deja-vu

Dein Agent ist dabei, etwas neu zu debuggen, das du vor acht Monaten schon gelöst hast, nur in einem anderen Agent als dem, der es damals gelöst hat. deja-vu von Vladislav Shulcz, veröffentlicht Mitte 2026, zielt genau auf dieses Muster: 34 Coding-Agent-Harnesses (Claude Code, Codex, Cursor, aider, Zed und mehr) schreiben ohnehin jede Konversation in lokale Sitzungsdateien, aber kaum etwas liest über sie hinweg. deja-vu indiziert diese Dateien dort, wo sie schon liegen, und gibt die richtige an den fragenden Agent zurück, ganz ohne eigenen Aufnahmeschritt, ohne Embedding-Modell und ohne API-Key für den Kernpfad; die Transkripte selbst sind das Gedächtnis.

Eine einzelne Go-Binary parst das jeweils eigene Sitzungsformat jedes Agents (JSONL bei Claude Code und Codex, SQLite bei Cursor) in einen lokalen invertierten Index und entfernt dabei Zugangsdaten: AWS-Keys, Bearer-Token, JWTs, PEM-Blöcke und sogar ein in Prosa genanntes Passwort. Recall läuft dann als lexikalischer Lookup, gemessen mit 0,7 bis 0,8 ms Median auf einem echten Korpus von 1,9 GB und 2.419 Sitzungen, und feuert automatisch beim Sessionstart, vor einem Tool-Aufruf und nach einem Fehlschlag, nicht nur auf explizite Nachfrage. Ein MCP-Server stellt denselben Index jedem unterstützenden Agent bereit, und der Befehl deja stats verwandelt ein Jahr an Sitzungen in eine teilbare Terminal-Karte oder SVG-Grafik.

Es passt zu Entwicklern, die ohnehin zwischen mehreren Coding-Agents auf einer Maschine wechseln und bei jedem Wechsel den Kontext verlieren; das README bringt es selbst auf den Punkt: 'in Codex gelöst, Claude erinnert sich'. Weil die Indizierung rückwirkend über Historie arbeitet, die schon vor der Installation von deja-vu geschrieben wurde, gibt es keine Kaltstartphase, und weil der Kernpfad weder Embeddings noch einen LLM-Aufruf braucht, funktioniert es vollständig offline mit vorhersagbarer, fast verschwindender Latenz. Das Projekt dokumentiert zudem ein explizites Sicherheitsmodell: was redigiert wird, was nicht (rohe Kommandoausgaben in den Original-Transkripten bleiben unangetastet), und wie man ein Projekt ausschließt oder eine Sitzung vergisst.

Die Schlagzeilen-Zahlen (88,1% hit@1 auf LongMemEval-S, 70,5% auf LoCoMo, die Token-Ersparnis gegenüber voller Historie und naivem Grep) stammen aus dem eigenen Benchmark-Harness des Projekts, nicht aus einer unabhängigen Auswertung, auch wenn beide Harnesses im Repository mitgeliefert werden und in Minuten auf öffentlichen Datensätzen laufen, was sie ungewöhnlich leicht selbst nachprüfbar macht. Windows bekommt echte Binaries und CI-Abdeckung, wird aber ausdrücklich als weniger battle-tested als macOS und Linux bezeichnet. Und obwohl der Kernpfad local-first ist, sendet das optionale semantische Recall redigierten, gekürzten indizierten Text an den konfigurierten Embedding-Endpunkt, standardmäßig lokal, aber eine Einstellung, die man doppelt prüfen sollte, wenn Datenschutz der Punkt ist.

deja-vu ist eine starke Wahl für alle, die über mehrere Coding-Agents hinweg arbeiten und agentenübergreifendes Gedächtnis wollen, ohne eine Memory-Plattform aufzusetzen oder für Embeddings zu zahlen: kostenlos, MIT-lizenziert, aktiv gepflegt (33 Contributor, nahezu wöchentliche Releases), und die Performance-Angaben kommen mit den Mitteln, sie selbst zu prüfen. Die ehrlichen Einschränkungen sind die Windows-Reife und der Umstand, dass jede zitierte Zahl selbst berichtet ist, wenn auch reproduzierbar. Für einen Single-Agent-Workflow, oder wenn du speziell semantisches statt lexikalisches Recall als primären Pfad brauchst, lohnt sich ein Blick in den Vergleichsguide, bevor du von einem Drop-in-Fit ausgehst.