Вечная память для кодинг-агентов: связка Claude Code, MCP и Delta Lake

Ключевой вызов при длительной эксплуатации автономных кодинг-агентов — фрагментация и потеря исторического контекста. Разработчик может провести неделю, отлаживая вместе с Claude Code сложную интеграцию платежей или настраивая многоступенчатую миграцию базы данных. Но стоит завершить терминальную сессию и очистить контекстное окно, как агент начисто забывает все принятые архитектурные решения, найденные обходные пути и причины выбора конкретных зависимостей.

При последующем обращении модель вынуждена начинать путь с нуля, нередко наступая на те же самые баги и предлагая заведомо отвергнутые варианты реализации. Попытки передавать всю историю прошлых диалогов в системный промпт быстро приводят к взрывному росту стоимости API и переполнению контекстной памяти. Коул Медин предложил промышленное архитектурное решение этой проблемы: объединение сессионных логов Claude Code, открытого формата хранения данных Delta Lake и протокола Model Context Protocol (MCP) поверх платформы Databricks.

Локальные файлы против корпоративного озера данных

Каждая интерактивная сессия Claude Code формирует структурированный журнал в формате JSON, сохраняемый в пользовательской директории. Этот файл содержит полную хронику взаимодействия: введенные промпты, вызовы инструментов (чтение файлов, команды терминала), сырые сообщения об ошибках и финальный статус правок.

Существуют два принципиально разных подхода к утилизации этих данных. Первый — локальный: создание вспомогательного навыка (skill), который периодически сканирует директорию с логами и формирует рекомендации по обновлению файла правил проекта CLAUDE.md. Этот путь прост в запуске, но перестает работать уже через несколько недель: объем текстовых файлов растет, а линейный поиск по ним перегружает контекст агента и генерирует шум.

Второй подход — масштабируемый промышленный контур. Логи сессий регулярно выгружаются в корпоративное хранилище Delta Lake. Внутри хранилища движок Databricks Genie преобразует неструктурированные массивы JSON-событий в оптимизированные реляционные таблицы под управлением каталога Unity Catalog. В результате разрозненные терминальные сессии превращаются в индексированную структурированную базу корпоративного опыта.

Архитектура связи через Model Context Protocol

Чтобы агент мог использовать накопленные знания в реальном времени, между Claude Code и хранилищем развертывается шлюз Model Context Protocol (MCP). Стандарт MCP позволяет описать функции запроса к данным в виде готовых инструментов, доступных модели прямо из командной строки.

Когда разработчик ставит задачу, требующую знания прошлых решений («почему мы отказались от дефолтного пула соединений Prisma и как обошли ошибку авторизации?»), Claude Code не гадает и не просит повторить предысторию. Агент вызывает MCP-инструмент, формулирует аналитический запрос на естественном языке, а движок Genie транслирует его в точный SQL-запрос к таблицам Delta Lake.

Конфигурация подключения MCP-сервера Databricks в файле настроек клиента выглядит следующим образом:

{
  "mcpServers": {
    "databricks-memory": {
      "command": "uvx",
      "args": [
        "mcp-server-databricks",
        "--host", "https://your-workspace.cloud.databricks.com",
        "--catalog", "agent_memory",
        "--schema", "claude_sessions"
      ],
      "env": {
        "DATABRICKS_AUTH_TYPE": "oauth"
      }
    }
  }
}

В результате агент получает прямой доступ к таблицам ошибок и изменений. Например, при возникновении сбоя авторизации агент выполняет прицельную выборку прецедентов:

SELECT session_id, timestamp, tool_name, error_message, resolution
FROM agent_memory.claude_sessions.tool_errors
WHERE error_message LIKE '%OAuthTokenRevoked%'
ORDER BY timestamp DESC
LIMIT 5;

Модель извлекает из базы только конкретный фрагмент решения (resolution), затрачивая считанные сотни токенов вместо загрузки сотен килобайт истории диалогов.

Пошаговое развертывание и синхронизация

Для реализации схемы требуется настроить регулярную синхронизацию локальных артефактов агента с облачным каталогом. Официальный процесс опирается на консольный клиент Databricks CLI и тома Unity Catalog Volumes.

Предварительные требования включают установленный Python версии 3.10 или новее, а также учетную запись Databricks (подходит как корпоративная подписка, так и стартовый тариф).

# Установка официального клиента Databricks CLI
brew install databricks-cli

# Авторизация в рабочей области через браузерный OAuth-поток
databricks auth login --host https://your-workspace.cloud.databricks.com

# Проверка корректности авторизации
databricks current-user me

# Пакетная выгрузка локальных логов сессий Claude Code в облачный том
databricks fs cp -r ~/.claude/projects/ dbfs:/Volumes/agent_memory/claude_sessions/raw_logs/

После загрузки сырых файлов в Unity Catalog настраивается рабочее пространство Genie Space:

1. В интерфейсе Databricks открывается раздел Genie и создается новое пространство аналитики с именем Agent Memory.
2. В качестве источника данных подключается схема agent_memory.claude_sessions.
3. Genie автоматически анализирует структуру JSON-полей, генерирует метаданные колонок и строит векторные индексы для поиска по описанию проблем.
4. В профиле пользователя генерируется токен доступа или подтверждается сквозная OAuth-аутентификация для MCP-клиента.

Безопасность данных и границы применения

При проектировании долговременной памяти для кодинг-агентов первостепенное значение приобретает информационная безопасность. Логи терминальных сессий нередко содержат конфиденциальные данные: тестовые токены, внутренние URL корпоративных стендов, фрагменты проприетарного кода и персональные данные.

При использовании бесплатных тарифов облачных платформ (включая ознакомительные редакции Databricks) условия обслуживания могут допускать использование загруженной информации для обучения внутренних сервисов провайдера. Для коммерческих команд критически важно соблюдать два правила:

• Настроить предварительную очистку логов (санитизацию) от секретов и токенов перед отправкой в облачное хранилище.
• Использовать корпоративные подписки с юридически зафиксированным запретом на использование клиентских данных в циклах дообучения моделей.