coderouter-plugin-memory

毎セッション同じ説明を繰り返す問題、
ルーター層で透過的に直します。

日本語 · English · CodeRouter 本体

v0.4.0: builtin backend を JSONL + Ollama (qwen3:1.7b) ベースに完全再設計。外部依存ゼロ (stdlib only)、coderouter-memory CLI で動作確認が即できる。CodeRouter v2.3.0a1+ の Plugin SDK と組み合わせて動作。

30 秒で

あなたのエージェント (Claude Code / Cursor / 自作 agent)
                │  ← memory のことを知らなくていい
                ▼
        ┌─ CodeRouter ──────────────────┐
        │  ① pre-request hook            │ ─→ facts.jsonl を system prompt に注入
        │  ② 通常の routing + L1-L6 ガード  │
        │  ③ post-response hook          │ ─→ buffer.jsonl に応答を追記
        └───────────────────────────────┘
                │
                ▼
            Local LLM (Ollama / LM Studio / ...)

  [作業終了後に 1 コマンド]
  coderouter-memory consolidate
  → Ollama (qwen3:1.7b) が buffer を読み、key facts を抽出 → facts.jsonl
  → 次のセッションから自動注入

3 フェーズの仕組み:

使い方

1. インストール

# CodeRouter 本体 (v2.3.0+ が必要)
uv tool install coderouter-cli

# このプラグイン
pip install coderouter-plugin-memory

# consolidate 用の Ollama モデル (1 回だけ)
ollama pull qwen3:1.7b

2. providers.yaml に追記

plugins:
  enabled:
    - memory
  config:
    memory:
      # project は省略可 — cwd のハッシュから自動検出
      project: myapp
      consolidate_model: qwen3:1.7b        # お好みの軽量モデルに変更可
      inject_token_budget: 2000            # system prompt への注入上限 (tokens)
      min_buffer_entries: 3               # consolidate のトリガー件数

3. CodeRouter 起動

coderouter serve --port 8088
# 起動ログに [memory] plugin-loaded が出る

4. 作業後に consolidate

coderouter-memory consolidate
# buffer 5 件 → Ollama で fact 抽出 → facts.jsonl に書き込み
# 次のセッションから自動注入される

CLI リファレンス

# 現在の状態を確認 (動いているかの第一確認)
coderouter-memory status

# facts 一覧を表示
coderouter-memory list

# 手動で固定 fact を追加 (CLAUDE.md 感覚で使える)
coderouter-memory add "FastAPI を使用、asyncio ベース"

# buffer → Ollama → facts.jsonl (--dry-run で内容を確認してから実行)
coderouter-memory consolidate --dry-run
coderouter-memory consolidate

# buffer の内容を確認 (デバッグ用)
coderouter-memory buffer

# buffer を削除
coderouter-memory clear

status の出力例:

project   : proj-fd5766aa25d0          ← cwd から自動検出
state_dir : ~/.coderouter/memory/proj-fd5766aa25d0
buffer    : 7 entries
facts     : 12 entries
manual    : 2 lines
model     : qwen3:1.7b
ollama    : http://localhost:11434

💡 buffer が 7 件あります。consolidate を実行できます:
   coderouter-memory consolidate

ストレージ

すべてプレーンテキスト。テキストエディタで直接確認・編集できます。

~/.coderouter/memory/{project}/
    buffer.jsonl   — capture された生応答 (1行=1エントリ)
    facts.jsonl    — consolidate 済みの key facts (1行=1 fact)
    manual.md      — 手動で書く固定メモ

なぜ「wire 層」?

ほとんどの agent memory ツール (agentmemory / mem0) は agent 側で動きます。memory_save / memory_recall を MCP tool や SDK 経由で agent が能動的に呼ぶ設計です。

このプラグインは代わりに wire 層 (agent ↔ LLM backend の中間) に置きます:

自作 agent から見た価値 (walkthrough)

30 行の自作 agent

import sys, os
from openai import OpenAI

client = OpenAI(
    base_url=os.environ.get("CODEROUTER_BASE_URL", "http://localhost:8088/v1"),
    api_key=os.environ.get("OPENAI_API_KEY", "dummy"),
)

resp = client.chat.completions.create(
    model="qwen3:14b",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": " ".join(sys.argv[1:])},
    ],
)
print(resp.choices[0].message.content)

書かれていないもの: memory_save / memory_recall / MCP client / sqlite / vector store — すべて CodeRouter の wire 層が裏で処理しています。

動かし方 (2 セッション)

# Session 1
python agent.py "プロジェクトのテーマカラーは indigo です。覚えておいて。"
# → "了解しました。indigo を覚えておきます。"

# 作業終了後
coderouter-memory consolidate
# → Ollama が "テーマカラーは indigo" を fact として抽出

# Session 2 (翌日でも)
python agent.py "プロジェクトのテーマカラーは何でしたっけ?"
# → "indigo です。"  ← facts.jsonl が system prompt に自動注入された

ロードマップ

関連プロジェクト

ライセンス

MIT — LICENSE を参照。