In Memoria

AI kod yazma asistanlarına gerçekten devam eden bir hafıza verin.

Hızlı Demo

In Memoria'nın aksiyonda görünüşü: kod tabanını öğrenme, anlık bağlam sağlama ve özellikleri dosyalara yönlendirme.

---

Sorun: Oturum Hafızası Kaybı

Biliyorsunuz. Claude, Copilot veya Cursor'u kod tabanınıza yardımcı olmak için başlatırsınız. Mimarinizi açıklarsınız. Desenlerinizi tanımlarsınız. Kurallarınızı belirtirsiniz. AI bunu anlar, size yardım eder ve her şey mükemmel olur.

Sonra pencereyi kapatırsınız.

Sonraki oturum? Tamamen hafıza kaybı. Aynı mimari kararları tekrar açıklıyorsunuz. Aynı adlandırma kurallarını. Aynı "hayır, burada sınıflar kullanmıyoruz, fonksiyonel composition kullanıyoruz" cümlesini on beşinci kez.

Her AI kod yazma oturumu sıfırdan başlar.

Bu sadece sinir bozucu değil, verimsizdir. Bu araçlar her etkileşimde kod tabanınızı yeniden analiz eder, token ve zaman harcar. Sizin stilinize uymayan genel öneriler verirler. Son sefer ne işe yaradığını, ne reddettiğinizi veya neden reddettiğinizi hatırlamazlar.

Çözüm: Kalıcı İstihbarat

In Memoria, gerçek kod tabanınızdan öğrenen ve oturumlar arasında hatırlayan bir MCP sunucusudur. Kod tabanınız hakkında kalıcı istihbarat (desenler, mimari, kurallar, kararlar) oluşturur; AI asistanları bunu Model Context Protocol aracılığıyla sorgulayabilir.

Bunu, AI pair programmer'ınıza oturumu yeniden başlattığınız her seferde silinen bir not defteri vermek gibi düşünün.

Mevcut sürüm: 0.6.0 - Neler değişti

Ne Yapar

• Desenlerinizi öğrenir - Adlandırma kurallarını, mimari seçimlerini ve yapısal tercihlerinizi anlamak için kodunuzu analiz eder
• Anlık proje bağlamı - Tech stack, giriş noktaları ve mimariyi <200 token'da sağlar (yeniden analiz gerekmez)
• Akıllı dosya yönlendirmesi - "Şifre sıfırlama ekle" gibi belirsiz istekleri doğrudan ilgili dosyalara yönlendirir
• Anlamsal arama - Kodu sadece anahtar kelimelerle değil, anlam ile bulur
• Çalışma hafızası - Mevcut görevleri ve mimari kararları oturumlar arasında takip eder
• Desen tahmini - Geçmişinize dayanarak benzer sorunları nasıl çözeceğinizi önerir

Örnek İş Akışı

# İlk kez: Kod tabanınızı öğren
npx in-memoria learn ./my-project

# MCP sunucusunu başlat
npx in-memoria server

# Şimdi Claude/Copilot'ta:
Siz: "Şifre sıfırlama işlevi ekle"
AI: *In Memoria'yı sorgular*
    "src/auth/login.ts'deki auth desenlerinize dayanarak, yerleşik
     JWT middleware desenini kullanacağım ve Result<T>
     hata işleme kuralınızı izleyeceğim..."

# Sonraki oturum (günler sonra):
Siz: "Şifre sıfırlama kodunu nereye koyduk?"
AI: *In Memoria'yı sorgular*
    "src/auth/password-reset.ts'de, geçen oturumumuzda
     oluşturduğumuz deseni izleyerek..."

Tekrar açıklama yok. Genel öneriler yok. Sadece sürekli, bağlamdan haberdar yardım.

Hızlı Başlangıç

Kurulum

# Küresel olarak yükle
npm install -g in-memoria

# Veya doğrudan npx ile kullan
npx in-memoria --help

AI Aracınıza Bağlanın

Claude Desktop - Config dosyasına ekleyin (~/Library/Application Support/Claude/claude_desktop_config.json):

{
  "mcpServers": {
    "in-memoria": {
      "command": "npx",
      "args": ["in-memoria", "server"]
    }
  }
}

Claude Code CLI:

claude mcp add in-memoria -- npx in-memoria server

GitHub Copilot - GitHub Copilot Entegrasyonu bölümüne bakın

Kod Tabanınızı Öğrenin

# Projenizi analiz edin ve öğrenin
npx in-memoria learn ./my-project

# Veya AI ajanlarının otomatik olarak öğrenmesini tetiklemesine izin verin
# (Sunucuyu başlatın ve auto_learn_if_needed'ın işini yapmasını izleyin)
npx in-memoria server

Nasıl Çalışır

In Memoria, Rust + TypeScript ile yapılmıştır ve AI araçlarını kalıcı kod tabanı istihbaratına bağlamak için Model Context Protocol kullanır.

Mimari

┌─────────────────────┐    MCP     ┌──────────────────────┐    napi-rs    ┌─────────────────────┐
│  AI Aracı (Claude)  │◄──────────►│  TypeScript Server   │◄─────────────►│   Rust Çekirdeği    │
└─────────────────────┘            └──────────┬───────────┘               │  • AST Ayrıştırıcı  │
                                              │                           │  • Desen Öğrenici   │
                                              │                           │  • Anlamsal Motor   │
                                              ▼                           │  • Blueprint Sistemi│
                                   ┌──────────────────────┐               └─────────────────────┘
                                   │ SQLite (kalıcı)      │
                                   │ SurrealDB (hafızada) │
                                   └──────────────────────┘

Temel Bileşenler

Rust Katmanı - Hızlı, yerel işleme:

• 12 dil için Tree-sitter AST ayrıştırma (TypeScript, JavaScript, Python, PHP, Rust, Go, Java, C/C++, C#, Svelte, SQL)
• Blueprint analizcisi (proje yapısını, giriş noktalarını, mimari desenleri tespit eder)
• Desen öğrenici (kodlama stilinizin istatistiksel analizi)
• Anlamsal motor (kod ilişkilerini ve kavramlarını anlar)

TypeScript Katmanı - MCP sunucusu ve orkestrasyonu:

• AI asistanları için 13 uzmanlaşmış araç (4 kategoride organize edilmiş)
• Yapılandırılmış veriler için SQLite, kalıcı vektör embedleri için SurrealDB ve SurrealKV
• Artımlı güncellemeler için dosya izlemesi
• Özellikleri dosyalara eşleyen akıllı yönlendirme

Depolama - Yerel-ilk:

• Her şey makinenizde kalır
• Desenler ve meta veriler için SQLite
• Kalıcı vektör embedleri için SurrealDB ve SurrealKV arka ucu
• Embedler için yerel transformers.js (Xenova/all-MiniLM-L6-v2)

Farkı Oluşturan Nedir

Bu sadece bir başka RAG sistemi veya statik kural motoru değildir:

• Gerçek koddan öğrenir - Manuel tanımlı kurallar değil, gerçek kod tabanınızdan istatistiksel desenler
• Yaklaşımınızı tahmin eder - Daha önce benzer sorunları nasıl çözdüğünüze dayanarak
• Token verimli - Yanıtlar LLM bağlamı kullanımını en aza indirmek için optimize edilmiş (<200 token proje bağlamı için)
• Dosyalara yönlendirir - "Login ekle" → otomatik olarak src/auth/login.ts önerir
• Bağlamı hatırlar - Çalışma oturumlarını, görevleri ve mimari kararları takip eder
• Multi-mod arama - Anlamsal (anlam), metin (anahtar kelime) veya desen tabanlı

v0.5.x'te Yenilikler

Son zamanlarda uygulama yol haritasının 1-4 Fazlarını tamamladık:

🗺️ Proje Blueprintleri (Faz 1)

Tam öğrenme olmadan anlık proje bağlamı. Bir kod tabanı hakkında sorun ve 200 token'ın altında tech stack, giriş noktaları, anahtar dizinler ve mimariyi alın.

💼 Çalışma Bağlamı Sistemi (Faz 2)

AI ajanları artık çalışma oturumlarını takip edebilir, görev listelerini koruyabilir ve mimari kararları kaydedebilir. Tam olarak kaldığınız yerden işe devam edin.

🧭 Akıllı Dosya Yönlendirmesi (Faz 3)

10 kategori arasında özellik-dosya eşleştirmesi (auth, API, veritabanı, UI, vb.). "Şifre sıfırlama ekle" gibi belirsiz istekler otomatik olarak belirli dosyalara yönlendirilir.

⚡ Düzgün İlerleme Takibi (v0.5.3)

Artık konsolda berbat spam yok. İlerleme çubukları 500ms tutarlı yenileme hızıyla yerinde güncellenir.

AI Asistanları için MCP Araçları

In Memoria, AI asistanlarının MCP aracılığıyla çağırabileceği 13 uzmanlaşmış araç sağlar. 4 kategoride organize edilmiştir (Faz 4 sonrasında redundant araçları birleştiren 16'dan düşürülmüş):

🎯 Temel Analiz (2 araç)

• analyze_codebase - Dosya/dizinleri kavramlar, desenler, karmaşıklık ile analiz edin (Faz 4: artık hem dosyaları hem dizinleri işler)
• search_codebase - Multi-mod arama (anlamsal/metin/desen)

🧠 İstihbarat (7 araç)

• learn_codebase_intelligence - Desenler ve mimariyi çıkarmak için derin öğrenme
• get_project_blueprint - Anlık proje bağlamı tech stack ve giriş noktaları ile ⭐ (Faz 4: öğrenme durumunu içerir)
• get_semantic_insights - Öğrenilen kavramlar ve ilişkileri sorgulayın
• get_pattern_recommendations - Tutarlılık için ilgili dosyalarla desenleri alın
• predict_coding_approach - Dosya yönlendirmesi ile uygulama rehberlenmesi ⭐
• get_developer_profile - Kodlama stiline ve çalışma bağlamına erişin
• contribute_insights - Mimari kararları kaydedin

🤖 Otomasyon (1 araç)

• auto_learn_if_needed - Bayatlık tespiti ile akıllı otomatik öğrenme ⭐ (Faz 4: hızlı kurulum işlevselliğini içerir)

📊 İzleme (3 araç)

• get_system_status - Sağlık kontrolü
• get_intelligence_metrics - Öğrenilen desenler üzerinde analitikler
• get_performance_status - Performans tanılaması

Faz 4 Konsolidasyonu: Üç araç daha iyi AX (ajan deneyimi haha) için mevcut araçlara birleştirildi:

• get_file_content → analyze_codebase içine birleştirildi
• get_learning_status → get_project_blueprint içine birleştirildi
• quick_setup → auto_learn_if_needed içine birleştirildi

AI ajanları için: Tam araç referansı, kullanım desenleri ve karar ağaçları için AGENT.md bölümüne bakın.

GitHub Copilot Entegrasyonu

In Memoria, özel talimatlar ve sohbet modları aracılığıyla GitHub Copilot ile çalışır.

Kurulum

Bu depo şunları içerir:

• .github/copilot-instructions.md - Copilot için otomatik rehberlik
• .github/agents/ - Üç uzmanlaşmış ajan:
  • 🔍 inmemoria-explorer - Akıllı kod tabanı gezintisi
  • 🚀 inmemoria-feature - Desen ile özellik uygulaması
  • 🔎 inmemoria-review - Tutarlılık kontrolü ile kod incelemesi

GitHub Copilot Entegrasyonu (VS Code)

In Memoria, GitHub Copilot Chat ile MCP + Özel Ajanlar (eski adı Chat Modları) kullanılarak entegre olur. Bu ajanlar Copilot'un Ajan modu'nda çalışırken In Memoria'nın kalıcı istihbaratını sorgulamasını sağlar.

⚠️ Önemli: Copilot yalnızca sohbet Ajan modunda (Ask veya Edit değil) olduğunda MCP araçlarını çağırır.

Gereksinimler

• VS Code 1.106+
• GitHub Copilot Chat etkin
• In Memoria MCP sunucusu yapılandırılmış ve çalışıyor

---

MCP Sunucu Kurulumu (Gerekli)

Çalışma alanında aşağıdaki dosyayı oluşturun veya düzenleyin:

.vscode/mcp.json

{
  "servers": {
    "in-memoria": {
      "command": "npx",
      "args": ["in-memoria", "server"]
    }
  }
}

Bu dosyayı VS Code'da açın ve istendiğinde Başlat'ı tıklayın veya manuel olarak başlatın.

---

Copilot Talimatları (Otomatik)

Bu depo şunları içerir:

• .github/copilot-instructions.md

VS Code otomatik olarak bu dosyayı yükler ve Copilot Chat'e rehberlik uygular. Ek kurulum gerekmez.

---

Özel Ajanlar (eski adı "Chat Modları")

Bu depo Copilot için üç Özel Ajan sağlar:

Ajan	Amaç
🔍 inmemoria-explorer	Akıllı kod tabanı gezintisi
🚀 inmemoria-feature	Öğrenilen desenleri kullanarak özellik uygulaması
🔎 inmemoria-review	Tutarlılık & desen tabanlı kod incelemesi

Ajan Dosyası Konumu

⚠️ VS Code Chat Modları'nı Özel Ajanlar olarak yeniden adlandırdı

Mevcut VS Code sürümleriyle uyumluluğu sağlamak için:

1. Klasörü oluşturun:

   .github/agents/
   

2. Dosyaları şuradan taşıyın veya kopyalayın:

   .github/chatmodes/
   

   şuraya:

   .github/agents/
   

3. Her dosyayı yeniden adlandırın:

   *.chatmode.md → *.agent.md
   

Örnek:

inmemoria-feature.chatmode.md → inmemoria-feature.agent.md

---

VS Code'da Ajanları Kullanma

1. Copilot Chat'i açın
2. Açılır menüden özel ajanı seçin (örn. inmemoria-featurename).

Ajanlar görünmüyorsa:

• Pencereyi yeniden yükleyin
• Dosyaların .github/agents/ içinde olduğundan emin olun

---

Örnek Kullanım

Kimlik doğrulama mantığı nerede?

→ Copilot In Memoria'nın anlamsal indeksini sorgular

Şifre sıfırlama işlevi ekle

→ Copilot şunları alır:

• dosya yönlendirmesi
• mimari desenler
• önceki auth kararları

Bu kodu tutarlılık açısından incele

→ Copilot öğrenilen kurallarla karşılaştırır

---

Yaygın Tuzaklar

• ❌ Ask/Edit modu kullanma → MCP araçları yok sayılır
• ❌ MCP sunucusu çalışmıyor
• ❌ Ajan dosyaları yalnızca .github/chatmodes/ içinde kalması
• ❌ VS Code sürümü < 1.106

---

VS Code Terminolojisi Hakkında Notlar

Eski Ad	Mevcut Ad
Chat Modları	Özel Ajanlar
Chat: Configure Chat Modes…	Chat: Configure Custom Agents
.github/chatmodes/	.github/agents/

VS Code hala eski dosyaları tanır, ancak .github/agents/*.agent.md ileriye dönük önerilen formatdır.

Dil Desteği

Tree-sitter aracılığıyla yerel AST ayrıştırma:

• TypeScript & JavaScript (JSX/TSX dahil)
• Python
• PHP
• Rust
• Go
• Java
• C & C++
• C#
• Svelte
• SQL

Build yapıtları (node_modules/, dist/, .next/, vb.) otomatik olarak filtrelenir.

Durum: Devam Etmekte Olan İş

Açıkça söylemek gerekirse: In Memoria erken aşama yazılımdır. Çalışır, ancak mükemmel değildir.

İyi Çalışan Kısımlar

• ✅ Gerçek kod tabanlarından desen öğrenme
• ✅ Kavramlar arasında anlamsal arama
• ✅ Proje blueprint'i üretimi
• ✅ Claude Desktop/Code ile MCP entegrasyonu
• ✅ Çapraz platform desteği (Linux, macOS, Windows)
• ✅ Token verimli yanıtlar

Bilinen Sınırlamalar

• ⚠️ Büyük kod tabanları (100k+ dosya) ilk analizde yavaş olabilir
• ⚠️ Desen doğruluğu kod tabanı tutarlılığı ile artar
• ⚠️ Bazı dillerin tree-sitter desteği diğerlerinden daha iyidir
• ⚠️ Dokümantasyon daha kapsamlı olabilir

Yardımınıza İhtiyacımız Var

Bu, AI destekli geliştirme için açık kaynaklı altyapıdır. Şu anda @pi22by7 tarafından solo bir proje, ancak katkılar sadece hoş karşılanmakla kalmaz, gereklidir.

Kod katkılamadan önce, lütfen:

• GitHub Projects board neyin planlandığını görmek için kontrol edin
• Fikirlerinizi tartışmak için Discord katılın (@pi_22by7)
• Özellik/düzeltme tartışmak için bir issue açın
• Daha büyük katkılar için bana talk@pi22by7.me adresinden e-posta gönderin

Katkı yapmanın yolları:

• 🐛 Hataları bildirin - Bir şeyler kırık mı? Issue açın
• 💡 Özellik önerin - Fikirleriniz var mı? Discord'da veya GitHub Discussions'ta tartışın
• 🔧 PR gönderin - Kod katkıları her zaman takdir edilir (önce tartışın!)
• 📖 Dokümentasyonu iyileştirin - Bunu anlamayı daha kolay hale getirmede yardımcı olun
• 🧪 Kod tabanınızda test edin - Deneyin ve bize neyin kırıldığını söyleyin
• 💬 Topluluğa katılın - Gerçek zamanlı tartışmalar için Discord

Geliştirme kurulumu ve yönergeler için CONTRIBUTING.md bölümüne bakın.

Teknik Karşılaştırma

GitHub Copilot'un hafızasına karşı:

• Copilot: Temel gerçek depolama, desen öğrenme yok
• In Memoria: Anlamsal analiz + desen öğrenme + mimari istihbarat + çalışma bağlamı

Cursor'un kurallarına karşı:

• Cursor: Statik kurallar, manuel tanımlı
• In Memoria: Gerçek koddan dinamik öğrenme + akıllı dosya yönlendirmesi + proje blueprintleri

Özel RAG'e karşı:

• RAG: İlgili kod parçacıklarını alır
• In Memoria: Desenleri anlar + yaklaşımları tahmin eder + dosyalara yönlendirir + çalışma bağlamını takip eder

Takım Kullanımı

In Memoria hem bireysel geliştiriciler hem de takımlar için çalışır:

Bireysel:

• Kişisel kodlama stilinizi öğrenir
• Yaptığınız mimari kararları hatırlar
• Bağlamdan haberdar öneriler sağlar

Takım:

• .in-memoria.db dosyalarını dağıtmak için öğrenilen desenleri paylaşın
• Öğrenilmiş kod tabanı istihbaratı ile yeni geliştiricileri hızla oyunun içine sokun
• Takım genelinde tutarlı AI önerileri sağlayın

Kaynaktan Derleyin

git clone https://github.com/pi22by7/in-memoria
cd in-memoria
npm install
npm run build

Gereksinimler:

• Node.js 18+
• Rust 1.70+ (kaynaktan derleme için)
• En az 2GB RAM

Geliştirme:

npm run dev          # Geliştirme modunda başlat
npm test            # Test paketini çalıştır (%98.3 geçiş oranı)
npm run build:rust  # Rust bileşenlerini derle

Kalite metrikleri:

• 118/120 birim testi geçiyor (%98.3)
• 23/23 MCP entegrasyon testi geçiyor (%100)
• Rust kodunda sıfır clippy uyarısı
• Doğrulanan sıfır bellek sızıntısı

SSS

S: Bu AI kod yazma asistanımın yerini alır mı? C: Hayır, onu geliştiriyor. In Memoria, Claude, Copilot ve Cursor gibi araçların daha iyi öneriler vermek için kullanabileceği hafıza ve bağlam sağlar.

S: Hangi veriler toplandı? C: Her şey yerel kalır. Hiçbir telemetri, hiçbir eve arama yok. Kodunuz asla makinenizi terk etmez. Tüm embedler transformers.js modelleri kullanarak yerel olarak üretilir.

S: Desen öğrenme ne kadar doğru? C: Kod tabanı boyutu ve tutarlılığı ile artar. Oluşturulmuş desenlere sahip projeler küçük veya tutarsız kod tabanlarından daha iyi sonuçlar alır. Sistem sıklık ve tekrarlama yoluyla öğrenir.

S: Performans etkisi ne kadar? C: Minimal. İlk öğrenme zaman alır (kod tabanı boyutuna orantılı), ancak sonraki sorgular hızlıdır. Dosya izlemesi artımlı güncellemeleri sağlar. Akıllı filtreleme build yapıtlarını otomatik olarak atlar.

S: Analiz başarısız olursa veya garip sonuçlar verirse? C: Ayrıntılarla bir issue açın. Yerleşik zaman aşımları ve devre kesiciler çoğu uç durumu işler, ancak gerçek dünyadaki kod tabanları dağınıktır ve iyileştirmek için geri bildiriminize ihtiyacımız vardır.

S: Bunu üretimde kullanabilir miyim? C: Yapabilirsiniz, ancak bunun v0.5.x olduğunu hatırlayın. Düzgün olmayan kenarlar olmasını bekleyin. Kapsamlı test edin. Sorunları bildirin. İstikrara doğru ilerliyoruz ancak henüz oraya varmadık.

S: Neden Rust + TypeScript? C: Performans kritik AST ayrıştırma ve desen analizi için Rust. MCP sunucusu ve orkestrasyonu için TypeScript. Her ikisinin de en iyisi: hızlı çekirdek, esnek entegrasyon katmanı.

S: Diğer AI araçları hakkında ne (Claude/Copilot değil)? C: MCP'yi destekleyen herhangi bir araç In Memoria'y