Claude Code-minne: Den komplette guiden til kontekst

Hver Claude Code-økt starter likt: ingen hukommelse fra i går. Du bruker tjue minutter på å forklare API-ets autentiseringsflyt på mandag, og på tirsdag forklarer du det igjen, fordi ingenting ved hvordan modellen fungerer, bærer det videre av seg selv. Det gapet er den enkeltmest etterspurte fiksen vi hører fra team som kjører Claude Code daglig, og det er også den mest misforståtte, fordi «gi Claude minne» ikke er én funksjon. Det er fire mekanismer med forskjellige jobber, kostnader og feilmoduser.

Denne guiden sorterer dem: hva hvert lag faktisk løser, hva som hører hjemme i hvilket, hvordan du setter opp en minneskill som claude-mem, og tokenmatematikken som forklarer hvorfor det å huske er billig mens det å gjenoppdage de samme fakta hver økt, ikke er det.

Groundhog day-problemet

En språkmodell har ingen tilstand mellom API-kall. Hver melding du sender, inkluderer hele samtalen så langt, og når den samtalen slutter, gjør også alt modellen «visste» om prosjektet ditt det. Åpne en ny økt i morgen, og du er tilbake til en blank tavle, uansett hvilke filer som tilfeldigvis ligger på disk.

Det ville vært greit hvis økter var korte og selvstendige. Det er de ikke. Ekte arbeid strekker seg over dager: du fikser en feil på mandag, det samme mønsteret dukker opp i en annen fil på torsdag, og agenten har ingen måte å koble de to på med mindre noe utenfor samtalen bar den koblingen videre. Hver økt uten det betaler en gjenoppdagelsesskatt: lese de samme filene, lære de samme konvensjonene på nytt, av og til gjenta en feil den allerede fikset.

Fiksen er ikke et større kontekstvindu. Kontekstvinduer er allerede store, og problemet er ikke kapasitet, det er kontinuitet. Det du vil ha, er et sted utenfor samtalen der fakta og beslutninger overlever, pluss en måte for Claude å laste den riktige biten av det stedet tilbake når det betyr noe. Det er minne, og Claude Code gir deg fire måter å bygge det på.

De fire lagene av Claude-minne

Lag én er CLAUDE.md: statiske prosjektfakta du skriver én gang, som lastes fullt ut ved starten av hver økt. Lag to er auto-minne, en mappe med filer Claude skriver til selv, og samler fakta over tid uten at du forfatter dem for hånd. Lag tre er minneskills, som fanger og komprimerer øktkontekst automatisk og injiserer den tilbake senere. Lag fire er lavteknologi-alternativet: en vanlig notatfil agenten leser og oppdaterer fordi du ba den om det.

De konkurrerer ikke. De løser forskjellige problemer, og de fleste seriøse oppsett kjører to eller tre samtidig.

Lag 1: CLAUDE.md, statiske fakta som alltid lastes

CLAUDE.md er Claude Codes eldste og enkleste minnemekanisme. Det er en markdown-fil Claude Code finner ved å gå oppover fra arbeidsmappen din, og den lastes fullt ut, hver økt, før du skriver noe. Det gjør den til riktig sted for fakta som nesten alltid er sanne: hvordan du kjører testene, hvilken pakkebehandler repoet bruker, hvilken mappe som er utdatert og av-begrenser.

Det er feil sted for alt som endrer seg ofte eller gjelder av og til, fordi «lastes fullt ut, hver økt» også er kostnaden dens. En 3000-linjers CLAUDE.md er omtrent 30 000 tokens skattlagt på hver forespørsel, uansett om den forespørselen trenger noe av det. Vi dekker hele regnestykket og et ekte kommentert eksempel i vår CLAUDE.md-guide for beste praksis; kortversjonen er at CLAUDE.md vil ha stabile fakta, ikke en voksende logg.

Det er også der CLAUDE.md går tom for vei. Den er statisk: du skriver den, Claude leser den, og å oppdatere den er en manuell plikt du må huske å gjøre. De neste tre lagene finnes for å håndtere fakta som samler seg opp av seg selv.

Lag 2: auto-minne og minnemapper

Mellomlaget er en minnemappe, ofte ~/.claude/memory/ eller et prosjektlokalt ekvivalent, der Claude skriver strukturerte notater om hva den lærer og leser dem tilbake ved starten av fremtidige økter. I motsetning til CLAUDE.md, forfatter ingen de fleste av disse oppføringene for hånd. Agenten bestemmer at noe er verdt å huske, en beslutning du tok, en preferanse du uttrykte, et faktum den måtte grave etter, og arkiverer det med nok struktur til å hente det fram senere.

Det er her Memory Management-skillen bor, og det er den høyest rangerte skillen i denne kategorien på SkillProof: 9,2 av 10. Vi kjørte den over en full uke med ekte økter, ikke en enkelt demokjøring, og den holdt stand under faktisk bruk. Claude husket pålitelig prosjektbeslutninger og preferanser den hadde lagret, og gjenkallingspresisjonen holdt seg høy selv når lageret vokste, delen som som regel bryter sammen først i naive implementasjoner.

Det som skiller dette laget fra CLAUDE.md, er at det er selektivt på veien tilbake inn også, ikke bare på veien inn. En godt bygget minneskill indekserer det den har lagret og trekker ut den relevante biten for gjeldende oppgave, slik at lageret kan vokse til tusenvis av oppføringer uten at hver økt betaler for alle sammen.

Lag 3: minneskills, claude-mem og automatisk fangst

Det tredje laget tar ideen lenger. I stedet for at Claude bestemmer midt i samtalen hva som er verdt å lagre, fanger en dedikert skill hele økten automatisk, komprimerer den, og injiserer den relevante konteksten tilbake i den neste. Claude-mem er det klareste eksempelet på dette mønsteret. Pitchen er «vedvarende kontekst på tvers av økter for hver agent»: den overvåker hva agenten din gjør under en økt, komprimerer den aktiviteten med en AI-oppsummeringspass, og viser fram den komprimerte versjonen neste gang den er relevant, på tvers av Claude Code og, ifølge sine egne dokumenter, flere andre agent-kjøretider.

Vi bør være ærlige om hvor den står i vår testing. Claude-mem dukket opp gjennom vår GitHub-crawler med 85 685 stjerner, som er hvorfor den ligger i testkøen i stedet for allerede å bære en dom; vi publiserer ikke en score før vi har installert en skill rent og kjørt den mot ekte arbeid, samme terskel Memory Management allerede klarte. Det vi kan si nå, er arkitektonisk: automatisk fangst fjerner øyeblikket der du ellers ville stoppet og bestemt, midt i økten, om noe er verdt å huske. Skillen bestemmer for deg. Om den holder stand over en full uke på en ren maskin, er det testkøen finnes for å svare på.

Lag 4: vanlige filer som minne

Det siste laget trenger ingen skill i det hele tatt: en vanlig markdown-fil, som regel kalt noe sånt som notes.md eller progress.md, som du ber Claude lese ved starten av en økt og oppdatere på slutten. Ingen indeksering, ingen automatisk fangst, ingen scoring. Du er minnesystemet; filen er bare der du skriver det ned.

Dette laget blir undervurdert fordi det høres for enkelt ut til å bety noe. Det er det ikke. For et solo-prosjekt med én bidragsyter og en håndfull pågående tråder, slår en notatfil du faktisk vedlikeholder et automatisert minnesystem du aldri ser på. Feilmodusen ligger helt hos deg, likevel: ingen beskjærer den, ingen flagger motsigelser, og den vokser til en tekstmur med de samme blindsonene ethvert uvedlikeholdt dokument utvikler. Den fungerer akkurat så godt som disiplinen din om å oppdatere den, ikke bedre.

Hva hører hjemme hvor: beslutningstabellen

Minnetype	Best for	Lastes	Vedlikehold
CLAUDE.md	Stabile, alltid-sanne fakta (byggekommandoer, konvensjoner, fallgruver)	Fullt ut, hver økt	Manuelt, redigeres for hånd
Auto-minne / minnemappe	Beslutninger og preferanser som samler seg over tid	Selektivt, ved henting	Mest automatisk (skill-styrt)
Minneskills (claude-mem)	Full øktkontekst, fanget uten at du bestemmer hva som betyr noe	Komprimert, injisert når relevant	Automatisk fangst, sporadisk gjennomgang
Vanlig notatfil	Solo-prosjekter, enkle pågående tråder	Manuelt, du ber Claude lese den	Fullt manuelt

Les den tabellen etter hva som endrer seg, ikke etter hva som er praktisk å sette opp. Hvis et faktum fortsatt ville vært sant om seks måneder, hører det hjemme i CLAUDE.md. Hvis det er en beslutning tatt denne uken som kanskje betyr noe igjen senere, hører det hjemme i minne. Hvis du ikke kan forutsi hva du trenger å huske og ikke vil bestemme det i øyeblikket, er det tilfellet for automatisk fangst. Hvis ingenting av det gjelder, slår en notatfil fortsatt ingenting.

Sette opp claude-mem, steg for steg

Det generelle mønsteret for en automatisk-fangst-minneskill ser slik ut, med claude-mem som det konkrete eksempelet:

1. Klon skillen. git clone https://github.com/thedotmack/claude-mem inn i en arbeidsmappe, og følg deretter repoets installasjonsskript i stedet for å kopiere filer for hånd. Minneskills trenger som regel å registrere en hook, ikke bare slippe en SKILL.md på plass.

2. Start Claude Code på nytt. Installasjonen kobler typisk opp en økt-start- eller økt-slutt-hook slik at fangst skjer uten at du kaller noe. En omstart er det som plukker opp den hooken.

3. Kjør en vanlig økt. Ikke test den med en leke-oppgave. Gjør ekte arbeid; poenget er å se hva den bestemmer er verdt å huske når ingen ser etter for testen.

4. Start neste økt og sjekk hva som kom tilbake. Spør Claude hva den husker om gårsdagens arbeid før du sier noe annet. Noe spesifikt og korrekt betyr at fangst fungerer. Noe vagt eller feil betyr sjekk konfigen før du stoler på den med noe som betyr noe.

5. Sett en gjennomgangsrytme. Automatisk fangst uten gjennomgang blir til automatisk akkumulering av støy. Gi deg selv en tilbakevendende ti-minutters luke til å skumme gjennom hva som er lagret (mer om dette under minnehygiene, under).

Vil du heller starte med noe allerede scoret, er Memory Management den manuelle-men-testede veien: installer skill-mappen inn i ~/.claude/skills/, og den lager sin egen minnemappe ved første bruk, ingen separat hook-installasjon nødvendig.

Tokenøkonomien i minne

Her er matematikken som gjør oppsettskostnaden verdt det. Si at et prosjektfaktum tar 500 ord å forklare fra bunnen av: formen på autentiseringsflyten din, hvorfor en viss tabell har to fremmednøkler, hva distribusjonsskriptet faktisk gjør. Forklart ferskt i chat er det omtrent 650 tokens input hver gang du forklarer det på nytt, oppå tiden du bruker på å skrive det og tiden Claude bruker på å resonnere over det i den meldingen.

Lagret i minne i stedet, koster det samme faktumet de 650 tokensene én gang, å skrive. Henting etterpå koster en brøkdel av det: et godt indeksert minnelag trekker ut en komprimert oppsummering, ofte under 100 tokens, bare når gjeldende oppgave berører det faktumet. Forklar det i chat fem ganger over en måned, og du har brukt omtrent 3250 tokens på å lære på nytt hva minne ville kostet 650 tokens å lære og 500 totalt å hente fram fem ganger: et grovt fem-til-én-gap som utvides jo oftere faktumet trengs.

Sammenlign det med å presse alt inn i CLAUDE.md i stedet: et faktum relevant én økt av tjue blir fortsatt lastet de andre nitten, uten selektivitet til å hente inn den kostnaden. Den faste forspillet oppsettet ditt bærer på hver runde (CLAUDE.md, verktøyskjemaer, minneinjeksjoner) konkurrerer direkte med det faktiske arbeidet ditt om plass og oppmerksomhet. Vi målte dette mer i dybden, med ekte før/etter-tokentall, i vår tokenkostnadsguide; minne er én linjepost i det større bildet, ofte den billigste fiksen i forhold til hva den sparer.

Minnehygiene: gjennomgangsritualet

Et minnesystem som bare akkumulerer, er ikke en funksjon, det er en langsom lekkasje. Utdaterte oppføringer feiler ikke høylytt; ingenting krasjer når Claude husker en beslutning du reverserte for tre uker siden. Den handler bare stille på utdatert informasjon, og du brenner feilsøkingstid på å finne ut hvorfor agenten selvsikkert tar feil om noe du vet du fikset.

Kjør en månedlig gjennomgang, ti minutter, samme disiplin som CLAUDE.md-gjennomgangsritualet vi anbefaler andre steder. Åpne minnelageret. For hver oppføring som ser bærende ut, spør om den fortsatt er sann, om en beslutning den beskriver har blitt reversert siden, og om den er spesifikk nok til å handle på. Slett alt som feiler. Et minnelager du er stolt av, er mindre ett år inn enn det var tre måneder inn; veksten bør være i presisjon, ikke volum.

Den mest pålitelige triggeren for en gjennomgang er likevel ikke kalenderen. Det er øyeblikket Claude gjør noe galt på grunn av et utdatert minne. Behandle det som en feil: fiks oppføringen i samme åndedrag som feilen, ikke ved neste planlagte gjennomgang.

Personvern: hva som fanges, hvor det bor

Minneskills leser hva som skjer i øktene dine, så det ærlige spørsmålet er hva som fanges og hvor det havner. For filbasert minne, Memory Management, claude-mem og den vanlige-notat-tilnærmingen likt, er svaret som regel det samme: alt skrives til vanlige filer på din egen disk, typisk under ~/.claude/ eller en prosjektlokal minnemappe, ikke til en tredjepartsserver. Ingenting forlater maskinen din med mindre du committer de filene til et delt repo eller en skill eksplisitt dokumenterer en fjern-synkroniseringsfunksjon.

Det er gode nyheter for kontroll og dårlige nyheter for å anta at det automatisk er trygt. En minnefil er en klartekst-oversikt over hva du jobbet med, og den kan inkludere legitimasjon nevnt i forbifarten, kundenavn, eller arkitekturdetaljer du ikke ville hatt i et offentlig repo. Les hva som faktisk er i en minnemappe før du committer den sammen med koden din, og før du installerer en minneskill, sjekk kildekoden for hva «fanger alt agenten din gjør» egentlig betyr, inkludert om kommandoresultat som inneholder hemmeligheter blir feid inn også. Automatisk fangst fortjener samme granskning som ethvert verktøy som leser terminalen din.

Ofte stilte spørsmål

Har Claude Code innebygd vedvarende minne?

Delvis. CLAUDE.md gir deg statisk, alltid-lastet minne rett ut av boksen, og det er genuint innebygd, ingen installasjon nødvendig. Alt utover statiske fakta, minne som samler seg opp, blir indeksert, og hentes selektivt, kommer for øyeblikket fra en skill snarere enn en nativ funksjon.

Hva er forskjellen mellom CLAUDE.md og en minneskill?

CLAUDE.md lastes fullt ut, hver økt, og du vedlikeholder den for hånd. En minneskill skriver og leser et voksende lager selektivt, og trekker ut bare det som er relevant for gjeldende oppgave, og mesteparten av skrivingen skjer uten at du gjør det manuelt. Bruk CLAUDE.md for fakta som aldri endrer seg; bruk en minneskill for fakta som akkumuleres.

Er claude-mem trygt å installere nå?

Vi kan ikke gi den en dom ennå. Den er i testkøen vår, ikke scoret, til tross for den store følgen på GitHub. Installer den slik du ville installert hva som helst uscoret: på et prosjekt du har råd til å eksperimentere i først, og les kildekoden før du stoler på den med sensitive økter.

Hvor mye koster det å kjøre en minneskill i tokens?

Mindre enn alternativet i nesten alle tilfeller. Selve lagringen er nesten gratis siden den lever på disk, ikke i kontekst. Henting ved øktstart koster typisk langt mindre enn å forklare det samme faktumet på nytt i chat, og gapet utvides jo flere ganger det faktumet ellers ville blitt forklart på nytt.

Bør jeg bruke mer enn ett minnelag samtidig?

Ja, og de fleste fungerende oppsett gjør det: CLAUDE.md for fakta som aldri endrer seg, pluss enten en minneskill eller en disiplinert notatfil for fakta som akkumuleres. Behandle dem som utfyllende snarere enn å velge en favoritt. Poenget er å matche hver type faktum med laget bygget for det, ikke å slå seg til ro med én mekanisme for alt.