Tempera

🚀 Tempera - Claude Code的持久内存

Tempera为Claude Code提供了一种能从经验中学习的持久内存。Claude不再需要在每次会话时重新开始，而是可以回顾过去的解决方案，了解哪些方法有效，并随着时间的推移变得更加智能。

🚀 快速开始

Tempera可以为Claude Code赋予持久记忆能力，让Claude在处理问题时能够借鉴以往的经验，提升解决问题的效率和质量。以下是使用Tempera的基本步骤：

1. 安装Tempera：可以从源代码构建，也可以从crates.io安装。
2. 首次运行并下载模型：Tempera会自动下载BGE - Small嵌入模型用于语义搜索。
3. 与Claude Code进行配置：添加MCP服务器，重启Claude Code并验证配置。

✨ 主要特性

• 解决遗忘问题：Claude Code在会话之间会遗忘所有内容，Tempera通过将编码会话捕获为“片段”，并对其进行语义搜索索引，解决了这一问题。
• 持续学习：利用强化学习，Tempera可以在相关时呈现最有价值的记忆，实现持续改进。
• 跨项目学习：所有项目共享同一个内存数据库，支持跨项目学习。

📦 安装指南

从源代码构建

# 克隆并构建
git clone https://github.com/anvanster/tempera.git
cd tempera
cargo build --release

# 会创建两个二进制文件：
# - target/release/tempera      (CLI工具)
# - target/release/tempera-mcp  (Claude Code的MCP服务器)

从crates.io安装

cargo install tempera

首次运行 - 模型下载

首次使用时，Tempera会下载BGE - Small嵌入模型（约128MB）用于语义搜索。这一过程会自动进行，且仅需执行一次：

# 初始化并触发模型下载
tempera init

# 输出:
# 🔄 正在加载嵌入模型（首次运行时可能会下载模型）...
# ✅ 嵌入模型已加载

该模型会全局缓存到 ~/.tempera/models/ 目录，并在所有项目中共享。

💻 使用示例

基础用法

以下是一个与Claude的示例对话，展示了Tempera如何帮助Claude解决问题：

用户: 修复登录重定向漏洞

Claude: 让我检查一下我们之前是否解决过类似问题...
        [调用tempera_retrieve("登录重定向漏洞")]

        找到2个相关的过往经验:
        1. "通过根据白名单验证返回URL修复了开放重定向问题"
           - 相似度78%，效用85%
        2. "认证重定向问题 - 添加了URL清理"
           - 相似度65%，效用72%

        根据过往经验，我将实现URL验证...
        [着手修复]

        完成！让我保存这次会话。
        [调用tempera_capture(summary: "修复了登录重定向...", outcome: "success")]

用户: 检索到的记忆非常有帮助！

Claude: [调用tempera_feedback(helpful: true, episodes: ["abc123"])]
        标记为有帮助 - 这将改善未来的检索效果！

高级用法

CLI命令示例

# 初始化Tempera
tempera init

# 手动捕获一个片段
tempera capture --prompt "修复了认证漏洞"

# 为语义搜索对片段进行索引
tempera index

# 搜索记忆
tempera retrieve "数据库连接问题"

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

# 运行效用传播
tempera propagate --temporal

# 修剪旧的/低价值的片段
tempera prune --older-than 90 --min-utility 0.2 --execute

# 查看统计信息
tempera stats

📚 详细文档

与Claude Code的设置

1. 添加MCP服务器

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

--scope user 标志可使该服务器在所有项目中可用。

2. 重启Claude Code

退出并重新启动Claude Code以加载新的MCP服务器。

3. 验证

在Claude Code中运行 /mcp，你应该会看到 tempera 以及7个工具。

MCP工具

连接后，Claude可以使用以下工具：

关键生命周期行为

• 会话开始：Claude在开始非平凡任务之前，应使用 tempera_retrieve 自动检查相关记忆。
• 任务结束：Claude应使用 tempera_capture 主动捕获成功的会话，无需等待提示。捕获工具会自动运行效用传播。
• 跨项目洞察：使用 tempera_capture(project: "other-project") 为不同项目标记记忆。

tempera_retrieve模式

搜索:       tempera_retrieve(query: "认证漏洞")
列出所有:     tempera_retrieve(all: true)
显示详细信息: tempera_retrieve(query: "abc12345")  # 片段ID

🔧 技术细节

学习循环

┌────────────────────────────────────────────────────────────────┐
│  1. 开始任务                                                 │
│     用户: "修复登录重定向漏洞"                         │
└────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌────────────────────────────────────────────────────────────────┐
│  2. 检索记忆                                          │
│     Claude搜索: "登录重定向漏洞"                      │
│     找到: "通过清理返回URL修复了类似问题"     │
└────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌────────────────────────────────────────────────────────────────┐
│  3. 更快地解决问题                                               │
│     Claude利用过往经验解决问题           │
└────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌────────────────────────────────────────────────────────────────┐
│  4. 捕获会话                                            │
│     Claude保存: 所做的操作、有效的方法、失败的方法      │
└────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌────────────────────────────────────────────────────────────────┐
│  5. 从反馈中学习                                        │
│     用户: "那个记忆很有帮助！"                           │
│     → 片段效用增加                                │
│     → 相似片段得到提升（贝尔曼传播）       │
│     → 无用的记忆随时间逐渐消失                        │
└────────────────────────────────────────────────────────────────┘

学习机制

随着时间的推移，经常有帮助的知识会凸显出来，而陈旧或无用的记忆会逐渐消失。

数据存储

Tempera将所有数据本地存储在 ~/.tempera/ 目录（所有项目共享）：

~/.tempera/
├── config.toml              # 配置文件
├── episodes/                # 片段JSON文件
│   └── 2026-01-25/
│       └── session-abc123.json
├── vectors/                 # 向量数据库
│   └── episodes.lance/      # LanceDB嵌入
└── models/                  # 嵌入模型缓存（约128MB）
    └── models--Xenova--bge-small-en-v1.5/

强化学习参数

片段生命周期

捕获 → 索引 → 检索 → 反馈 → 效用更新 → 传播
                                                    ↓
                                            [低效用 + 旧]
                                                    ↓
                                                 修剪

📄 许可证

本项目采用Apache 2.0许可证。

贡献

欢迎贡献代码！请提交问题或拉取请求。