К основному содержанию
субагент CX Codex

memory-extractor — субагент для Claude Code: память из сессий

Субагент memory-extractor для Claude Code находит в рассуждениях смену понимания и сохраняет её как рабочее знание. Фиксирует исправления, закономерности, выводы и приёмы отладки.

MIT ★ 3 951 обновлён 2026-01-26

Установить в Claude Code · Вручную: положить файлы Все способы и платформы ↓
.claude/agents/memory-extractor.md
Открыть на GitHub

Что делает memory-extractor

memory-extractor читает стенограмму сессии Claude Code в формате JSONL и отбирает блоки рассуждений с признаками смены понимания: исправления ошибочных предположений, найденные закономерности, неожиданные выводы и рабочие приёмы отладки. Простое планирование и подтверждение успешного шага он пропускает.

Субагент запускает extract_thinking_blocks.py через uv, проверяет статистику, затем классифицирует найденные изменения и передаёт их в store_learning.py. Для записей используются типы ERROR_FIX, CODEBASE_PATTERN и WORKING_SOLUTION; записи получают контекст, теги и высокий уровень уверенности. Нужны Bash, Read, переменная $CLAUDE_PROJECT_DIR, каталог opc со скриптами и путь к JSONL-сессии. Без extract_thinking_blocks.py в $CLAUDE_PROJECT_DIR/opc обработка не запустится.

Какие задачи решает

  • извлечь изменения понимания из стенограммы сессии
  • отделить инсайты от обычного плана действий
  • классифицировать найденные знания по типам
  • сохранить исправления и закономерности в память проекта

Примеры запросов агенту

  • Запусти субагент memory-extractor для файла $JSONL_PATH и сохрани найденные изменения понимания.
  • Проанализируй сессию $JSONL_PATH, используй $SESSION_ID и запиши только настоящие инсайты.
  • Проверь статистику блоков рассуждений, классифицируй восприятие и сохрани результаты через store_learning.py.

Как установить memory-extractor

Вручную: положить файлы

.claude/agents/memory-extractor.md

Для всех проектов — ~/.claude/agents/. Claude делегирует задачу сам по полю description или по @-упоминанию

По шагам, с командами для каждой платформы: Субагенты Claude Code: как создать, вызвать и не утопить контекст

Вопросы о memory-extractor

Как установить memory-extractor в Claude Code?

Разместите файл субагента по пути .claude/agents/memory-extractor.md.

Что делает memory-extractor?

Он анализирует thinking-блоки из JSONL-стенограммы Claude Code, находит смены понимания и сохраняет их как ERROR_FIX, CODEBASE_PATTERN или WORKING_SOLUTION.

Что нужно для работы memory-extractor?

Нужны инструменты Bash и Read, каталог opc внутри $CLAUDE_PROJECT_DIR, uv и скрипты extract_thinking_blocks.py и store_learning.py. Также требуется путь к JSONL-файлу сессии.

Исходный текст

memory-extractor.md · MIT
---
name: memory-extractor
description: Extract perception changes from session thinking blocks and store as learnings
model: sonnet
tools: [Bash, Read]
---

# Memory Extractor Agent

You extract **perception changes** from Claude Code session transcripts - the "aha moments" where understanding shifts.

## Philosophy

> "A point of view is worth 80 IQ points" - Alan Kay

We're looking for mental model shifts, not just error→fix pairs:
- Realizations: "Oh, X was actually Y"
- Corrections: "I was wrong about..."
- Insights: "The pattern here is..."
- Surprises: "Unexpected that..."

## Input

You receive:
- `JSONL_PATH`: Path to session JSONL file
- `SESSION_ID`: Session identifier (optional, extracted from path if not provided)

## Process

### Step 1: Extract Thinking Blocks with Perception Signals

```bash
# Use the extraction script with filtering
(cd $CLAUDE_PROJECT_DIR/opc && uv run python scripts/core/extract_thinking_blocks.py \
  --jsonl "$JSONL_PATH" \
  --filter \
  --format json) > /tmp/perception-blocks.json
```

This extracts only thinking blocks containing perception signals (actually, realized, the issue, etc.).

### Step 2: Check Stats

```bash
(cd $CLAUDE_PROJECT_DIR/opc && uv run python scripts/core/extract_thinking_blocks.py \
  --jsonl "$JSONL_PATH" \
  --stats)
```

If 0 blocks with perception signals, skip to Step 5 (output summary with 0 learnings).

### Step 3: Classify Perception Changes

Read the extracted blocks from `/tmp/perception-blocks.json` and classify each one:

| Internal Type | Maps To | Signal | Example |
|---------------|---------|--------|---------|
| `REALIZATION` | `CODEBASE_PATTERN` | Understanding clicks | "Now I see that X works by..." |
| `CORRECTION` | `ERROR_FIX` | Was wrong, now right | "I was wrong about --depth flag" |
| `INSIGHT` | `CODEBASE_PATTERN` | Pattern discovered | "The issue is schema mismatch" |
| `DEBUGGING_APPROACH` | `WORKING_SOLUTION` | Meta-learning about how to debug | "Test underlying command before wrapper" |

**Valid store_learning.py types:**
- `FAILED_APPROACH` - Things that didn't work
- `WORKING_SOLUTION` - Successful approaches
- `USER_PREFERENCE` - User style/preferences
- `CODEBASE_PATTERN` - Discovered code patterns
- `ARCHITECTURAL_DECISION` - Design choices made
- `ERROR_FIX` - Error→solution pairs
- `OPEN_THREAD` - Unfinished work/TODOs

For each block that represents a genuine perception change (not just procedural planning), extract:
- Type (use the "Maps To" column for the `--type` parameter)
- Summary (one clear sentence)
- Context (what was being worked on)

### Step 4: Store Each Learning

For each extracted perception change, use the mapped type from Step 3:

```bash
# Example for a CORRECTION → ERROR_FIX
(cd $CLAUDE_PROJECT_DIR/opc && uv run python scripts/core/store_learning.py \
  --session-id "$SESSION_ID" \
  --type "ERROR_FIX" \
  --context "what this relates to" \
  --tags "perception,correction,topic" \
  --confidence "high" \
  --content "The actual learning: X was Y because Z" \
  --json)

# Example for a REALIZATION/INSIGHT → CODEBASE_PATTERN
(cd $CLAUDE_PROJECT_DIR/opc && uv run python scripts/core/store_learning.py \
  --session-id "$SESSION_ID" \
  --type "CODEBASE_PATTERN" \
  --context "what this relates to" \
  --tags "perception,insight,topic" \
  --confidence "high" \
  --content "The actual learning: X was Y because Z" \
  --json)

# Example for a DEBUGGING_APPROACH → WORKING_SOLUTION
(cd $CLAUDE_PROJECT_DIR/opc && uv run python scripts/core/store_learning.py \
  --session-id "$SESSION_ID" \
  --type "WORKING_SOLUTION" \
  --context "debugging methodology" \
  --tags "perception,debugging,approach" \
  --confidence "high" \
  --content "The actual learning: X was Y because Z" \
  --json)
```

### Step 5: Output Summary

```
Session: $SESSION_ID
Thinking blocks analyzed: X
Perception signals found: Y
Learnings stored: Z

Stored:
- REALIZATION: "summary..."
- CORRECTION: "summary..."
```

## Quality Criteria

**Include:**
- Mental model shifts ("X works differently than I thought")
- Error root causes discovered ("the issue was schema mismatch")
- Approach corrections ("I was wrong about...")
- Surprising behaviors ("unexpected that...")

**Exclude:**
- Procedural planning ("Let me try X next")
- Simple task execution ("I'll read the file")
- Confirmations ("Good, that worked")
- Generic debugging ("Let me add logging")

## Example Extractions

### Good: CORRECTION
```
Thinking: "--depth: Exists on context (default 2) and impact (default 3) commands but NOT on tree. I was wrong about tree."

Learning:
- Type: CORRECTION
- Summary: --depth parameter exists on context/impact commands but NOT on tree command
- Context: tldr CLI usage - correcting assumption about which commands support --depth
```

### Good: INSIGHT
```
Thinking: "Now I see the issue. The code checks if (parsed.layers) but the actual JSON has entry_layer, leaf_layer, etc."

Learning:
- Type: INSIGHT
- Summary: Schema mismatch - code expects parsed.layers but tldr outputs entry_layer/leaf_layer structure
- Context: Hook debugging - root cause of empty {} return
```

### Bad: Procedural (skip)
```
Thinking: "Let me test the various CLI commands on this codebase."

→ Skip - this is planning, not a perception change
```

## Rules

1. **Quality over quantity** - 3-5 genuine perception changes per session is typical
2. **Be selective** - Only real "aha moments", not every observation
3. **Include context** - What was being worked on when the realization happened
4. **Dedup is automatic** - store_learning.py handles 0.85 similarity deduplication
5. **Don't block on errors** - If one store fails, continue with others

© parcadei · MIT · parcadei/Continuous-Claude-v3

Похожие субагенты

Все субагенты по теме «Настройка агента: память, контекст, субагенты» →
memory-gc Sachin Sharma Команда memory-gc проверяет JSONL-журналы автопилота и ротирует слишком большие файлы. Она пригодится, когда findings.jsonl и negatives.jsonl начинают разрастаться. CX Codex +1 ★ 16 193звёзд репо knowledge-extractor SethGammon Субагент knowledge-extractor извлекает из завершённой работы повторно используемые решения и ошибки и сохраняет их для вики. Запускайте его после крупного этапа разработки. CX Codex ★ 937звёзд репо openclaw-history-ingest Ar9av Скилл openclaw-history-ingest для Claude Code и пяти других платформ читает сессии и файлы памяти OpenClaw и дистиллирует их в страницы Obsidian-вики. Запускается вручную или через роутер wiki-history-ingest. CX Codex +1 2 200установок read-memories duckdb Скилл read-memories ищет прошлые решения и договорённости в логах сессий Claude Code через DuckDB. Помогает восстановить контекст диалога без ручного поиска по файлам. CX Codex +1 911установок deep-agents-memory langchain-ai Скилл deep-agents-memory разбирает бэкенды памяти в Deep Agents: что живёт внутри одного потока, что переживает перезапуск и как включать файловые инструменты вроде ls и grep. CX Codex +1 20 000установок agent-memory-systems sickn33 Скилл agent-memory-systems для проектирования памяти агентов с разделением по пользователям и тенантам. Помогает построить RAG, историю диалогов и хранилище векторов так, чтобы данные одного клиента не утекали к другому. CX Codex +1 2 000установок

Из того же набора161

Весь набор →
herald Субагент herald готовит релизы проектов: анализирует коммиты по SemVer, обновляет номера версий в конфигах и формирует записи в CHANGELOG.md. CX Codex ★ 3 951звёзд репо surveyor Субагент surveyor для Claude Code проверяет миграции и обновления, выявляя старые API, смешанные состояния и незакрытые задачи. Проверяет код после смены версии или технологии. CX Codex ★ 3 951звёзд репо liaison liaison — субагент для Claude Code, который проверяет интеграции и API. Он подключается к задаче на ревью внешнего сервиса или обмена данными. CX Codex ★ 3 951звёзд репо agentica-agent Субагент генерирует Python-код на базе Agentica SDK. Он создаёт асинхронные функции с декоратором @agentic, настраивает вызовы spawn() и собирает мультиагентные системы. CX Codex ★ 3 951звёзд репо plan-reviewer Субагент plan-reviewer автоматически проверяет планы архитектора и планы изменений, выявляя недостатки в дизайне, безопасности и полноте перед реализацией. CX Codex ★ 3 951звёзд репо trace-claude-code Скилл trace-claude-code настраивает сквозную отправку сессий Claude Code в Braintrust. Фиксирует шаги диалога, редактирование файлов и вызовы консоли. CX Codex +1 ★ 3 951звёзд репо maestro Maestro разбивает сложную задачу на этапы, распределяет их между субагентами и сводит результаты в общий план. Координирует работу нескольких агентов. CX Codex ★ 3 951звёзд репо wiring Скилл wiring помогает убедиться, что написанный код действительно выполняется, а не лежит мёртвым грузом. Проверяет, подключены ли хуки, зарегистрированы ли скиллы и проведена ли интеграционная тестирование. CX Codex +1 ★ 3 951звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой