向漏洞

Claude: 讓我檢查一下我們之前是否解決過類似問題...
        [調用tempera_retrieve("登錄重定向漏洞")]

        找到2個相關的過往經驗:
        1. "通過根據白名單驗證返回URL修復了開放重定向問題"
           - 相似度78%，效用85%
        2. "認證重定向問題 - 添加了URL清理"
           - 相似度65%，效用72%

        根據過往經驗，我將實現URL驗證...
        [著手修復]

        完成！讓我保存這次會話。
        [調用tempera_capture(summary: "修復了登錄重定向...", outcome: "success")]

用戶: 檢索到的記憶非常有幫助！

Claude: [調用tempera_feedback(helpful: true, episodes: ["abc123"])]
        標記為有幫助 - 這將改善未來的檢索效果！

高級用法

CLI命令示例

# 初始化Tempera
tempera init

# 手動捕獲一個片段
tempera capture --prompt "修復了認證漏洞"

# 為語義搜索對片段進行索引
tempera index

# 搜索記憶
tempera retrieve "數據庫連接問題"

# 提供反饋
tempera feedback helpful --episodes abc123,def456

# 運行效用傳播
tempera propagate --temporal

# 修剪舊的/低價值的片段
tempera prune --older-than 90 --min-utility 0.2 --execute

# 查看統計信息
tempera stats

📚 詳細文檔

與Claude Code的設置

1. 添加MCP服務器

claude mcp add tempera --scope user -- /path/to/Tempera/target/release/tempera-mcp

--scope user 標誌可使該服務器在所有項目中可用。

2. 重啟Claude Code

退出並重新啟動Claude Code以加載新的MCP服務器。

3. 驗證

在Claude Code中運行 /mcp，你應該會看到 tempera 以及7個工具。

MCP工具

連接後，Claude可以使用以下工具：

關鍵生命週期行為

• 會話開始：Claude在開始非平凡任務之前，應使用 tempera_retrieve 自動檢查相關記憶。
• 任務結束：Claude應使用 tempera_capture 主動捕獲成功的會話，無需等待提示。捕獲工具會自動運行效用傳播。
• 跨項目洞察：使用 tempera_capture(project: "other-project") 為不同項目標記記憶。

tempera_retrieve模式

搜索:       tempera_retrieve(query: "認證漏洞")
列出所有:     tempera_retrieve(all: true)
顯示詳細信息: tempera_retrieve(query: "abc12345")  # 片段ID

🔧 技術細節

學習循環

┌────────────────────────────────────────────────────────────────┐
│  1. 開始任務                                                 │
│     用戶: "修復登錄重定向漏洞"                         │
└────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌────────────────────────────────────────────────────────────────┐
│  2. 檢索記憶                                          │
│     Claude搜索: "登錄重定向漏洞"                      │
│     找到: "通過清理返回URL修復了類似問題"     │
└────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌────────────────────────────────────────────────────────────────┐
│  3. 更快地解決問題                                               │
│     Claude利用過往經驗解決問題           │
└────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌────────────────────────────────────────────────────────────────┐
│  4. 捕獲會話                                            │
│     Claude保存: 所做的操作、有效的方法、失敗的方法      │
└────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌────────────────────────────────────────────────────────────────┐
│  5. 從反饋中學習                                        │
│     用戶: "那個記憶很有幫助！"                           │
│     → 片段效用增加                                │
│     → 相似片段得到提升（貝爾曼傳播）       │
│     → 無用的記憶隨時間逐漸消失                        │
└────────────────────────────────────────────────────────────────┘

學習機制

隨著時間的推移，經常有幫助的知識會凸顯出來，而陳舊或無用的記憶會逐漸消失。

數據存儲

Tempera將所有數據本地存儲在 ~/.tempera/ 目錄（所有項目共享）：

~/.tempera/
├── config.toml              # 配置文件
├── episodes/                # 片段JSON文件
│   └── 2026-01-25/
│       └── session-abc123.json
├── vectors/                 # 向量數據庫
│   └── episodes.lance/      # LanceDB嵌入
└── models/                  # 嵌入模型緩存（約128MB）
    └── models--Xenova--bge-small-en-v1.5/

強化學習參數

片段生命週期

捕獲 → 索引 → 檢索 → 反饋 → 效用更新 → 傳播
                                                    ↓
                                            [低效用 + 舊]
                                                    ↓
                                                 修剪

📄 許可證

本項目採用Apache 2.0許可證。

貢獻

歡迎貢獻代碼！請提交問題或拉取請求。