用Postgres为Claude Code构建长期记忆

每次 AI 编程会话都以同样的方式开始：对昨天发生的事毫无记忆。

我受够了 Claude Code 在每次会话中都要重新摸索我的架构、尚未解决的 bug，以及那些“等等，我们当初为什么要这么决定”的问题——于是，我为它构建了一个记忆层。这篇文章将介绍它的工作原理，以及我为什么最终放弃了那个显而易见的初始方案。

显而易见的方案无法扩展

大多数面向 AI 编程 Agent 的“记忆库”方案，都是由少量 markdown 文件组成——比如 architecture.md、progress.md、decisions.md——Agent 会在每次会话开始时重新读取它们。这个思路很合理，也确实有效，直到这些文件变得足够大，以至于还没开始真正的工作，加载它们就已经耗尽了全部 context 预算。为了让内容保持在可管理的范围内，你最终只能把部分内容精简到“归档”文件中，而精简恰恰会让你丢掉六周后才发现需要的信息。

这种失败模式其实并不在于 markdown 本身，而在于扁平文件迫使你进行全有或全无的读取：你无法只查询与当前正在修复的 bug 相关的三个事实。

我的替代方案：Postgres + pgvector，而不是文件

所以，我没有使用文件，而是采用带有 pgvector 的 Postgres 数据库作为后端，并通过 MCP server 将其暴露给 Claude Code：

节点，而不是文件章节。每一条事实、任务、决策和进度说明都是一行数据，包含一种类型（brief、product、pattern、tech、active、progress、devenv、task、plan、decision）、正文、主题标签和 embedding。

边，而不是标题。节点通过带类型的关系连接起来——depends_on、blocks、relates_to、supersedes、part_of、refines、cross_ref——因此，“这个 bug 被那个决策阻塞”是一条图谱事实，而不是埋在大段文字中的一句话。

检索采用向量搜索与图遍历，并限定在当前任务的范围内，而不是“把整个文件全部丢进去，让模型自己整理”。

重点并不在于图比文件更高级，而在于检索从一次读取变成了一次查询。

真正重要的部分：避免噪声进入 context

下面这个约束塑造了整个设计：被搜索出来、但最终证明无关的材料，绝不能占据工作会话的 context。否则，你只是绕了更多步骤，重新制造了 markdown 的问题——现在消耗 token 的方式，从滚动浏览文件变成了滚动浏览向量搜索结果。

有两种机制共同确保这一点：

服务端过滤。搜索会应用相似度阈值，并在返回结果之前剔除所有此前已被标记为无关的内容。它永远不会返回一份未经处理的候选列表，让调用方自行筛选。

Subagent 隔离。在任务调查过程中，只有一个用完即弃的 Subagent 会真正调用搜索。它会在自己的一次性 context 中审查结果，标记被拒绝的内容（这样同样的噪声下次就不会再次出现），然后只向主会话返回一份经过综合整理的简报。它筛掉的垃圾信息永远不会接触到真正执行工作的 context。

仅靠过滤，仍然可能让一个话多的调用方重新读取所有内容。仅靠 Subagent，仍然会把未经筛选的噪声摆到主会话面前。两者缺一不可。

我没想到自己还会构建的部分：它是多 Agent 的

一个共享知识库可以服务于我参与的所有项目——这并非偶然，而是因为数据库后端让这件事几乎不需要额外成本。更有意思的结果是：不同项目中的会话可以相互交流。

Project A 中的会话可以直接把一项任务提交到 Project B 的 backlog——它会以 status: inbox 的状态出现在那里，而不会被悄悄合并进 backlog，因此它会被清楚地标记为“由其他人提交”。它也可以发送消息，并通过 Postgres LISTEN/NOTIFY 实时收到回复，无需轮询——一个轻量级的监听进程会把新增的数据行转换成实时聊天通知。

这套机制被刻意设计为与任务/记忆图谱相互独立：消息不会生成 embedding，不会建立图谱边，也不依赖 embedding provider 正常运行。因此，即使 embedding API 发生故障、导致记忆写入完全中断，Agent 之间的聊天仍然可以继续工作。

这是我在其他“赋予 Agent 记忆”方案中没有见过的部分：它不只是“记住我的项目”，而是让 Agent 真正能够跨越项目边界，把工作交接给彼此。

当前进展

它目前仍然是一款非常个人化的工具，并且一直在自己身上进行 dogfooding——在构建它的过程中，我一直使用它来管理这个记忆库项目自身的任务和决策。如果其他正在构建类似方案的人觉得有帮助，我很乐意进一步深入介绍它的 schema、检索评分机制或消息协议。

🔗 https://github.com/ineron/MemoryBankMCP

如需采取进一步措施，你可以考虑屏蔽此人和/或举报滥用行为。