Claude Code 每次開新 session 都失憶？Recall 讓它記住你的專案

> Patch Note

老實說，用 Claude Code 做長期專案最煩的事不是它寫的 code 不好，是它每次 session 都從零開始。

你得重新解釋專案架構、tech stack 的選型理由、上次踩過的坑、現在進行到哪裡。這些東西塞進 prompt 又貴又浪費，不塞又會讓 Claude 亂猜。短期 task 還好，如果是跑了兩三個月的專案，這個問題會讓你每次開工前都花個十到十五分鐘在「對齊脈絡」上。

Recall 想解決的就是這個問題。它是個開源工具，在本地端幫 Claude Code 建立和查詢專案記憶，完全 offline，不送資料到任何外部服務。目前 GitHub 上有 323 顆星（來源：GitHub repo raiyanyahya/recall），屬於小而美的早期工具。

這篇文章的角度是：這個工具解決的痛點是否真實存在？local memory 對 AI coding 工作流有什麼實際影響？tech 架構怎麼設計的？值不值得接進你的 workflow？

---

痛點確認：Claude Code 的失憶問題有多嚴重

在評估工具之前，先確認問題本身是否值得解決。

Claude Code 是 Anthropic 出的 terminal-based coding assistant，走 subscription 模式。它的核心限制和所有 LLM 一樣 — context window 是有限的，而且每個 session 都是冷啟動，沒有跨 session 的持久記憶。

這在短期 task 上幾乎感覺不到問題：「幫我寫一個 debounce function」、「這段 TypeScript 的型別怎麼改」。但當你的專案有以下情況，問題就會浮現：

• 專案跑超過一個月：有大量歷史決策和設計理由需要記住
• 多人協作或換手開發：每次交接都得重新 brief AI
• 特殊的 tech stack 選型：比如你用了某個非主流的 state management library，還有一堆客製化的 convention
• 反覆出現同樣問題：AI 上次幫你解的坑，這次又重新踩

更直接的問題是 token 成本。如果你每次 session 開頭都塞一大段 context 說明，這部分是純粹的 overhead — 它不是在解決問題，而是在重建 AI 的記憶。以一個中型專案估計，context 前置說明可能佔掉每次 session 10-20% 的 token 消耗，算起來不便宜（目前沒有公開的精確統計數字，屬於使用者自行估算的範圍）。

所以痛點是真實的。問題是 Recall 的解法夠不夠好。

---

Recall 的架構拆解

Recall 的設計哲學很單純：完全本地、不依賴外部 AI、用 classical summarization 而非 LLM 做記憶壓縮。

這個選擇很有趣，值得多說一點。

大部分人第一個直覺是「用 LLM 做 summarization 不是更聰明嗎？」Recall 的答案是：可以，但沒必要，而且有副作用。用 LLM 做 summarization 意味著你需要 API key、需要把資料送出去、有隱私風險、還有額外費用。對於「記住我的專案脈絡」這個需求，classical Python summarizer 的效果已經夠用，而且快、免費、離線。

這是一個務實的 trade-off。

核心組件

根據 repo 結構，Recall 由幾個主要部分組成：

Session logging（.claude-plugin/）
每次 Claude Code session 的內容會被記錄下來，存在本地端。這是記憶的原始材料。

Summarization pipeline（scripts/）
用 classical Python summarization 把 session log 濃縮成「resume-ready summary」。不是 LLM，是傳統的文字摘要演算法 — 想像成自動把你的 session log 做 TL;DR。

Commands 和 Hooks（commands/、hooks/）
跟 Claude Code 的整合介面。讓你可以在 session 開始時自動 inject 記憶摘要，或手動 query 過去的 context。

Config（recall.config.json）
基本設定檔，控制記憶的保留策略、摘要頻率等。

整體架構其實不複雜，它沒有做向量資料庫、沒有做 embedding、沒有做 semantic search。這個決定讓它更輕量，但也有明顯的限制：你沒辦法做「找出上次我提到 authentication 相關的所有決策」這種語意查詢。

---

安裝與設定

環境前提：Python 3.x、Claude Code 已安裝、Git。

Recall 走 Python 套件，pyproject.toml 顯示它是標準的 Python project 結構。安裝流程：

# clone repo
git clone https://github.com/raiyanyahya/recall.git
cd recall

# 安裝（建議用 virtual environment）
python -m venv .venv
source .venv/bin/activate
pip install -e .

設定部分在 recall.config.json，結構大概長這樣（根據 repo 推斷，實際欄位依版本而定）：

{
  "project_name": "your-project",
  "session_log_dir": ".recall/sessions",
  "summary_output": ".recall/summary.md",
  "max_sessions_to_keep": 20
}

然後把 hook 掛進 Claude Code：Recall 提供的 hooks/ 裡有對應的 hook script，讓 Claude Code 在 session 開始時自動讀取記憶摘要。

這裡有一個地方要注意：.recall/ 這個目錄要加進 .gitignore，不然你的 session log 和個人工作脈絡就會進 repo，這通常不是你想要的。

echo ".recall/" >> .gitignore

---

實際工作流

設定完成之後的工作流很單純：

正常開工
開一個新的 Claude Code session，Recall 的 hook 自動把最近的 project summary inject 進去。Claude 在 session 開始時就知道這個專案在做什麼、上次做到哪、有什麼重要的設計決策。

Session 結束
Recall 把這次 session 的 log 存起來，並且重新跑一次 summarization，把新的內容 merge 進 project memory。

手動 query
用 commands/ 裡的指令手動查詢特定記憶，比如「上次我們怎麼解決 CORS 問題的？」

一開始我以為 hook 整合會是最麻煩的部分，但實際上 Claude Code 的 plugin 機制相對簡單，Recall 的 .claude-plugin/ 目錄就是按照這個機制設計的。比較容易搞錯的是 session log 的路徑設定，如果你的專案有多個子目錄，要確認 config 裡的路徑是相對於 project root 還是 cwd。

---

效果評估

Token 節省

這是最直接的效益。如果你原本每次 session 開頭要貼 2000 tokens 的 context 說明，用 Recall 之後這個數字可以降到 Recall summary 的大小 — 通常是幾百 tokens 的精煉版本。

節省幅度取決於你的使用方式，目前沒有 Recall 官方的 benchmark 數字。repo 裡有 benchmarks/ 目錄，但公開文件沒有詳細的效能數據。保守估計對於長期專案每次 session 可以省 30-60% 的 context overhead，但這個數字高度依賴個人使用習慣（來源：個人估算，無官方數據）。

隱私

這是 Recall 最強的賣點之一。它有獨立的 PRIVACY.md 文件，強調所有資料都在本地端，不送任何東西到外部服務。對於在做 NDA 專案或有敏感商業邏輯的人來說，這個設計是個實質的優點。

相比之下，如果你用的是雲端的記憶服務（比如某些 AI coding tool 的「project context」功能），你的程式碼脈絡和設計決策是送出去的。

速度

因為 summarization 是 classical Python，不用等 LLM API，速度很快。session 結束後的 log 處理幾乎是即時的。

---

跟其他解法比較

這類問題不只有 Recall 在解。來看看現有的方式：

手動 CLAUDE.md
Anthropic 自己有文件建議在 project root 放 CLAUDE.md，把重要的專案資訊寫在裡面讓 Claude 讀取。這是最簡單的方式，但完全手動 — 你得自己維護、自己更新。對於快速迭代的專案，這個檔案很快就會 stale。

/memory 指令
Claude Code 有內建的 /memory 功能，可以讓 Claude 記住一些事情。但這個是 per-instance 的，跨 session 的持久性有限，而且也是需要手動觸發。

Cursor 的 Rules
如果你用 Cursor 而不是 Claude Code，Cursor 有 .cursor/rules 機制，效果類似 CLAUDE.md 但整合更深。同樣是靜態設定，不會自動從 session 中學習。

Mem0、Zep 等記憶服務
雲端解法，有向量資料庫、semantic search，功能更強。但要送資料出去，有隱私疑慮，而且通常有額外費用。

Recall 的定位是：比手動 CLAUDE.md 更自動化，比雲端記憶服務更私密，功能上介於兩者之間。它是個「夠用且不複雜」的解法，不是功能最強的解法。

---

這個工具在目前 meta 裡的位置

323 顆星、18 個 commits、1 個 open issue — 這個 repo 的規模說明它還是個非常早期的個人/小團隊專案。它不是 Anthropic 官方出的，也不是有資金支撐的商業產品。

目前 AI coding assistant 的記憶問題是整個行業都在摸索的方向。Anthropic 最近幾個版本的 Claude Code 也一直在改善 context 管理，長期來看這類 local memory 工具的需求可能會被 AI coding tool 本身的功能吃掉。

但那是長期。短期內，如果你現在就在用 Claude Code 做長期專案，這個問題是實際存在的，Recall 是個 pragmatic 的解法。

從投資角度看，Recall 本身是 MIT license 的開源工具，沒有商業化的跡象。這類工具很難獨立成為商業產品，更可能的路徑是被整合進更大的 AI dev tools ecosystem，或者直接被 Anthropic 的官方功能取代。現在用它是免費的，但賭它長期存在是有風險的。

---

結論

痛點真實，解法務實，隱私設計加分。

如果你是用 Claude Code subscription 做長期專案、在意資料隱私、不想為了記憶功能付額外的 API 費用，Recall 值得花一個小時設定看看。它不複雜，worst case 就是你花了一小時發現它不適合你的 workflow。

如果你的專案是短期 task 或你已經有完善的 CLAUDE.md 在維護，老實說不太需要引入這個額外的 dependency。

工具夠簡單，風險不高，試試無妨。

延伸閱讀

• Anthropic 工程師親自示範 Claude Cowork — 大公司如何用自家 AI 寫程式
• 為什麼用 HTML 跟 Claude Code 溝通效果最好？老技術的新價值
• 別讓 AI 費用失控 — 用 Clawdmeter 監控你的 Claude 使用量