Coder DB - AI 记忆增强系统

一个结构化的 AI 助手记忆系统，通过数据库集成来增强编码能力，利用 Claude Desktop 和 MCP 服务器。

概述

该系统利用多种数据库类型来创建一个全面的编码辅助记忆系统：

1. Qdrant 向量数据库: 用于代码模式的语义搜索和检索
2. SQLite 数据库: 用于结构化算法存储和版本控制
3. 知识图谱: 用于表示编码概念之间的关系

数据库使用指南

Qdrant 记忆存储

用于通过语义意义存储和检索代码片段、模式和解决方案。

存储内容：

• 带有解释的可重用代码模式
• 复杂问题的解决方案
• 最佳实践和设计模式
• 文档片段和解释

增强的元数据：

• 语言和框架详细信息
• 复杂度级别（简单、中级、高级）
• 依赖项和要求
• 质量指标（圈复杂度、文档覆盖率）
• 用户反馈和评分

使用示例：

# 存储一个代码模式
information = {
    "type": "code_pattern",
    "language": "python",
    "name": "上下文管理器模式",
    "code": "class MyContextManager:\n    def __enter__(self):\n        # 设置代码\n        return self\n    def __exit__(self, exc_type, exc_val, exc_tb):\n        # 清理代码\n        pass",
    "explanation": "上下文管理器提供了一种管理文件句柄等资源的简洁方法。",
    "tags": ["python", "资源管理", "上下文管理器"],
    "complexity": "intermediate",
    "quality_metrics": {
        "cyclomatic_complexity": 2,
        "documentation_coverage": 0.85
    },
    "user_rating": 4.5
}
# 存储在 Qdrant 中

SQLite 算法数据库

用于维护具有适当版本控制的结构化算法目录。

数据库模式：

• algorithms: 基本算法信息（名称、描述）
• algorithm_versions: 算法实现的不同版本
• algorithm_categories: 类别，如排序、搜索、图等。
• performance_metrics: 不同实现的性能数据
• improvements: 跟踪版本之间的改进
• change_logs: 带有理由和上下文的详细更改日志

版本差异：

• 存储算法版本之间的差异
• 跟踪跨版本的性能改进
• 记录更改背后的理由

示例查询：

-- 查找所有具有性能指标的排序算法
SELECT a.name, a.description, v.version_number, p.time_complexity, p.space_complexity
FROM algorithms a
JOIN algorithm_versions v ON a.id = v.algorithm_id
JOIN performance_metrics p ON v.id = p.version_id
JOIN algorithm_category_mapping m ON a.id = m.algorithm_id
JOIN algorithm_categories c ON m.category_id = c.id
WHERE c.name = 'Sorting'
ORDER BY a.name, v.version_number DESC;

-- 获取特定算法的更改日志
SELECT v.version_number, c.change_description, c.rationale, c.created_at
FROM algorithm_versions v
JOIN change_logs c ON v.id = c.version_id
WHERE v.algorithm_id = 5
ORDER BY v.version_number;

知识图谱集成

用于表示编码概念、模式和解决方案之间的复杂关系。

高级本体：

• Algorithm (算法)
• DesignPattern (设计模式)
• CodeConcept (代码概念)
• ProblemType (问题类型)
• Solution (解决方案)
• Framework (框架)
• Library (库)
• Language (语言)

丰富的关系类型：

• IMPLEMENTS (Algorithm → CodeConcept) (实现)
• SOLVES (DesignPattern → ProblemType) (解决)
• OPTIMIZES (Algorithm → Performance) (优化)
• RELATED_TO (Any → Any) (相关)
• IMPROVES_UPON (Solution → Solution) (改进)
• ALTERNATIVELY_SOLVES (Solution → ProblemType) (替代解决方案)
• EXTENDS (Pattern → Pattern) (扩展)
• DEPENDS_ON (Solution → Library) (依赖)
• COMPATIBLE_WITH (Framework → Language) (兼容)

图分析：

• 识别频繁共同出现的模式
• 发现编码实践中的新兴趋势
• 将问题域映射到解决方案方法

使用工作流程

1. 增强的问题解决工作流程

当面临新的编码问题时：

1. 上下文收集：

   • 明确定义问题和约束
   • 确定性能要求和环境详细信息
   • 记录特定于项目的注意事项

2. 记忆查询：

   • 使用顺序思维分解问题
   • 查询 Qdrant 以查找类似的解决方案：qdrant-find-memories("遍历二叉树的有效方法")
   • 按语言、复杂性和质量指标过滤结果
   • 检查算法数据库以查找相关算法：SELECT * FROM algorithms WHERE name LIKE '%tree%'
   • 探索知识图谱以查找相关概念和替代方法

3. 解决方案应用：

   • 在 REPL 中测试和验证解决方案
   • 记录性能特征
   • 与替代方案进行比较

4. 反馈循环：

   • 将成功的解决方案存储回 Qdrant 中，并包含详细的元数据
   • 记录性能指标和使用上下文
   • 更新知识图谱连接

2. 模式学习与存储

当发现有用的模式时：

1. 自动文档生成：

   • 使用 AI 工具生成初始文档
   • 包括详细的使用示例
   • 记录边缘情况和限制

2. 质量评估：

   • 运行 linters 和静态分析器以确保代码质量
   • 计算并存储质量指标
   • 根据最佳实践进行验证

3. 元数据丰富：

   • 使用清晰的示例记录模式
   • 添加全面的元数据（语言、复杂性、依赖项）
   • 从受控词汇表中应用一致的标记

4. 知识集成：

   • 使用适当的标签和解释存储在 Qdrant 中
   • 创建与相关概念的知识图谱连接
   • 如果它是算法实现，则添加到 SQL 数据库
   • 根据内容相似性建议自动连接

3. 项目设置与样板

当启动一个新项目时：

1. 模板选择：

   • 从项目模板库中选择
   • 根据项目要求进行自定义
   • 选择语言、框架和测试工具

2. 自动设置：

   • 生成具有正确目录布局的项目结构
   • 使用适当的 .gitignore 设置版本控制
   • 配置 linting 和代码质量工具
   • 初始化测试框架

3. 最佳实践集成：

   • 查询记忆系统以查找相关的样板代码
   • 检索特定项目类型的最佳实践
   • 使用存储的文档模板进行初始设置
   • 根据项目要求配置 CI/CD

安全与数据完整性

1. 访问控制：

   • 基于角色的访问控制敏感代码存储库
   • 查看与修改记忆的权限

2. 备份与恢复：

   • 定期备份 Qdrant 和 SQLite 数据库
   • 知识图谱的版本控制
   • 数据损坏的恢复程序

3. 敏感信息：

   • 清理代码示例以删除敏感数据
   • 在存储之前验证代码片段
   • 标记并限制对敏感模式的访问

监控与分析

1. 使用情况跟踪：

   • 监控哪些模式被最频繁地检索
   • 跟踪搜索查询模式以识别知识差距
   • 记录用户评分和反馈

2. 性能指标：

   • 监控数据库响应时间
   • 跟踪内存使用情况和扩展要求
   • 根据使用模式优化查询

维护指南

1. 质量重于数量： 仅存储高质量、文档完善的代码
2. 定期审查： 定期审查和更新存储的模式
3. 上下文存储： 在每个存储的模式中包含使用上下文
4. 版本控制： 在 SQLite 中跟踪改进和版本
5. 标记一致性： 使用受控词汇表以获得更好的检索
6. 性能优化： 定期优化数据库查询
7. 反馈集成： 根据使用反馈更新模式

入门

1. 存储您的第一个代码记忆：

   qdrant-store-memory(json.dumps({
       "type": "code_pattern",
       "name": "Python 装饰器模式",
       "code": "def my_decorator(func):\n    def wrapper(*args, **kwargs):\n        # 在之前做一些事情\n        result = func(*args, **kwargs)\n        # 在之后做一些事情\n        return result\n    return wrapper",
       "explanation": "装饰器提供了一种在不更改其代码的情况下修改函数的方法。",
       "tags": ["python", "装饰器", "元编程"],
       "complexity": "intermediate"
   }))
   

2. 稍后检索它：

   qdrant-find-memories("python 装饰器模式")
   

未来增强

• 存储前的高级代码质量评估
• 与版本控制系统集成
• 从使用模式中学习以改进检索
• 自动文档生成
• 用于无缝访问的自定义 IDE 插件
• 多模式存储（代码、图表、解释）
• 用于查询的自然语言界面
• 性能基准数据库
• MCP 服务器和数据库的安装脚本