@pcircle/memesh 4.0.1 → 4.0.3

package/README.fr.md

@@ -3,253 +3,108 @@
 <p align="center">
   <h1 align="center">MeMesh LLM Memory</h1>
   <p align="center">
-    <strong>La couche mémoire IA universelle la plus légère.</strong><br />
-    Un seul fichier SQLite. N'importe quel LLM. Zéro cloud.
-  </p>
-  <p align="center">
-    <a href="https://www.npmjs.com/package/@pcircle/memesh"><img src="https://img.shields.io/npm/v/@pcircle/memesh?style=flat-square&color=3b82f6&label=npm" alt="npm" /></a>
-    <a href="LICENSE"><img src="https://img.shields.io/badge/license-MIT-22c55e?style=flat-square" alt="MIT" /></a>
-    <a href="https://nodejs.org"><img src="https://img.shields.io/badge/node-%3E%3D20-22c55e?style=flat-square" alt="Node" /></a>
-    <a href="https://modelcontextprotocol.io"><img src="https://img.shields.io/badge/MCP-compatible-a855f7?style=flat-square" alt="MCP" /></a>
+    <strong>La couche mémoire locale pour Claude Code et les coding agents compatibles MCP.</strong><br />
+    Un seul fichier SQLite. Sans Docker. Sans dépendance au cloud.
   </p>
 </p>
 
----
+> Ce README en français est une version condensée. Pour la documentation complète et la version la plus à jour, utilisez le [English README](README.md).
 
-## Le Problème
+## Quel problème cela résout-il ?
 
-Votre IA oublie tout entre les sessions. Chaque décision, chaque correction de bug, chaque leçon apprise — effacées. Vous réexpliquez le même contexte en boucle, Claude redécouvre les mêmes patterns, et les connaissances IA de votre équipe repartent à zéro à chaque fois.
+Les coding agents perdent facilement le contexte d'une session à l'autre. Les décisions d'architecture, les bugs déjà corrigés, les leçons apprises et les contraintes du projet doivent alors être réexpliqués sans cesse.
 
-**MeMesh donne à chaque IA une mémoire persistante, consultable et en constante évolution.**
+**MeMesh conserve ces connaissances en local, les rend consultables, et permet de les réutiliser au bon moment.**
 
----
+Ce package npm correspond à la version plugin / package locale de MeMesh. Il ne représente ni le workspace cloud ni une plateforme enterprise complète.
 
-## Démarrez en 60 Secondes
+## Démarrage en 60 secondes
 
-### Étape 1 : Installez
+### 1. Installer
 
 ```bash
 npm install -g @pcircle/memesh
 ```
 
-### Étape 2 : Votre IA se souvient
+### 2. Enregistrer une décision
 
 ```bash
 memesh remember --name "auth-decision" --type "decision" --obs "Use OAuth 2.0 with PKCE"
 ```
 
-### Étape 3 : Votre IA retrouve
+### 3. La retrouver plus tard
 
 ```bash
 memesh recall "login security"
-# → Trouve "OAuth 2.0 with PKCE" même avec des mots différents
+# → retrouve "OAuth 2.0 with PKCE" même avec une autre formulation
 ```
 
-**C'est tout.** MeMesh mémorise et rappelle désormais d'une session à l'autre.
-
-Ouvrez le tableau de bord pour explorer votre mémoire :
+Ouvrir le dashboard :
 
 ```bash
 memesh
 ```
 
-<p align="center">
-  <img src="docs/images/dashboard-search.png" alt="MeMesh Search — retrouvez n'importe quel souvenir instantanément" width="100%" />
-</p>
-
-<p align="center">
-  <img src="docs/images/dashboard-analytics.png" alt="MeMesh Analytics — visualisez les connaissances de votre IA" width="100%" />
-</p>
-
-<p align="center">
-  <img src="docs/images/dashboard-graph.png" alt="MeMesh Graph — graphe de connaissances interactif avec filtres de type et mode ego" width="100%" />
-</p>
-
----
-
-## Pour Qui Est-ce Fait ?
-
-| Si vous êtes... | MeMesh vous aide à... |
-|---------------|---------------------|
-| **Un développeur utilisant Claude Code** | Mémoriser décisions, patterns et leçons entre sessions automatiquement |
-| **Une équipe qui construit avec des LLMs** | Partager les connaissances de l'équipe via export/import, garder le contexte IA de tous aligné |
-| **Un développeur d'agents IA** | Donner à vos agents une mémoire persistante via MCP, HTTP API ou Python SDK |
-| **Un utilisateur avancé avec plusieurs outils IA** | Une couche mémoire qui fonctionne avec Claude, GPT, LLaMA, Ollama ou n'importe quel client MCP |
-
----
-
-## Compatible avec Tout
-
-<table>
-<tr>
-<td width="33%" align="center">
-
-**Claude Code / Desktop**
-```bash
-memesh-mcp
-```
-Protocole MCP (configuré automatiquement)
-
-</td>
-<td width="33%" align="center">
-
-**Python / LangChain**
-```python
-from memesh import MeMesh
-m = MeMesh()
-m.recall("auth")
-```
-`pip install memesh`
-
-</td>
-<td width="33%" align="center">
-
-**N'importe quel LLM (format OpenAI)**
-```bash
-memesh export-schema \
-  --format openai
-```
-Collez les outils dans n'importe quel appel API
-
-</td>
-</tr>
-</table>
-
----
-
-## Pourquoi Pas Mem0 / Zep ?
+## Pour qui ?
 
-| | **MeMesh** | Mem0 | Zep |
-|---|---|---|---|
-| **Temps d'installation** | 5 secondes | 30–60 minutes | 30+ minutes |
-| **Configuration** | `npm i -g` — terminé | Neo4j + VectorDB + clés API | Neo4j + config |
-| **Stockage** | Fichier SQLite unique | Neo4j + Qdrant | Neo4j |
-| **Fonctionne hors ligne** | Oui, toujours | Non | Non |
-| **Tableau de bord** | Intégré (7 onglets + analytiques) | Aucun | Aucun |
-| **Dépendances** | 6 | 20+ | 10+ |
-| **Prix** | Gratuit à vie | Offre gratuite / Payant | Offre gratuite / Payant |
+- Les développeurs qui utilisent Claude Code et veulent garder le contexte entre les sessions
+- Les utilisateurs avancés qui souhaitent partager la même mémoire locale entre plusieurs agents MCP
+- Les petites équipes AI-native qui veulent partager leur connaissance projet via export / import
+- Les développeurs d'agents qui veulent brancher une mémoire locale via CLI, HTTP ou MCP
 
-**MeMesh échange :** les fonctionnalités multi-tenant enterprise contre **une installation instantanée, zéro infrastructure et 100 % de confidentialité**.
+## Pourquoi choisir MeMesh ?
 
----
+- Local-first : les données restent dans votre propre fichier SQLite
+- Installation légère : `npm install -g` et c'est parti
+- Intégration directe : CLI, HTTP et MCP sont pris en charge
+- Bien adapté à Claude Code : les hooks ramènent le bon contexte dans le flux de travail
+- Inspectable : le dashboard permet de voir et nettoyer la mémoire
+- Frontière de confiance plus sûre : les mémoires importées restent consultables, mais ne sont pas injectées automatiquement dans les hooks Claude tant qu'elles n'ont pas été revues ou resauvegardées localement
 
-## Ce qui Se Passe Automatiquement
+## Que fait-il automatiquement dans Claude Code ?
 
-Inutile de tout mémoriser manuellement. MeMesh dispose de **4 hooks** qui capturent les connaissances sans que vous ayez à faire quoi que ce soit :
+Aujourd'hui, MeMesh intervient à 5 moments :
 
-| Quand | Ce que fait MeMesh |
-|------|------------------|
-| **Au démarrage de chaque session** | Charge vos souvenirs les plus pertinents + avertissements proactifs des leçons passées |
-| **Après chaque `git commit`** | Enregistre ce que vous avez modifié, avec les statistiques de diff |
-| **Quand Claude s'arrête** | Capture les fichiers édités, les erreurs corrigées et génère automatiquement des leçons structurées à partir des échecs |
-| **Avant la compaction du contexte** | Sauvegarde les connaissances avant qu'elles se perdent dans les limites du contexte |
+- au démarrage de session, il charge les mémoires pertinentes et les leçons connues
+- avant l'édition d'un fichier, il rappelle ce qui est lié au fichier ou au projet
+- après un `git commit`, il enregistre les changements effectués
+- à la fin de session, il résume les corrections, erreurs et lessons learned
+- avant la compaction du contexte, il sauvegarde ce qui ne doit pas être perdu
 
-> **Désactivez à tout moment :** `export MEMESH_AUTO_CAPTURE=false`
+## Que contient le dashboard ?
 
----
+Le dashboard propose 7 onglets et prend en charge 11 langues :
 
-## Tableau de Bord
+- Search : rechercher dans la mémoire
+- Browse : parcourir toutes les mémoires
+- Analytics : suivre la santé et les tendances
+- Graph : visualiser les relations de connaissance
+- Lessons : revoir les leçons apprises
+- Manage : archiver et restaurer
+- Settings : configurer le provider LLM et la langue
 
-7 onglets, 11 langues, zéro dépendance externe. Accessible à `http://localhost:3737/dashboard` lorsque le serveur tourne.
+## Qu'est-ce que le Smart Mode ?
 
-| Onglet | Ce que vous voyez |
-|--------|-------------------|
-| **Search** | Recherche plein texte + similarité vectorielle sur tous les souvenirs |
-| **Browse** | Liste paginée de toutes les entités avec archivage/restauration |
-| **Analytics** | Score de Santé Mémoire (0-100), timeline 30 jours, métriques de valeur, couverture des connaissances, suggestions de nettoyage, vos habitudes de travail |
-| **Graph** | Graphe de connaissances interactif dirigé par forces avec filtres de type, recherche, mode ego, carte thermique de récence |
-| **Lessons** | Leçons structurées tirées des échecs passés (erreur, cause racine, correction, prévention) |
-| **Manage** | Archiver et restaurer des entités |
-| **Settings** | Configuration du fournisseur LLM, sélecteur de langue |
+MeMesh fonctionne hors ligne par défaut. Si vous configurez une API key LLM, vous pouvez activer des capacités supplémentaires, par exemple :
 
----
+- query expansion
+- une extraction automatique plus utile
+- une organisation et une compression plus intelligentes
 
-## Fonctionnalités Intelligentes
+Sans API key, le cœur du produit reste totalement utilisable.
 
-**🧠 Recherche Intelligente** — Cherchez « login security » et trouvez des souvenirs sur « OAuth PKCE ». MeMesh élargit les requêtes avec des termes connexes via le LLM configuré.
+## Aller plus loin
 
-**📊 Classement par Score** — Résultats classés par pertinence (35 %) + date de dernière utilisation (25 %) + fréquence (20 %) + confiance (15 %) + si l'info est toujours d'actualité (5 %).
+- Fonctionnalités complètes, comparaisons, API et notes de release : [English README](README.md)
+- Guide d'intégration : [docs/platforms/README.md](docs/platforms/README.md)
+- Référence API : [docs/api/API_REFERENCE.md](docs/api/API_REFERENCE.md)
 
-**🔄 Évolution des Connaissances** — Les décisions changent. `forget` archive les anciens souvenirs (ne supprime jamais). Les relations `supersedes` relient l'ancien au nouveau. Votre IA voit toujours la dernière version.
-
-**⚠️ Détection de Conflits** — Si deux souvenirs se contredisent, MeMesh vous avertit.
-
-**📦 Partage en Équipe** — `memesh export > team-knowledge.json` → partagez avec votre équipe → `memesh import team-knowledge.json`
-
----
-
-## Activez le Mode Intelligent (Optionnel)
-
-MeMesh fonctionne entièrement hors ligne par défaut. Ajoutez une clé API LLM pour débloquer une recherche plus intelligente :
-
-```bash
-memesh config set llm.provider anthropic
-memesh config set llm.api-key sk-ant-...
-```
-
-Ou utilisez l'onglet Paramètres du tableau de bord (configuration visuelle) :
-
-```bash
-memesh  # ouvre le tableau de bord → onglet Paramètres
-```
-
-| | Niveau 0 (par défaut) | Niveau 1 (Mode Intelligent) |
-|---|---|---|
-| **Recherche** | Correspondance de mots-clés FTS5 | + Expansion de requête par LLM (~97 % de rappel) |
-| **Capture automatique** | Patterns basés sur des règles | + LLM extrait décisions et leçons |
-| **Compression** | Non disponible | `consolidate` compresse les souvenirs verbeux |
-| **Coût** | Gratuit, sans clé API | ~0,0001 $ par recherche (Haiku) |
-
----
-
-## Les 8 Outils Mémoire
-
-| Outil | Ce qu'il fait |
-|------|-------------|
-| `remember` | Stocke les connaissances avec observations, relations et tags |
-| `recall` | Recherche intelligente avec scoring multi-facteurs et expansion de requête par LLM |
-| `forget` | Archivage doux (ne supprime jamais) ou suppression d'observations spécifiques |
-| `consolidate` | Compression de souvenirs verbeux assistée par LLM |
-| `export` | Partage les souvenirs en JSON entre projets ou membres d'équipe |
-| `import` | Importe des souvenirs avec des stratégies de fusion (ignorer / écraser / ajouter) |
-| `learn` | Enregistre des leçons structurées à partir des erreurs (erreur, cause racine, correction, prévention) |
-| `user_patterns` | Analyse vos habitudes de travail — planning, outils, points forts, axes d'apprentissage |
-
----
-
-## Architecture
-
-```
-                    ┌─────────────────┐
-                    │   Core Engine   │
-                    │  (8 operations) │
-                    └────────┬────────┘
-           ┌─────────────────┼─────────────────┐
-           │                 │                 │
-     CLI (memesh)    HTTP API (serve)    MCP (memesh-mcp)
-           │                 │                 │
-           └─────────────────┼─────────────────┘
-                             │
-                    SQLite + FTS5 + sqlite-vec
-                    (~/.memesh/knowledge-graph.db)
-```
-
-Le cœur est indépendant du framework. La même logique s'exécute depuis le terminal, HTTP ou MCP.
-
----
-
-## Contribuer
+## Développement et vérification
 
 ```bash
 git clone https://github.com/PCIRCLE-AI/memesh-llm-memory
-cd memesh-llm-memory && npm install && npm run build
-npm test -- --run    # 413 tests
+cd memesh-llm-memory
+npm install
+npm run build
+npm test
 ```
-
-Tableau de bord : `cd dashboard && npm install && npm run dev`
-
----
-
-<p align="center">
-  <strong>MIT</strong> — Fait par <a href="https://pcircle.ai">PCIRCLE AI</a>
-</p>

package/README.ja.md

@@ -3,253 +3,108 @@
 <p align="center">
   <h1 align="center">MeMesh LLM Memory</h1>
   <p align="center">
-    <strong>最も軽量なユニバーサル AI メモリ層。</strong><br />
-    SQLite ファイル 1 つ。あらゆる LLM に対応。クラウド不要。
-  </p>
-  <p align="center">
-    <a href="https://www.npmjs.com/package/@pcircle/memesh"><img src="https://img.shields.io/npm/v/@pcircle/memesh?style=flat-square&color=3b82f6&label=npm" alt="npm" /></a>
-    <a href="LICENSE"><img src="https://img.shields.io/badge/license-MIT-22c55e?style=flat-square" alt="MIT" /></a>
-    <a href="https://nodejs.org"><img src="https://img.shields.io/badge/node-%3E%3D20-22c55e?style=flat-square" alt="Node" /></a>
-    <a href="https://modelcontextprotocol.io"><img src="https://img.shields.io/badge/MCP-compatible-a855f7?style=flat-square" alt="MCP" /></a>
+    <strong>Claude Code と MCP coding agents のためのローカルメモリレイヤー。</strong><br />
+    SQLite ファイル 1 つ。Docker 不要。クラウド不要。
   </p>
 </p>
 
----
+> この日本語 README は要点をまとめた案内版です。最新かつ完全な内容は [English README](README.md) を参照してください。
 
-## 問題の本質
+## 何を解決するのか
 
-AI はセッションをまたぐたびにすべてを忘れます。すべての決断、すべてのバグ修正、すべての学び——消えてしまいます。同じコンテキストを何度も説明し直し、Claude は同じパターンを再発見し、チームの AI 知識は毎回ゼロにリセットされます。
+coding agent はセッションをまたぐと文脈を失いやすくなります。設計判断、バグ修正の経緯、過去の失敗、プロジェクト固有の制約を何度も説明し直すことになります。
 
-**MeMesh はすべての AI に、永続的で検索可能な、進化し続けるメモリを与えます。**
+**MeMesh はそれらの知識をローカルに残し、検索できる状態で保持し、あとから再利用できるようにします。**
 
----
+この npm package は MeMesh のローカル plugin / package 版です。クラウドのワークスペース製品や企業向け基盤を含むものではありません。
 
 ## 60 秒で始める
 
-### ステップ 1: インストール
+### 1. インストール
 
 ```bash
 npm install -g @pcircle/memesh
 ```
 
-### ステップ 2: AI が記憶する
+### 2. 判断を記録する
 
 ```bash
 memesh remember --name "auth-decision" --type "decision" --obs "Use OAuth 2.0 with PKCE"
 ```
 
-### ステップ 3: AI が思い出す
+### 3. あとで呼び戻す
 
 ```bash
 memesh recall "login security"
-# → 別の言葉で検索しても「OAuth 2.0 with PKCE」が見つかります
+# → 言い回しが違っても "OAuth 2.0 with PKCE" を見つけられます
 ```
 
-**以上です。** MeMesh はセッションをまたいで記憶・想起を始めています。
-
-ダッシュボードを開いてメモリを探索してみましょう：
+ダッシュボードを開くには:
 
 ```bash
 memesh
 ```
 
-<p align="center">
-  <img src="docs/images/dashboard-search.png" alt="MeMesh Search — 任意のメモリを瞬時に検索" width="100%" />
-</p>
-
-<p align="center">
-  <img src="docs/images/dashboard-analytics.png" alt="MeMesh Analytics — AI の知識を可視化" width="100%" />
-</p>
-
-<p align="center">
-  <img src="docs/images/dashboard-graph.png" alt="MeMesh Graph — タイプフィルターとエゴモード付きインタラクティブ知識グラフ" width="100%" />
-</p>
-
----
-
-## 誰のためのツールか？
-
-| あなたが…なら | MeMesh はこう役立てます |
-|---------------|---------------------|
-| **Claude Code を使う開発者** | 決断・パターン・学びをセッションをまたいで自動的に記憶 |
-| **LLM でプロダクトを作るチーム** | エクスポート/インポートでチーム知識を共有し、全員の AI コンテキストを統一 |
-| **AI エージェント開発者** | MCP・HTTP API・Python SDK 経由でエージェントに永続メモリを付与 |
-| **複数の AI ツールを使うパワーユーザー** | Claude・GPT・LLaMA・Ollama または任意の MCP クライアントで使える共通メモリ層 |
-
----
-
-## あらゆるものと連携
-
-<table>
-<tr>
-<td width="33%" align="center">
-
-**Claude Code / Desktop**
-```bash
-memesh-mcp
-```
-MCP プロトコル（自動設定済み）
-
-</td>
-<td width="33%" align="center">
-
-**Python / LangChain**
-```python
-from memesh import MeMesh
-m = MeMesh()
-m.recall("auth")
-```
-`pip install memesh`
-
-</td>
-<td width="33%" align="center">
-
-**任意の LLM（OpenAI 形式）**
-```bash
-memesh export-schema \
-  --format openai
-```
-任意の API 呼び出しに貼り付け
-
-</td>
-</tr>
-</table>
-
----
-
-## なぜ Mem0 / Zep ではないのか？
+## 誰に向いているか
 
-| | **MeMesh** | Mem0 | Zep |
-|---|---|---|---|
-| **セットアップ時間** | 5 秒 | 30〜60 分 | 30 分以上 |
-| **設定方法** | `npm i-g` — 完了 | Neo4j + VectorDB + API キー | Neo4j + 設定 |
-| **ストレージ** | SQLite ファイル 1 つ | Neo4j + Qdrant | Neo4j |
-| **オフライン利用** | 常時対応 | 非対応 | 非対応 |
-| **ダッシュボード** | 組み込み（7 タブ + アナリティクス） | なし | なし |
-| **依存関係** | 6 | 20+ | 10+ |
-| **価格** | 永久無料 | 無料枠 / 有料 | 無料枠 / 有料 |
+- Claude Code を使い、セッション間でもプロジェクトの文脈を残したい開発者
+- 同じローカルメモリを MCP coding agents 間で使い回したい上級ユーザー
+- export / import でチーム知識を共有したい小規模な AI-native 開発チーム
+- CLI、HTTP、MCP にローカルメモリを組み込みたい agent 開発者
 
-**MeMesh のトレードオフ：** エンタープライズ向けマルチテナント機能を省き、**即時セットアップ・インフラ不要・完全プライバシー**を実現しています。
+## MeMesh を選ぶ理由
 
----
+- ローカルファースト: データは自分の SQLite に保存
+- 導入が軽い: `npm install -g` ですぐ使える
+- 接続方法が明快: CLI、HTTP、MCP をサポート
+- Claude Code と相性がよい: hooks により作業中の記憶呼び出しがしやすい
+- 見える・整理できる: dashboard があるので中身を確認しやすい
+- import の安全境界: import した記憶は検索できても、レビューや再保存を行うまでは Claude hooks へ自動注入されません
 
-## 自動で動く仕組み
+## Claude Code で自動的に行うこと
 
-すべてを手動で記憶する必要はありません。MeMesh には **4 つのフック**があり、何もしなくても知識を自動的にキャプチャします：
+MeMesh は現在、次の 5 つのタイミングで役立ちます。
 
-| タイミング | MeMesh が行うこと |
-|------|------------------|
-| **セッション開始時** | 最も関連性の高いメモリを読み込み + 過去の教訓からのプロアクティブな警告 |
-| **`git commit` 後** | 変更内容と差分統計を記録する |
-| **Claude 終了時** | 編集したファイル・修正したエラーをキャプチャし、失敗から構造化された教訓を自動生成 |
-| **コンテキスト圧縮前** | コンテキスト上限で失われる前に知識を保存する |
+- セッション開始時に、関連する記憶と既知の教訓を読み込む
+- ファイル編集前に、そのファイルやプロジェクトに関係する記憶を呼び出す
+- `git commit` 後に、変更内容を記録する
+- セッション終了時に、今回の修正やエラー、lesson learned を整理する
+- context compact 前に、重要な内容をローカルメモリへ保存する
 
-> **いつでも無効化：** `export MEMESH_AUTO_CAPTURE=false`
+## Dashboard でできること
 
----
+Dashboard には 7 つのタブがあり、11 言語に対応しています。
 
-## ダッシュボード
+- Search: メモリ検索
+- Browse: メモリ一覧
+- Analytics: 健全性や傾向の確認
+- Graph: 関係グラフの確認
+- Lessons: 過去の教訓の確認
+- Manage: アーカイブと復元
+- Settings: LLM provider と言語設定
 
-7 タブ、11 言語、外部依存ゼロ。サーバー起動中は `http://localhost:3737/dashboard` でアクセス。
+## Smart Mode とは
 
-| タブ | 内容 |
-|------|------|
-| **Search** | すべてのメモリに対する全文検索 + ベクトル類似度検索 |
-| **Browse** | すべてのエンティティのページネーション一覧（アーカイブ/復元対応） |
-| **Analytics** | メモリヘルススコア（0-100）、30日タイムライン、価値指標、知識カバレッジ、クリーンアップ提案、作業パターン |
-| **Graph** | タイプフィルター、検索、エゴモード、最新性ヒートマップ付きインタラクティブ力学グラフ |
-| **Lessons** | 過去の失敗から生成された構造化レッスン（エラー、根本原因、修正方法、予防策） |
-| **Manage** | エンティティのアーカイブと復元 |
-| **Settings** | LLM プロバイダー設定、言語セレクター |
+MeMesh はデフォルトでオフライン利用できます。さらに LLM API key を設定すると、次のような機能を有効にできます。
 
----
+- query expansion
+- より良い自動抽出
+- より賢い整理や圧縮
 
-## スマート機能
+API key がなくてもコア機能は使えます。
 
-**🧠 スマート検索** — 「login security」で「OAuth PKCE」に関するメモリが見つかります。設定した LLM を使ってクエリを関連語に展開します。
+## さらに読む
 
-**📊 スコアリングランキング** — 結果は関連性（35%）+ 最終使用日（25%）+ 使用頻度（20%）+ 信頼度（15%）+ 情報の有効期限（5%）で順位付けされます。
+- 完全な機能一覧、比較、API、release 情報: [English README](README.md)
+- プラットフォーム別ガイド: [docs/platforms/README.md](docs/platforms/README.md)
+- API リファレンス: [docs/api/API_REFERENCE.md](docs/api/API_REFERENCE.md)
 
-**🔄 知識の進化** — 決断は変わります。`forget` は古いメモリをアーカイブします（削除はしません）。`supersedes` の関係で古いものと新しいものをつなぎます。AI は常に最新版を参照します。
-
-**⚠️ 矛盾検出** — 2 つのメモリが相互に矛盾している場合、MeMesh が警告を出します。
-
-**📦 チーム共有** — `memesh export > team-knowledge.json` → チームと共有 → `memesh import team-knowledge.json`
-
----
-
-## スマートモードを有効にする（任意）
-
-MeMesh はデフォルトで完全にオフラインで動作します。LLM API キーを追加するとより賢い検索が使えます：
-
-```bash
-memesh config set llm.provider anthropic
-memesh config set llm.api-key sk-ant-...
-```
-
-またはダッシュボードの設定タブで視覚的に設定：
-
-```bash
-memesh  # ダッシュボードを開く → 設定タブ
-```
-
-| | レベル 0（デフォルト） | レベル 1（スマートモード） |
-|---|---|---|
-| **検索** | FTS5 キーワードマッチング | + LLM クエリ展開（約 97% 再現率） |
-| **自動キャプチャ** | ルールベースのパターン | + LLM が決断・学びを抽出 |
-| **圧縮** | 利用不可 | `consolidate` で冗長なメモリを圧縮 |
-| **コスト** | 無料・API キー不要 | 検索 1 回約 $0.0001（Haiku） |
-
----
-
-## 全 8 つのメモリツール
-
-| ツール | 機能 |
-|------|-------------|
-| `remember` | 観察記録・関係性・タグとともに知識を保存 |
-| `recall` | 多因子スコアリングと LLM クエリ展開によるスマート検索 |
-| `forget` | ソフトアーカイブ（完全削除なし）または特定の観察記録を削除 |
-| `consolidate` | LLM を使って冗長なメモリを圧縮 |
-| `export` | メモリを JSON でプロジェクトやチームメンバーと共有 |
-| `import` | マージ戦略（スキップ / 上書き / 追加）を選んでメモリをインポート |
-| `learn` | ミスから構造化されたレッスンを記録（エラー、根本原因、修正方法、予防策） |
-| `user_patterns` | 作業パターンを分析 — スケジュール、ツール、強み、学習分野 |
-
----
-
-## アーキテクチャ
-
-```
-                    ┌─────────────────┐
-                    │   Core Engine   │
-                    │  (8 operations) │
-                    └────────┬────────┘
-           ┌─────────────────┼─────────────────┐
-           │                 │                 │
-     CLI (memesh)    HTTP API (serve)    MCP (memesh-mcp)
-           │                 │                 │
-           └─────────────────┼─────────────────┘
-                             │
-                    SQLite + FTS5 + sqlite-vec
-                    (~/.memesh/knowledge-graph.db)
-```
-
-コアはフレームワーク非依存。ターミナル・HTTP・MCP のいずれから呼び出しても、同じロジックが実行されます。
-
----
-
-## コントリビュート
+## 開発と検証
 
 ```bash
 git clone https://github.com/PCIRCLE-AI/memesh-llm-memory
-cd memesh-llm-memory && npm install && npm run build
-npm test -- --run    # 413 tests
+cd memesh-llm-memory
+npm install
+npm run build
+npm test
 ```
-
-ダッシュボード：`cd dashboard && npm install && npm run dev`
-
----
-
-<p align="center">
-  <strong>MIT</strong> — <a href="https://pcircle.ai">PCIRCLE AI</a> 制作
-</p>