私はローカルAIコーディングワークフローを多くの実験を通じて試してきましたが、同じ問題に直面し続けました:

大きなコンテキストモデルでも、リポジトリは文脈ウィンドウよりはるかに大きいのです。

いくつかのプロンプトの後、モデルは忘れてしまいます:

• アーキテクチャの意思決定
• モジュール間の関係
• コードベースの以前の探索
• 設計ノートや推論

だから同じことを何度も説明することになります。

それを解決するためにMementoを作りました。

それが何か

Mementoは、リポジトリについてAIエージェントに耐久性のある記憶を提供するローカルファーストのMCPサーバーです。

大きな文脈を繰り返しプロンプトに注入する代わりに、モデルは MCPを介してリポジトリメモリ層を照会することができます。

これに詳しくない人のために、MCP (Model Context Protocol)は、AIアプリケーションを外部ツールとデータソースに接続するためのオープンな標準です。

https://modelcontextprotocol.io

これにより、エージェントは必要なときにだけ文脈を取得し、プロンプトを膨らませるのを避けることができます。

Mementoが保存するもの

サーバーはリポジトリについての高信号の構造化知識を構築・維持します。例えば:

• インデックス化されたリポジトリ構造
• モジュール間の意味的関係
• 検索可能な文脈ノート
• アーキテクチャの要約
• 永続的な設計判断

目的は、文脈ウィンドウを燃やさずに、関連する文脈へ迅速にアクセスすることです。

設計思想

最適化の点として試したもの:

ローカルファースト

すべてはあなたのマシン上に留まります。

決定論的＋LLMワークフローのハイブリッド

可能な限りものごとを予測可能で元に戻せるようにします。

高信号の記憶

プロジェクトを推論するのに実際に役立つ情報に焦点を当てます。

セッションを跨る耐久性

エージェントは毎回ゼロから始まることはありません。

なぜこれが役立つのか

実際の運用では、次のような点が改善されます:

• 大規模リポジトリのナビゲーション
• 複数ファイルの推論
• アーキテクチャの理解
• 段階的なリファクタリング
• 繰り返しの説明を避ける

それはAIアシスタントを f