Dicklesworthstone/cass_memory_system

Procedural memory for AI coding agents: transforms scattered session history into persistent, cross-agent memory so every agent learns from every other

What it solves

AI 코딩 에이전트(Claude Code, Cursor, Aider 등)는 세션이 종료되면 모든 컨텍스트를 잃고, 하나의 도구에서 얻은 지식이 다른 도구와 공유되지 않습니다. cass-memory는 원시 세션 로그를 공유 가능한 실행 가능한 규칙 및 히스토리 컨텍스트 라이브러리로 변환하여 이러한 "지식 붕괴"를 방지합니다.

How it works

시스템은 정보를 처리하기 위해 3계층 인지 아키텍처를 사용합니다:

  1. Episodic Memory: 다양한 에이전트로부터 받은 원시 세션 로그를 사실대로 저장합니다.
  2. Working Memory: 이러한 로그를 구조화된 세션 요약(다이어리 엔트리)으로 정리합니다.
  3. Procedural Memory: 요약을 신뢰도 추적이 포함된 "플레이북" 규칙으로 정제합니다.

에이전트는 작업을 시작하기 전에 CLI 명령으로 이 시스템에 질의하여 관련 규칙, 안티패턴(과거 실패 기반 경고) 및 히스토리 스니펫을 받을 수 있습니다. 시스템은 신뢰도 감소 메커니즘도 제공하여, 규칙은 재검증되지 않는 한 시간이 지나면 유효성을 잃습니다. 또한 "안티패턴" 시스템을 통해 해로운 규칙을 자동으로 경고로 전환합니다.

Who it’s for

  • AI 에이전트: 작업 시작 전에 히스토리 컨텍스트와 검증된 전략을 획득.
  • 개발자: 서로 다른 AI 도구와 세션 간에 지속되는 조직 메모리를 구축.
  • 팀: 여러 팀원의 AI 어시스턴트 간에 패턴과 발견을 공유.

Highlights

  • Cross-Agent Learning: Claude Code, Cursor, Aider 등 여러 도구의 지식을 하나의 플레이북으로 통합.
  • Confidence Decay: 90일 반감기와 해로운 마크에 대한 페널티를 통해 오래된 규칙이 메모리를 오염하는 것을 방지.
  • Anti-Pattern Learning: 실패한 규칙을 자동으로 경고로 전환하여 미래 실수를 방지.
  • Scientific Validation: 제안된 규칙은 수락 전에 히스토리 세션 데이터를 통해 검증.
  • Agent-Native Onboarding: 외부 LLM API 비용 없이 AI 에이전트 자체가 히스토리 로그를 분석하고 규칙을 추출할 수 있음.