jevmem automatisiert den Projektspeicher für KI-Tools

Das Open-Source-Tool jevmem bietet eine automatisierte Projektgedächtnis-Funktion für KI-Coding-Assistants. Entwickelt von Avinash-jetwani, lässt sich die Lösung nahtlos in Claude Code, Codex, Cursor sowie Claude Desktop integrieren. Das Hauptziel besteht darin, Kontextverluste während langer Codierungs-Sessions zu minimieren, indem entscheidende Projektentscheidungen, Regeln und Fehler automatisch erfasst und persistent gespeichert werden. Die Architektur von jevmem basiert auf einem effizienten Workflow, der den direkten Aufruf großer Sprachmodelle pro Prompt vermeidet. Nach einer kurzen Initialisierung registriert das Tool Hintergrund-Hooks oder MCP-Regeln, die jede Benutzer-Eingabe abfangen. Bevor Daten das Gerät verlassen, werden sensible Muster wie API-Schlüssel, E-Mail-Adressen und Kartennummern automatisch bereinigt. Die erfassten Texte werden an das Jev-Modell von TypeSafe AI gesendet, das mit statistischen Schwellenwerten und deterministischen Regeln prüft, ob ein Eintrag speicherwert ist, ob es sich um Smalltalk oder Injektionsversuche handelt, und welche bestehende Speicherzeile überschrieben werden muss. Bei Zustimmung formuliert ein leichtgewichtiges LLM oder ein regelbasierter Extractor prägnante Einzeiler bis zu 200 Zeichen. In Benchmark-Tests vom 23. September 2026 zeigte sich jevmem leistungsfähig und kosteneffizient. Das Jev-Modell traf seine Speicherentscheidungen mit einer Median-Latenz von nur 0,30 Sekunden und erzielte eine Genauigkeit von 98,5 Prozent für die Entscheidung, ob ein Eintrag gespeichert wird, sowie 95,5 Prozent für die korrekte Klassifizierung. Dies positioniert den Ansatz deutlich schneller und deutlich günstiger als aktuelle Large Language Models wie GPT-6 Astra oder Claude Opus 5.5, die zwar in Einzelfällen geringfügig präziser waren, jedoch zehn- bis zwölffach längere Antwortzeiten und bis zu sechzigmal höhere Kosten pro Abfrage verursachten. Der Entwickler legt besonderen Wert auf Transparenz und Datensicherheit. Ein Zero-Retention-Flag ermöglicht den kompletten Verzicht auf serverseitiges Speichern, insbesondere bei der Nutzung von Gateways wie Vercel AI Gateway. Sämtliche Konfigurationsdateien und Entscheidungsregeln lassen sich lokal anpassen, wodurch Nutzer die volle Kontrolle über das Gedächtnis-Verhalten behalten. Für verschiedene Clients stehen angepasste Init-Skripte bereit, die automatisch die notwendigen Hook-Dateien, MCP-Konfigurationen und Rule-Dateien anlegen. Jevmem adressiert ein zentrales Problem moderner KI-Entwicklungsumgebungen: die fehlende Persistenz von Kontext bei hoher Kosten- und Latenzbelastung. Durch die Auslagerung der Entscheidungsmatrix auf ein spezialisiertes, schnelles Modell wird die Produktivität von Entwicklern gesteigert, ohne die Privatsphäre zu gefährden. Die Lösung steht als Open-Source-Projekt zur Verfügung und unterstützt durch eine konfigurierbare Policy-Engine sowie direkte Integration in gängige Development-Workflows.