На огромном репозитории ClickHouse агент Claude Code с подключённой общей памятью реже промахивается мимо нужных файлов и тратит заметно меньше денег на модель — но только когда контекст перестаёт жить в одноразовых сессиях и привязывается прямо к коду. Именно для этого команда ClickHouse открыла ClickHouse Loom (v1.2.0, лицензия Apache-2.0) — сервер долгосрочной памяти, поиска по документам и анализа кода для coding-агентов.
Почему coding-агенты страдают амнезией и как Loom привязывает память к коду
Знакомая картина. Вчера ты два часа объяснял Claude Code, Codex или Cursor, почему в модуле авторизации нельзя трогать старый кэш и где зарыта логика ретраев. Сегодня открываешь новую сессию — и привет, чистый лист. Агент снова обшаривает десятки файлов, жжёт токены и бодро предлагает сломать тот самый кэш. Файлы правил вроде CLAUDE.md спасают ровно до первого крупного рефакторинга, а в команде быстро превращаются в свалку противоречий.
ClickHouse зашла с инфраструктурной стороны и вынесла память в self-hosted (разворачиваемый на твоей машине или сервере компании, без утечки истории в чужое облако) сервис по протоколу MCP (Model Context Protocol) — открытому стандарту для подключения инструментов и баз знаний к ИИ-агентам. Всё хранится в ClickHouse: векторный и текстовый поиск, граф связей и аудит. При желании оперативное состояние памяти можно вынести в Postgres на первом запуске через LOOM_STORAGE_AUTHORITY=postgres.
Главная фишка — память, привязанная к коду. Заметки и решения крепятся к конкретным файлам и символам. Переехал метод при рефакторинге — заметка переехала следом. Поменялись связанные строки — факт помечается на проверку. Открывает агент этот участок завтра — нужный контекст всплывает сам. У каждой записи есть автор, история версий и разбор конфликтов, а любое namespace (изолированное пространство имён памяти, по умолчанию dev/local) можно откатить к любому моменту времени.
Рядом работает компиляторный индекс кода — не поиск по строкам, а структурная карта проекта: определения, вызывающие функции (callers), влияние правок и нужные тесты в связке с коммитами, PR и задачами. В образ уже вшиты индексеры для Python, TypeScript и Go, а на amd64 ещё и для C++. Плюс добавлены RAG с цитированием (поиск по заметкам, диалогам и документам PDF, .docx, .pptx через сервис extractor со ссылками на источники и отказом от ответа при низкой уверенности) и очереди задач (task inboxes с leases и ретраями) для передачи работы между агентами.
Бенчмарки без иллюзий: откуда берётся экономия и что осталось за скобками
Команда ClickHouse опубликовала воспроизводимые замеры на собственной кодовой базе с Claude Code (claude-sonnet-5):
| Задача / бенчмарк | С Loom | Без Loom | Эффект по ресурсам | Объём проверки |
|---|---|---|---|---|
| Качество ответов coding-агента | 0.84 | 0.78 | -20% к счёту модели | 24 вопроса × 3 парных прогона |
| Локализация нужных файлов (топ-3) | 96.4% | 91.4% | -21% к счёту модели | 36 вопросов × 10 парных прогонов |
Память vs полная история (LongMemEval-S, gpt-5 reader) | 94% | 90% | -91% токенов в промпте | 100 парных вопросов |
| SWE-bench Verified (файл в топ-10) | 82% | 57% (BM25) | 76.5% в топ-5 | 200 задач (только поиск файла) |
Цифры красивые, но авторы в документации честно перечислили все оговорки — и их стоит знать заранее.
Во-первых, экономия в первых двух строках считает только счёт за модель самого coding-агента. За скобками остались серверные вызовы LLM внутри Loom, расчёт эмбеддингов (числовых векторов для поиска по смыслу), индексация репозитория и хостинг ClickHouse. По сути, ты перекладываешь часть расходов из дорогого контекста агента в фоновый сервис.
Во-вторых, в тесте LongMemEval-S сжатие промпта не учитывает затраты на запись и извлечение памяти, а небольшой перевес в точности сами авторы называют описательным, а не статистически доказанным. В-третьих, SWE-bench здесь проверяет только поиск файла, а не решение задачи целиком.
Выходит простая арифметика: на огромном монорепозитории, где агент каждый раз подолгу ищет нужный модуль, Loom окупается быстро. На маленьком сервисе накладные расходы и поддержка базы легко съедят всю выгоду.
Как поднять Loom в Docker и подключить к Claude Code или Codex
Для локального запуска по Quickstart нужны Docker с Compose 2.20+ (на Windows — WSL 2 с Docker Desktop или Docker Engine внутри WSL) и свободный порт 7777. Персональный режим работает на localhost без логина, создаёт dev/local и не урезан по функциям — при росте команды его можно перевести в многопользовательский режим без потери данных.
Запускаем установщик из домашней директории:
# Запускай из домашней папки — конфиги и Compose лягут в ~/.loom
curl -fsSL \
https://github.com/ClickHouse/loom/releases/latest/download/install.sh \
-o loom-install.sh \
&& sh loom-install.sh \
&& rm loom-install.sh
Скрипт сохранит Compose-файл и .env в ~/.loom (путь меняется через LOOM_INSTALL_DIR), поднимет ClickHouse и Loom, накатит миграции, проверит чтение-запись и откроет веб-дашборд http://localhost:7777/. Повторный запуск обновит стек поверх с сохранением настроек.
Из коробки стек стартует без ключей и интернета, но ищет смысл через слабую локальную модель bge-small (384 измерения на CPU), а вместо LLM стоит заглушка fake-echo-1 — извлечение фактов, саммари сессий и memory.ask с ней молчат. Подписка или CLI-логин твоего агента не передают API-ключи внутрь Loom — их нужно задать отдельно.
Провайдеров удобно выбрать прямо в дашборде (Settings → Models & keys → Test & apply, без перезапуска контейнера) или прописать в ~/.loom/.env по разделу Models & keys. Один ключ OpenAI закрывает обе роли:
# Включаем реальные модели вместо локальной bge-small и fake-echo-1
LOOM_LLM_PROVIDER=openai
LOOM_LLM_MODEL=gpt-6-luna
OPENAI_API_KEY=<твой_ключ_OpenAI>
LOOM_EMBEDDING_PROVIDER=openai
LOOM_EMBEDDING_MODEL=text-embedding-3-large
LOOM_EMBEDDING_DIM=3072
# Не даём серверу тихо откатиться на заглушку
LOOM_REQUIRE_REAL_PROVIDERS=true
Если для LLM берёшь Anthropic (claude-haiku-4-5), для эмбеддингов понадобится второй провайдер — OpenAI, Gemini (gemini-embedding-001) или OpenAI-совместимый эндпоинт. Важно: один только ключ без LOOM_*_PROVIDER и LOOM_*_MODEL заглушки не выключит, а настройки из дашборда всегда перебивают .env. После правок файла пересоздай контейнер:
# Пересоздаём контейнер, чтобы подхватить правки из ~/.loom/.env
docker compose --project-directory "$HOME/.loom" \
up -d --force-recreate loom
Теперь подключаем самих агентов. Если установщик не сделал это сам, на localhost токен не нужен — хватит пары команд:
# Подключаем плагин для Claude Code (на localhost токен не нужен)
claude plugin marketplace add ClickHouse/loom
claude plugin install loom@loom
# Подключаем плагин для Codex
codex plugin marketplace add ClickHouse/loom
codex plugin add loom@loom
Открывай новую сессию — агент сам подключится к http://localhost:7777. В Codex после установки нужно один раз запустить codex интерактивно и одобрить hooks, иначе будут работать только инструменты без автозахвата сессии. Локальные Cursor и VS Code agent mode тоже цепляются по MCP без токена (командный плагин для Cursor Teams/Enterprise пока помечен как untested in Cursor). Для своих агентов есть HTTP API, SDK на Python 3.11+ и TypeScript (Node 20+), а для наблюдаемости — опциональные интеграции с Langfuse и ClickStack / HyperDX.
Кому Loom нужен уже сейчас, а где проще обойтись без него
Даже локально Loom — это полноценный клиент-серверный стек, где веб-сервер и ClickHouse делят CPU и RAM. По Deployment-гайду, в standalone-сборке число веб-воркеров (LOOM_WEB_WORKERS) по умолчанию прижато до двух (не больше одного на ядро и на гигабайт памяти, потолок — восемь), чтобы не душить базу, а служебные файлы живут в tmpfs по пути /run/loom.
Такой комбайн оправдан в большом репозитории, где работают несколько агентов или инженеров, задачи повторяются, а историю решений и поиск по документам нужно держать внутри своего контура. В остальных случаях выручит честный список When it does not fit от самих авторов — семь ситуаций, где Loom точно лишний.
Если у тебя один агент в одном процессе и короткая память на пару часов, тащить ради этого ClickHouse бессмысленно — проще взять in-process библиотеку. Не подойдёт Loom и для субмиллисекундных чтений на горячем пути: каждый запрос уходит в SQL (с FINAL по версионированным строкам), так что кэш он не заменит. Для глубокой графовой аналитики инструмент тоже упрётся в лимит четырёх шагов (hops) — длинные связи лучше выгружать через loom entity-export в графовую БД.
И не путай роли: Loom не агентный фреймворк, он не крутит промпты и цикл агента, а лишь хранит память и передаёт задачи. Аудит и верифицированное удаление (erasure saga) не заменяют готовую сертификацию под комплаенс. Прод на одном узле ClickHouse OSS без бэкапов авторы не советуют из-за отсутствия репликации и отката на точку во времени (PITR) — для продакшена они рекомендуют ClickHouse Cloud. Наконец, API ещё меняется между релизами, поэтому версию стоит жёстко фиксировать и сверяться с ops.capabilities.


