1. 项目概述为你的AI编程伙伴构建“第二大脑”如果你和我一样深度依赖Claude Code这类AI编程助手那你肯定遇到过这样的场景上周明明解决过一个棘手的身份验证Bug但今天遇到类似问题时却怎么也想不起当时的具体步骤和关键代码。或者你发现Claude Code在某些项目上表现特别出色但在另一些项目里却总是“卡壳”但你又说不出具体是哪些模式或工具用得好或不好。这就是Code Agent Insights要解决的问题。它不是一个简单的日志工具而是一个专为AI编程助手设计的本地优先的“可观测性”与“记忆”系统。你可以把它理解为你和AI结对编程时的“第二大脑”或“飞行数据记录仪”。它默默地记录下每一次编程会话Session的完整轨迹——你问了什么AI回答了什么调用了哪些工具遇到了哪些错误最终产出了什么代码——然后将这些海量的、非结构化的对话数据转化为可搜索、可分析、可学习的结构化知识。想象一下你不再需要手动翻阅成百上千行的对话历史而是可以通过自然语言搜索“上个月我是怎么修复那个OAuth 2.0流程的”系统不仅能找到相关的会话还能通过AI总结告诉你那次修复的核心步骤和决策点。更进一步它能分析出你在处理“数据库迁移”类任务时使用“计划模式”Plan Mode的成功率比直接提问高出40%从而给你提供数据驱动的优化建议。这个项目的核心价值在于将经验数据化。它把原本存在于你脑海中和零散对话里的隐性经验变成了存储在本地SQLite数据库里的显性知识。这对于长期项目维护、团队知识沉淀乃至单纯提升个人与AI协作的效率都有着巨大的意义。2. 核心架构与设计哲学为什么是“本地优先”在深入实操之前理解Code Agent Insights的设计哲学至关重要这决定了它的使用边界和优势。整个系统建立在几个核心原则之上这些原则直接回应了开发者对隐私、性能和可控性的深层需求。2.1 “本地优先”原则的深层考量项目将数据存储在你的~/.code-agent-insights/目录下所有处理除可选的AI总结和提取外都在本地完成。这不仅仅是隐私问题更是性能和体验的保障。隐私与安全你的编程对话可能包含API密钥片段、内部业务逻辑、未公开的算法思路甚至是公司内部的代码库路径。将这些数据无条件上传到第三方服务进行“分析”或“洞察”对许多开发者和企业来说是不可接受的风险。本地处理从根本上杜绝了数据泄露的可能。离线可用性核心的索引、搜索、统计功能完全不依赖网络。即使在没有网络的环境下比如在飞机上编码你依然可以查询过去的会话、回顾学习要点。只有当你主动启用“AI总结”或“学习提取”功能并配置了合法的Anthropic API密钥时系统才会向云端发送数据。性能与延迟所有查询都在本地SQLite数据库上执行响应速度是毫秒级的。尤其是全文搜索FTS5和复杂的关联查询如会话-提交关联如果走网络API延迟和不确定性会严重破坏工具的使用体验。本地化确保了操作的即时性。2.2 模块化与语言选型TypeScript Python的黄金组合项目的架构清晰地分成了几个包这种设计体现了功能分离的思想packages/ ├── core/ # TypeScript - 核心类型定义、数据存储、会话解析器 ├── cli/ # TypeScript - 命令行交互界面 ├── mcp-server/ # TypeScript - 实现与Claude Code实时集成的MCP服务器 └── extractor/ # Python - 负责AI相关的嵌入向量生成和LLM学习提取为什么用TypeScript写核心逻辑Node.js生态特别是better-sqlite3库提供了与SQLite数据库交互的极高性能。对于处理大量JSON格式的会话日志文件、执行复杂的SQL查询、构建稳定的CLI工具TypeScript/Node.js在开发效率、类型安全和执行速度上取得了很好的平衡。commander.js框架也让构建功能丰富的CLI变得非常顺畅。为什么用Python做Extractor当任务涉及到自然语言理解和生成时Python的AI生态如sentence-transformers,anthropicSDK目前仍然是最成熟、最易用的。将这部分功能独立成Python包既可以利用其生态优势也避免了用Node.js重写轮子或绑定特定C库的复杂性。这种混合架构在实践中很常见关键是要设计好清晰的接口比如通过子进程调用或定义好数据交换格式。2.3 数据流设计从原始日志到结构化洞察理解数据如何流动能帮助你在出现问题时进行排查数据采集Claude Code在~/.claude/目录下以JSONL格式记录每一次会话。Code Agent Insights的解析器core包会读取这些文件。解析与存储解析器会处理每一行JSON识别出会话元数据时间、ID、模型、消息轮次turns、工具调用tool_calls、错误信息等并将其结构化后存入SQLite的各个表中sessions,events,tool_calls,errors。增强处理可选如果配置了API密钥Python提取器会被调用。它做两件事一是为学习内容生成嵌入向量用于更智能的语义搜索二是调用Claude API从会话历史中自动提取出“学习要点”Learnings。服务与查询存储好的数据通过两个主要接口暴露CLI(cli包)用于主动的数据探索、分析和维护如cai search,cai stats。MCP Server(mcp-server包)作为一个后台服务集成到Claude Code中提供recall、remember等工具让你在编程会话中实时查询和保存记忆。这个流程的关键在于幂等性idempotency。无论你运行多少次cai index系统都能识别出哪些会话已经处理过避免重复工作和数据不一致。这是通过会话ID和精细的状态跟踪来实现的。实操心得理解“会话”的边界一个常见的困惑点是什么算一次“会话”在Claude Code中通常一次连续的对话从打开聊天窗口到关闭或重置被视为一个会话。Code Agent Insights正是基于这个逻辑来划分数据的。这意味着如果你在一个会话中讨论了多个完全不相关的问题它们会被混在一起。因此养成“一个会话聚焦一个任务”的习惯能让后续的搜索和分析更精准。3. 从零开始部署与深度配置指南现在让我们抛开理论一步步把它装到你的机器上并配置成最顺手的状态。由于项目还处于Early Beta从源码安装是当前唯一途径但这反而让我们能更清楚地看到它的每一部分。3.1 环境准备与源码编译首先确保你的系统满足基础要求Node.js 20这是硬性要求因为项目使用了较新的ES模块和API。用node --version检查。pnpm推荐使用pnpm管理这个monorepo项目它在处理本地包依赖时比npm更清晰。当然npm也可以但后续命令需要相应调整。Python 3.11如果你打算使用AI总结和学习提取功能这是必须的。python3 --version确认一下。Git用于克隆仓库。第一步获取源码并安装依赖# 克隆项目仓库 git clone https://github.com/numiadata/code-agent-insights.git cd code-agent-insights # 使用pnpm安装所有依赖包括core, cli, mcp-server等子包 pnpm install # 编译所有TypeScript包。这一步很关键会把src/下的代码编译成dist/。 pnpm build如果pnpm build报错通常是因为TypeScript类型问题或者某个依赖缺失。可以尝试先单独编译core包cd packages/core pnpm build看具体错误信息。第二步全局链接CLI工具为了让cai命令在终端任何地方都能用我们需要进入CLI包目录并进行全局链接。cd packages/cli pnpm link --global执行成功后运行cai --version应该能看到版本号输出如0.3.5。如果提示“command not found”可能是你的全局node_modules目录不在PATH环境变量中。对于pnpm通常需要确保~/.local/share/pnpm/global/5/node_modules/.bin在PATH里。你也可以用npm install -g ./packages/cli的方式安装但pnpm link是开发时更干净的方式。第三步可选安装Python提取器如果你确定要使用AI功能需要安装Python包。cd packages/extractor # 推荐使用虚拟环境 python3 -m venv venv source venv/bin/activate # Linux/macOS # venv\Scripts\activate # Windows pip install -e .-e参数代表“可编辑模式”这样你修改extractor包里的Python代码时不需要重新安装。3.2 核心配置API密钥与自动化钩子安装完成只是第一步让工具变得“聪明”起来还需要关键配置。配置Anthropic API密钥AI总结和学习提取是项目的亮点功能但它们需要调用Claude API。这会产生费用但通常用量不大成本可控。访问 Anthropic Console 创建一个API密钥Key。将密钥设置为环境变量。最持久的方法是添加到你的shell配置文件~/.bashrc,~/.zshrc或~/.bash_profile中export ANTHROPIC_API_KEYsk-ant-你的实际密钥让配置生效source ~/.zshrc或你用的shell配置文件。重要检查前往 Anthropic Billing 页面确保账户里有余额或已设置付款方式。没有额度的API密钥调用会失败。安装会话钩子实现全自动化这是提升体验最关键的一步。钩子Hook会在每次Claude Code会话结束后自动触发执行索引、总结等操作让你完全无需手动干预。cai hooks install这个命令做了几件重要的事在~/.claude/hooks/目录下创建了一个post-session.sh脚本。自动修改Claude Code的配置文件~/.claude/settings.json添加正确的钩子定义指向这个脚本。确保钩子拥有可执行权限。安装后务必重启Claude Code以使新的钩子配置生效。之后每次你结束一个Claude Code会话都可以在终端用cai hooks logs -f实时查看钩子的执行日志确认自动化流程是否正常。避坑指南钩子不工作的常见原因Claude Code版本确保你的Claude Code是最新版本旧版本可能不支持SessionEnd钩子。配置文件格式错误运行cai hooks status检查。如果状态异常可以手动检查~/.claude/settings.json。正确的格式应该是包含hooks: { SessionEnd: [...] }的结构。早期版本v0.3.5前的钩子安装脚本可能写入了错误的格式如postSession重新运行cai hooks install可以修复。脚本权限问题确保~/.claude/hooks/post-session.sh有执行权限chmod x ~/.claude/hooks/post-session.sh。环境变量缺失钩子脚本是在Claude Code的环境下运行的可能读不到你终端里设置的ANTHROPIC_API_KEY。一个可靠的方法是在post-session.sh脚本的开头直接写入API密钥虽然安全性稍差或者确保Claude Code是从一个已经设置了该环境变量的终端启动的。3.3 初始化与首次数据导入配置好后就可以导入你的历史会话数据了。首次索引# 这将扫描 ~/.claude/ 目录解析所有能找到的会话文件并导入数据库。 cai index首次运行可能会花点时间取决于你的会话历史有多少。你可以通过cai stats查看导入的会话数量、消息轮次等统计信息。为历史会话生成AI总结和提取学习要点如果你已经配置了API密钥并且希望为过去的会话也添加上下文可以运行# 为所有尚未总结的会话生成AI总结谨慎使用可能消耗大量API调用 cai summarize --all # 从所有会话中提取学习要点 cai extract --all对于历史会话较多的用户我建议先用--dry-run预览或者用--limit 10先处理一小部分看看效果和成本。项目级初始化如果你在一个特定的代码仓库中工作可以运行cai init。这会在当前目录创建或更新CLAUDE.md文件并添加一个“Conventions”部分用于存放通过cai sync同步过来的项目专属学习要点。这相当于为你的项目建立了一个由AI辅助生成的、持续更新的“最佳实践”文档。至此你的Code Agent Insights系统已经部署完毕并开始了自动化的数据收集。接下来我们看看如何真正利用这些数据。4. 日常使用CLI与MCP工具的实战技巧工具装好了数据也在不断积累怎么用它来提升效率呢我们从两个维度来用主动分析的CLI和沉浸式编码的MCP工具。4.1 CLI命令深度使用场景CLI是你进行数据探索、深度分析和系统维护的控制台。场景一精准搜索找回记忆cai search是你的主要检索入口。但别只用基础关键词。# 基础搜索找所有关于“认证”的会话和学习点 cai search authentication # 组合过滤找最近一周在特定项目中关于“错误处理”的内容并让AI总结一下这些发现 cai search error handling -p ./my-auth-project --since 7d --summarize # 搜索特定错误信息直接粘贴错误日志片段 cai search TypeError: Cannot read properties of undefined--summarize标志非常有用当你搜索出一个很长的结果列表时它可以调用Claude API对所有这些相关内容做一个概括性总结告诉你关于这个主题你过去都做了哪些关键事情。场景二量化分析优化工作流cai stats及其衍生命令帮你从宏观和微观理解你的编程习惯。cai stats --skills看看你或AI最常使用哪些自定义技能Skills。是不是有些技能几乎没用可以考虑优化或删除。cai stats --modes对比“计划模式”Plan Mode和普通对话模式的成功率、平均对话轮次。数据会告诉你对于复杂任务提前规划是否真的更高效。cai effectiveness --category tools分析具体工具如search_webexecute_command的使用效果。哪个工具最容易导致后续错误哪个工具解决问题的效率最高cai report生成一个完整的周期报告默认最近7天非常适合每周复盘。看看这周解决了多少错误生成了多少代码主要用了哪些功能。场景三知识维护与同步学习要点Learnings是系统的核心资产需要打理。# 定期回顾并清理学习要点。我习惯每周做一次。 cai review --limit 50 # 在review界面你可以 # - (k)eep: 保留 # - (d)elete: 删除比如过时或无效的 # - (e)dit: 编辑让表述更精准 # - (s)kip: 跳过 # - (q)uit: 退出 # 将高置信度的、项目相关的学习要点同步到项目的CLAUDE.md文件中 cai sync -p ./my-project --min-confidence 0.8 --reviewed-onlycai sync是一个强大的功能。它会把数据库中的学习要点智能地合并到项目根目录的CLAUDE.md文件里。这样任何克隆这个项目的人或者未来的你都能立刻看到这个项目积累下来的“部落知识”。--min-confidence和--reviewed-only参数确保了同步进去的都是高质量内容。4.2 MCP工具在编码流中无缝调用记忆MCPModel Context Protocol工具的魅力在于你不需要离开Claude Code的聊天界面。当你在写代码遇到问题时可以直接唤起记忆。核心MCP工具详解安装并配置好MCP服务器后通过cai setup-mcp你会在Claude Code的工具列表里看到几个新工具recall(回忆)这是最常用的。在聊天框里你可以直接让Claude Code“回忆”过去的相关经验。使用场景“我们之前是怎么处理这个API的速率限制的” - Claude Code调用recall工具搜索历史会话和学习要点将找到的相关信息作为上下文提供给你。技巧问题问得越具体召回的结果越精准。与其问“怎么用React”不如问“上次我们是怎么在React项目里配置svg导入的”。remember(记住)当你在一次会话中解决了一个有价值的问题或总结出一个新技巧时立即保存它。使用场景经过一番折腾终于搞定了Docker多阶段构建的某个缓存优化。你可以说“记住在这个项目中构建Docker镜像时在COPY命令前添加--link参数可以更好地利用缓存。” 这条记录会被立即保存到学习要点数据库并可以同步到CLAUDE.md。similar_errors(相似错误)专为调试设计。粘贴当前的错误信息寻找历史上是否出现过以及是如何解决的。使用场景运行测试时爆出一堆EACCES权限错误。调用此工具它可能会告诉你“过去3次类似的权限错误有2次是通过运行sudo chown -R $(whoami) node_modules解决的。”file_history(文件历史)查看某个特定文件被哪些会话修改或讨论过。使用场景对一个复杂的utils/helpers.js文件感到困惑想知道某段逻辑当初为什么这样写。查询该文件的历史可以看到所有涉及它的会话总结了解当时的决策背景。session_search(会话搜索)功能更强大的会话检索可以按日期、结果成功/失败等过滤。使用场景“找出上个月所有最终失败的、关于数据库迁移的会话。” 这能帮你集中分析失败案例的模式。实操心得让MCP工具发挥最大效用的关键MCP工具的强大建立在高质量的数据上。这就是为什么安装会话钩子如此重要。只有钩子自动运行了cai index和cai summarize你的新会话才会被及时索引和总结recall和session_search才能找到最新、最相关的内容。同时养成使用remember工具的习惯主动沉淀那些“啊哈”时刻的洞察这是在构建属于你自己的、活的编程知识库。5. 高级功能解析与定制化当你熟悉了基础操作后可以探索一些高级功能来满足特定需求。5.1 会话与Git提交的智能关联cai correlate命令是一个隐藏的宝藏。它尝试将Claude Code的编程会话与你Git仓库中的提交commit关联起来。# 在当前项目目录下运行分析过去30天的数据 cai correlate --insights它是如何工作的系统会对比会话的时间窗口和该时间段内的Git提交分析代码变更的内容与会话中讨论的主题的相似度计算出一个“置信度”分数。--insights参数会输出详细分析比如“在置信度0.7的关联中有85%的会话在结束后产生了有效的代码提交。” 这为你量化AI编程助手的实际产出提供了有力证据。5.2 基于YAML的深度配置所有自动化行为都可以通过~/.code-agent-insights/config.yaml文件进行微调。运行cai config edit可以直接在编辑器中打开它。summarization: autoSummarize: true # 是否在钩子中自动总结新会话 model: claude-3-haiku-20240307 # 使用的模型Haiku速度快成本低 maxTokens: 1000 # 总结的最大token数 sync: autoSync: false # 是否在钩子中自动同步到CLAUDE.md我建议手动更可控 minConfidence: 0.7 # 同步学习要点的最低置信度 scope: project # 同步范围global所有或 project仅当前项目 hooks: enabled: true # 总开关 indexWindow: 6h # 钩子运行时索引多久之前的会话防止时区或时钟偏差漏掉你可以根据你的API预算和偏好来调整。例如如果你担心成本可以把autoSummarize设为false然后每周手动运行一次cai summarize --since 7d。如果你非常看重数据可以把indexWindow调大一些。5.3 处理大规模数据与性能调优随着时间推移数据库里可能会有成千上万个会话。这时一些操作可能会变慢。搜索优化cai search默认使用SQLite的FTS5全文搜索索引对于文本搜索效率很高。但如果加上复杂的过滤条件如多个项目、时间范围在数据量极大时可能变慢。可以考虑定期使用cai index --since 30d只索引最近的数据或者将更早的数据归档。数据库维护SQLite数据库可能会产生碎片。可以偶尔比如每月在备份后于数据库文件所在目录 (~/.code-agent-insights) 执行sqlite3 insights.db VACUUM;来优化数据库文件大小和性能。嵌入向量数据库如果你大量使用Python提取器生成嵌入向量embeddings.db文件可能会增长很快。目前项目没有提供自动清理旧向量的功能如果需要可以手动管理。6. 故障排除与常见问题实录即使设计得再完善在实际操作中总会遇到一些“坑”。这里记录了我遇到的一些典型问题及其解决方法。问题1运行cai index或cai hooks logs时提示“没有找到会话”或“钩子未执行”。检查点1Claude Code数据路径。确认你的Claude Code会话确实保存在默认的~/.claude/目录。有些自定义安装或特定版本可能路径不同。可以查看Claude Code的设置。检查点2会话文件格式。用ls -la ~/.claude/*.jsonl看看有没有文件。确保文件不是空的。Code Agent Insights支持JSONL每行一个JSON对象和单个JSON数组格式。检查点3钩子脚本日志。直接运行~/.claude/hooks/post-session.sh看终端输出什么错误信息。最常见的是环境变量如ANTHROPIC_API_KEY在钩子执行环境中未定义。问题2AI总结或学习提取功能报错“API错误”或“无响应”。检查点1API密钥和额度。运行echo $ANTHROPIC_API_KEY确认密钥已设置且正确。务必去Anthropic控制台确认账户有可用额度。检查点2网络问题。如果你在使用代理需要确保终端或Claude Code能通过代理访问API。可以尝试用curl命令测试API连通性。检查点3模型可用性。在config.yaml中检查你指定的模型如claude-3-haiku-20240307是否在你的API账户中可用。尝试换成claude-3-sonnet或claude-3-opus更贵测试。检查点4会话内容过长。极长的会话可能导致API调用超时或token超限。目前工具可能没有完美的分块处理机制。对于超长会话AI总结可能会失败。问题3cai sync命令报告“没有找到CLAUDE.md文件”或合并冲突。检查点1项目初始化。确保在目标项目目录下运行过cai init。这个命令会创建或更新CLAUDE.md并添加一个特定的!-- CODE-AGENT-INSIGHTS-LEARNINGS --注释标记工具会在这个标记下方插入学习要点。检查点2手动修改冲突。如果CLAUDE.md中标记区域以外的内容被手动修改过并且与工具要插入的内容在git合并时产生冲突cai sync可能会失败。此时需要手动解决冲突。建议的协作规范是只在该标记区域之外编辑项目文档标记区域内的内容交给工具自动管理。问题4搜索结果的准确性不高总是搜到不相关的内容。优化策略1使用更具体的关键词。避免“错误”、“函数”这种泛泛之词。使用具体的错误信息、函数名、库名、业务术语。优化策略2利用过滤参数。-p(项目路径)、--since(时间范围) 能极大缩小搜索范围。优化策略3检查学习要点的质量。运行cai review看看自动提取的学习要点是否准确。不准确或模糊的学习要点可以删除或编辑。高质量的手动添加的学习要点通过cai learn或 MCP的remember对搜索提升最大。根本原因全文搜索基于关键词匹配和简单的相关性排序。对于高度语义化的查询未来如果嵌入向量搜索功能更完善效果会更好。目前保证输入数据的质量即清晰的会话和精准的学习要点是提升搜索效果的最佳途径。这个项目目前处于早期测试阶段你可能会遇到bug或功能缺失。当遇到问题时查看详细的日志 (cai hooks logs -n 50)、在GitHub仓库的Issues里搜索或者提交一份包含清晰步骤和错误信息的Issue都是推动项目完善的好方法。毕竟作为一款旨在从经验中学习的工具它自身的开发也需要来自用户真实场景的反馈和学习。