Claude Code に Supermemory を追加しました。驚異的なパワーアップを遂げています…

本日、Claude Code 向け Supermemory プラグインをリリースします！

TLDR: Claude Code で Supermemory が使えるようになりました。
https://github.com/supermemoryai/claude-supermemory

Claude Code は、私の働き方を本当に変えました。でも、ひとつだけ頭を悩ませることがあります...毎日、同じことを Claude Code に説明しなければならないんです。コーディングスタイルや好みを繰り返し伝える必要があります。

「ユーザーサービスは Postgres に接続していて、MySQL ではないよ。」

「あの関数はリファクタリングしないで。見た目は汚いけど、そうなっている理由があるんだ。」

Claude は素晴らしいコードを書きます。でも、セッションを閉じると、すべてを忘れてしまいます。

次の日？また同じことの繰り返しです。私たちは、巨大な CLAUDE.md ファイル、毎回のプロンプトの先頭にコンテキストをコピペする、エージェントが見ている気がしない「メモリ」ドキュメントを管理するなど、さまざまな回避策を講じてきました。

clawd bot プラグインと opencode プラグインでの成功を受けて、私たちはこの問題に取り組む絶好の立場にいることを確信しました。

そこで、私たちは何かを構築しました。

Supermemory では、しばらく前から AI エージェント向けのメモリ基盤に取り組んできました。私たちは何万もの AI アプリケーションにメモリを提供しています。そして、開発者から同じ声を聞き続けていました。「コーディングエージェントが本当に物事を覚えてくれたらいいのに。」

本日、Claude Code 向け Supermemory プラグインをリリースします。

アイデアはシンプルです。Claude Code はあなたのことを知るべきです。今回のセッションだけでなく、ずっとです。あなたのコードベース、好み、チームの決定、そしてあなたが使うすべてのツールからのコンテキストを知るべきなのです。

実際にどのように機能するか、ご紹介します。

中断したところを覚えている

Supermemory のユーザープロファイルを利用して、あなたのプロファイルを作成します。これには、あなたに関するエピソード的なコンテンツと「静的な」情報の両方が含まれます。Claude は、今週のあなたの目標がコスト削減と別の Postgres プロバイダーへの移行であることを認識します。

あなたのスタイルを学習する

他の人と同じような凡庸なコードを書く代わりに、使いながら学習します。「useEffect をもっと減らして！」などです。https://x.com/DhravyaShah/status/2016027476787679598?s=20

Claude Code は、前回エラーをどのように修正したかを正確に覚え、この知識が蓄積されることで、あなたのユースケースに合わせて本当にカスタマイズされたエージェントへと、ゆっくりと進化していきます。

あなたのことを知っている

あなたが創業者なのか、大学生なのか、システムエンジニアなのかを認識し、それに応じたツールやプラクティスを提案します。Claude Code はあなたの要件、スタイル、センスを学習します。なぜなら、センスこそが優れたエンジニアリングと悪いエンジニアリングを分ける最大の要素だからです。

text

1開発者：「このエンドポイントにレート制限を追加する必要があります」
2エージェント：「先月 payments-api で実装したレート制限（Redis を使用したスライディングウィンドウ方式）と、
3express-rate-limit ミドルウェアに対するあなたの好みに基づいて、
4既存のパターンに合致するアプローチをご提案します...」

これを実現する技術的な要素は、私たちが「ハイブリッドメモリ」と呼ぶものです。

AI 向けの「メモリ」ソリューションのほとんどは、単なる RAG（類似ドキュメントを取得してコンテキストに詰め込む）です。これはナレッジベースには有効ですが、メモリとしては機能しません。

メモリとは、単に「類似したものを探す」ことではありません。「あの認証バグ」と言ったときに、3日間デバッグしている特定の問題を意味すると理解することです。あなたの好みが変化したこと（以前はクラスが好きだったが、今は関数を好む）を認識することです。ある決定がなされ、再検討され、変更されたことを追跡することです。

私たちは、実際に事実を抽出し、時間の経過とともにそれらがどのように変化するかを追跡し、常に最新のあなたのプロファイルを構築し、適切なタイミングで適切なコンテキストを取得するシステムを構築しました。単なる類似コンテキストではなく、関連するコンテキストです。

これに使用しているベンチマーク（LongMemEval）では、81.6% のスコアを達成しています。比較として、ほとんどの RAG システムはメモリ固有のタスクで 40～60% の範囲のスコアです。