Plugin Peek pour Claude Code : Navigation Automatique dans la Mémoire de Session

✍️ OpenClawRadar📅 Publié: March 15, 2026🔗 Source
Plugin Peek pour Claude Code : Navigation Automatique dans la Mémoire de Session
Ad

Ce que fait Peek

Peek est un plugin pour Claude Code qui résout le problème de l'assistant IA ignorant les fichiers markdown et les préférences des utilisateurs après le mode plan. Les développeurs l'ont créé après s'être lassés que Claude Code ne suive pas systématiquement leurs fichiers markdown.

Comment cela fonctionne

Le plugin capture automatiquement les souvenirs et corrections sans nécessiter de rappels manuels. Il fusionne, met à jour et distille ces souvenirs, puis injecte les plus pertinents après chaque requête utilisateur. Cela se produit automatiquement sans avoir à rappeler à Claude Code d'utiliser les corrections.

Approche technique

Peek utilise une recherche par fusion avec plusieurs composants :

  • Embeddings de requête utilisateur + BM25
  • Embeddings de correction + BM25
  • Pondération par décroissance temporelle
  • Embeddings de requête cible
  • Filtres d'exclusion
  • Filtres stricts de métadonnées (comme des fichiers spécifiques)

Commandes d'installation

Depuis l'interface Claude Code :

/plugin marketplace add Project-White-Rabbit/peek-claude-plugin

Puis :

/plugin install peek

Après installation :

/exit

Reprendre Claude Code :

claude --resume

Se connecter à Peek :

/peek:login
Ad

Contexte et limitations

Les développeurs mentionnent avoir essayé diverses approches avant de créer Peek : utilisation intensive du mode plan (qui fonctionne bien), fichiers CLAUDE.md, AGENTS.md, MEMORY.md, dossiers de contexte locaux (avec des défis de maintenance), règles Cursor (pour les utilisateurs de Cursor), et claude-mem (un outil open-source qui gère la continuité de session mais pas l'orientation).

L'équipe travaille actuellement sur des benchmarks pour mesurer l'efficacité réelle de l'injection de contexte pour orienter Claude Code. Ils reconnaissent devoir améliorer l'extraction, les algorithmes de recherche et ajouter plus d'intégrations. Leur vision plus large consiste à créer une couche de contexte personnalisée en temps réel pour les agents IA, capable de comprendre les références spécifiques aux utilisateurs et d'intégrer le contexte personnel dans une couche sécurisée et structurée accessible à plusieurs agents.

📖 Read the full source: HN AI Agents

Ad

👀 See Also

La compétence Claude pour Devvit améliore la précision de génération de code de 73 % à 100 %.
Tools

La compétence Claude pour Devvit améliore la précision de génération de code de 73 % à 100 %.

Un développeur a créé une couche de prompt structurée SKILL.md pour Claude qui fournit un contexte pour la plateforme Devvit de Reddit, améliorant les résultats d'évaluation de 7/10 à 10/10 sur les tâches Devvit courantes en prévenant des bogues d'exécution spécifiques.

OpenClawRadar
TechDebtMCP v2.0.0 : Serveur MCP pour l'analyse de la dette technique dans 14 langues
Tools

TechDebtMCP v2.0.0 : Serveur MCP pour l'analyse de la dette technique dans 14 langues

TechDebtMCP v2.0.0 est un serveur MCP qui connecte Claude aux bases de code pour trouver, mesurer et hiérarchiser la dette technique dans 14 langages de programmation, notamment JS/TS, Python, Java, Swift, Kotlin, Go, Rust, C/C++, C#, Ruby et PHP.

OpenClawRadar
Superglue CLI : Laissez les agents IA exécuter des appels API sans outils pré-construits
Tools

Superglue CLI : Laissez les agents IA exécuter des appels API sans outils pré-construits

Superglue CLI fournit une compétence qui apprend aux agents d'IA de codage comment utiliser ses commandes, gérer l'authentification, construire des outils et déboguer les échecs. Au lieu de créer des outils pré-construits pour chaque intégration d'API, les agents peuvent lire les spécifications d'API au moment de l'exécution et planifier des appels en plusieurs étapes.

OpenClawRadar
Résultats pratiques de 11 constructions logicielles multi-agents sans échafaudage programmatique
Tools

Résultats pratiques de 11 constructions logicielles multi-agents sans échafaudage programmatique

L'analyse de 11 constructions multi-agents autonomes montre que l'application du périmètre fonctionne mécaniquement (20/20 succès) et non via des prompts (0/20), les coûts d'orchestration sont dominés par la ré-ingestion de mémoire (~95% des dépenses d'entrée), et la capacité du modèle de travailleur crée des écarts de débit de 9,8x.

OpenClawRadar