dynamic-recall — правило для Claude Code: что делает и как установить
Правило dynamic-recall направляет Claude Code в семантическую память проекта, чтобы находить удачные решения прошлых сессий и не повторять ошибки при отладке или выборе архитектуры.
MIT ★ 3 951 обновлён 2026-01-26
.claude/rules/dynamic-recall.mdЧто делает dynamic-recall
Правило учит ассистента заглядывать в базу семантической памяти перед началом сложной задачи, правкой багов или принятием системных решений. Поиск выполняется через Python-скрипт recall_learnings.py с помощью uv. По умолчанию работает гибридный поиск RRF, совмещающий векторный индекс и текстовое соответствие.
Память опирается на PostgreSQL через DATABASE_URL и векторные эмбеддинги bge-large-en-v1.5 размерностью 1024. Локальный SQLite в ~/.claude/cache/memory.db служит лишь резервным хранилищем. Без корректно настроенной переменной $CLAUDE_OPC_DIR окружение не загрузится, и скрипт завершится с ошибкой.
Новый опыт агент фиксирует через store_learning.py. Записи делятся по категориям: удачные решения, ошибки, архитектурные решения и предпочтения пользователя.
Какие задачи решает
- вспомнить решения прошлых сессий перед правкой багов
- зафиксировать архитектурный выбор в долговременной памяти
- найти готовый шаблон кода через гибридный векторный поиск
- предупредить повторение неудачных подходов
Примеры запросов агенту
- Проверь по семантической памяти, как мы раньше настраивали миграции базы данных
- Вспомни, как решалась похожая ошибка типизации TypeScript в прошлых сессиях
- Сохрани текущий способ сборки хуков в память со статусом WORKING_SOLUTION
Как установить dynamic-recall
Вручную: положить файлы
.claude/rules/dynamic-recall.mdПоле paths во frontmatter ограничивает файлы
AGENTS.md
Codex читает AGENTS.md: вставьте текст правила туда
Вручную: положить файлы
.cursor/rules/dynamic-recall.mdcВо frontmatter: description, globs, alwaysApply
Вручную: положить файлы
.github/instructions/dynamic-recall.instructions.mdПоле applyTo задаёт, к каким файлам применять
Вручную: положить файлы
.devin/rules/dynamic-recall.mdВручную: положить файлы
.clinerules/dynamic-recall.mdПо шагам, с командами для каждой платформы: AGENTS.md и CLAUDE.md: что это, кто читает и какой выбрать
Вопросы о dynamic-recall
Как установить dynamic-recall в Claude Code?
Создайте файл правила по пути .claude/rules/dynamic-recall.md и поместите туда содержимое правила. Claude Code подхватывает его автоматически при старте сессии.
Что делает правило dynamic-recall?
Оно инструктирует агента опрашивать семантическую память через скрипт recall_learnings.py и сохранять выводы через store_learning.py. Это связывает разные сессии в единую систему знаний.
Какая база данных нужна для работы памяти?
Основным хранилищем выступает PostgreSQL, подключение к которому задаётся через DATABASE_URL. База SQLite в ~/.claude/cache/memory.db остаётся резервной и может быть пустой.
Исходный текст
dynamic-recall.md · MIT
# Dynamic Recall You have access to a semantic memory system that stores learnings, decisions, and patterns from past sessions. ## When to Use Recall Query memory proactively when: - Starting work on something you may have done before - Encountering an error or tricky situation - Making architectural or design decisions - Looking for patterns or approaches that worked previously ## How to Recall ```bash (cd $CLAUDE_OPC_DIR && PYTHONPATH=. uv run python scripts/core/recall_learnings.py --query "your search terms") ``` **IMPORTANT:** Always run from `opc/` directory to load correct environment variables. ### Options ```bash # Default: Hybrid RRF search (text + vector combined) - RECOMMENDED (cd $CLAUDE_OPC_DIR && PYTHONPATH=. uv run python scripts/core/recall_learnings.py --query "authentication patterns") # More results (cd $CLAUDE_OPC_DIR && PYTHONPATH=. uv run python scripts/core/recall_learnings.py --query "error handling" --k 10) # Pure vector search (higher similarity scores, 0.4-0.6 range) (cd $CLAUDE_OPC_DIR && PYTHONPATH=. uv run python scripts/core/recall_learnings.py --query "database schema" --vector-only) # Text-only search (fast, no embeddings) (cd $CLAUDE_OPC_DIR && PYTHONPATH=. uv run python scripts/core/recall_learnings.py --query "YAML format" --text-only) ``` ## Backend Architecture | Backend | Location | Status | |---------|----------|--------| | **PostgreSQL** (primary) | Via DATABASE_URL | Has 100+ real learnings with BGE embeddings | | SQLite (fallback) | ~/.claude/cache/memory.db | May be empty - don't rely on it | **DO NOT manually inspect databases** - just use the recall script. It auto-selects the correct backend. ## Understanding Scores | Search Mode | Score Range | Interpretation | |-------------|-------------|----------------| | Hybrid RRF (default) | 0.01-0.03 | Normal - RRF combines rankings | | Pure vector | 0.4-0.6 | Cosine similarity | | Text search | 0.01-0.05 | BM25 normalized | Low RRF scores (0.02) are **good results** - don't confuse with low relevance. ## What's Stored The memory contains session learnings from `archival_memory` table: - **What worked**: Successful approaches and solutions - **What failed**: Pitfalls to avoid - **Decisions**: Architectural choices and rationale - **Patterns**: Reusable approaches All entries have 1024-dim BGE embeddings (bge-large-en-v1.5) for semantic search. ## Example Queries - "hook development patterns" - find past hook implementations - "TypeScript type errors" - recall how similar errors were fixed - "database migration" - find migration patterns used before - "test failures pytest" - recall debugging approaches - "YAML handoff format" - recall format decisions Use recall to avoid repeating mistakes and leverage past successes. ## How to Store Learnings When you discover something worth remembering, store it: ```bash cd $CLAUDE_OPC_DIR && PYTHONPATH=. uv run python scripts/core/store_learning.py \ --session-id "<short-identifier>" \ --type <TYPE> \ --content "<what you learned>" \ --context "<what it relates to>" \ --tags "tag1,tag2,tag3" \ --confidence high|medium|low ``` **IMPORTANT:** Use `cd <absolute-path>` not `(cd opc && ...)` - the subshell form can cause path doubling errors. ### Learning Types | Type | Use For | |------|---------| | `ARCHITECTURAL_DECISION` | Design choices, system structure decisions | | `WORKING_SOLUTION` | Fixes, solutions that worked | | `CODEBASE_PATTERN` | Patterns discovered in code | | `FAILED_APPROACH` | What didn't work (avoid repeating) | | `ERROR_FIX` | How specific errors were resolved | | `USER_PREFERENCE` | User's preferred approaches | | `OPEN_THREAD` | Incomplete work to resume later | ### Example ```bash cd $CLAUDE_OPC_DIR && PYTHONPATH=. uv run python scripts/core/store_learning.py \ --session-id "hook-debugging" \ --type WORKING_SOLUTION \ --content "TypeScript hooks require npm install in .claude/hooks/ before they work. The build.sh script compiles TS to JS in dist/." \ --context "hook development and building" \ --tags "hooks,typescript,build" \ --confidence high ``` ### When to Store Store learnings when you: - Solve a tricky problem (so you don't re-solve it) - Make an architectural decision (capture the rationale) - Discover a codebase pattern (document it) - Find something that doesn't work (warn future sessions)
© parcadei · MIT · parcadei/Continuous-Claude-v3