@pcircle/memesh 4.0.3 → 4.1.0

package/README.de.md

@@ -1,110 +1,284 @@
+<!-- translated from README.md @ ab9d25f8d9cb7c78c4cc271717709e2efb4bac76 -->
+<!-- DO NOT edit this file by hand. The maintainer regenerates it from README.md via a private toolkit script (see internal docs). Manual edits will be overwritten on next sync. -->
+
 🌐 [English](README.md) | [繁體中文](README.zh-TW.md) | [简体中文](README.zh-CN.md) | [日本語](README.ja.md) | [한국어](README.ko.md) | [Português](README.pt.md) | [Français](README.fr.md) | [Deutsch](README.de.md) | [Tiếng Việt](README.vi.md) | [Español](README.es.md) | [ภาษาไทย](README.th.md)
 
 <p align="center">
   <h1 align="center">MeMesh LLM Memory</h1>
   <p align="center">
-    <strong>Die lokale Memory-Schicht für Claude Code und MCP-kompatible Coding Agents.</strong><br />
+    <strong>Lokaler Speicher für Claude Code und MCP-Coding-Agenten.</strong><br />
     Eine SQLite-Datei. Kein Docker. Keine Cloud erforderlich.
   </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>
+  </p>
 </p>
 
-> Dieses deutsche README ist eine kompakte Übersicht. Für die vollständige und aktuellste Dokumentation gilt das [English README](README.md) als Referenz.
+---
 
-## Welches Problem löst es?
+## Das Problem
 
-Coding Agents verlieren zwischen Sessions schnell den Zusammenhang. Architekturentscheidungen, frühere Bugfixes, gewonnene Erkenntnisse und Projektrahmenbedingungen müssen deshalb immer wieder neu erklärt werden.
+Ihr Coding-Agent vergisst, was zwischen Sessions passiert ist. Jede Architekturentscheidung, jede Bugfix, jeder fehlgeschlagene Test und jede hart erarbeitete Erkenntnis muss erneut erklärt werden. Claude Code startet von vorne, entdeckt alte Constraints neu und verschwendet Context auf Dinge, die es längst wissen sollte.
 
-**MeMesh hält dieses Wissen lokal fest, macht es durchsuchbar und bringt es später wieder in den Arbeitsfluss zurück.**
+**MeMesh gibt Coding-Agenten persistenten, durchsuchbaren und evolvirenden lokalen Speicher.**
 
-Dieses npm-Paket ist die lokale Plugin- / Package-Version von MeMesh. Es ist weder das Cloud-Workspace-Produkt noch eine vollständige Enterprise-Plattform.
+Dieses Paket ist die lokale Speicherschicht der MeMesh-Produktfamilie. Es ist bewusst klein und Open-Source gestaltet: Installation via npm, Speicherung im Wissensgraphen unter `~/.memesh/knowledge-graph.db`, Anbindung an Claude Code oder jeden MCP-kompatiblen Client. Gehostete Workspace- und Enterprise-Betriebssystem-Produkte bleiben separat von diesem README und der Roadmap.
+
+---
 
 ## In 60 Sekunden starten
 
-### 1. Installieren
+### Schritt 1: Installation
 
 ```bash
 npm install -g @pcircle/memesh
 ```
 
-### 2. Eine Entscheidung speichern
+### Schritt 2: Entscheidung speichern
 
 ```bash
 memesh remember --name "auth-decision" --type "decision" --obs "Use OAuth 2.0 with PKCE"
 ```
 
-### 3. Später wiederfinden
+### Schritt 3: Später abrufen
 
 ```bash
 memesh recall "login security"
-# → findet "OAuth 2.0 with PKCE" auch mit anderer Formulierung
+# → Findet "OAuth 2.0 with PKCE" auch mit anderen Suchbegriffen
+```
+
+**Das ist alles.** MeMesh merkt sich jetzt Informationen über Sessions hinweg.
+
+Um Installation und lokale Integration End-to-End zu überprüfen:
+
+```bash
+memesh doctor
 ```
 
-Dashboard öffnen:
+Dashboard öffnen, um den Speicher zu erkunden:
 
 ```bash
 memesh
 ```
 
+<p align="center">
+  <img src="docs/images/dashboard-search.png" alt="MeMesh Search — find any memory instantly" width="100%" />
+</p>
+
+<p align="center">
+  <img src="docs/images/dashboard-analytics.png" alt="MeMesh Analytics — health score, timeline, patterns, knowledge coverage" width="100%" />
+</p>
+
+<p align="center">
+  <img src="docs/images/dashboard-graph.png" alt="MeMesh Graph — interactive knowledge graph with type filters and ego mode" width="100%" />
+</p>
+
+---
+
 ## Für wen ist das gedacht?
 
-- Entwickler, die Claude Code nutzen und Projektkontext über Sessions hinweg behalten wollen
-- Power-User, die dieselbe lokale Memory zwischen mehreren MCP Coding Agents nutzen möchten
-- Kleine AI-native Teams, die Projektwissen per export / import teilen wollen
-- Agent-Entwickler, die lokale Memory über CLI, HTTP oder MCP einbinden möchten
+| Wenn Sie... | hilft Ihnen MeMesh... |
+|---------------|---------------------|
+| **Claude Code verwenden** | Projektentscheidungen, dateispezifische Erkenntnisse und vergangene Fehler während der Arbeit automatisch abrufen |
+| **Power-User von Coding-Agenten** | Eine lokale Speicherschicht über MCP-kompatible Tools verteilen |
+| **ein Team mit KI-Coding-Workflows experimentiert** | Projektwissen ohne gehostete Infrastruktur aus- und importieren |
+| **Agent-Entwickler** | Lokalen Speicher via MCP, HTTP, CLI oder Python-SDK hinzufügen |
+
+---
+
+## Speziell für Coding-Agenten entwickelt
+
+<table>
+<tr>
+<td width="33%" align="center">
+
+**Claude Code / Desktop**
+```bash
+memesh-mcp
+```
+MCP-Tools + Claude Code Hooks
+
+</td>
+<td width="33%" align="center">
+
+**Beliebige HTTP-Clients**
+```bash
+curl localhost:3737/v1/recall \
+  -H "Content-Type: application/json" \
+  -d '{"query":"auth"}'
+```
+`memesh serve` (REST API)
+
+</td>
+<td width="33%" align="center">
+
+**Jedes LLM (OpenAI-Format)**
+```bash
+memesh export-schema \
+  --format openai
+```
+Tools in beliebige API-Aufrufe einfügen
+
+</td>
+</tr>
+</table>
+
+---
+
+## Warum nicht OpenMemory, Cursor Memories, Mem0 oder Zep?
 
-## Warum MeMesh?
+| | **MeMesh** | OpenMemory | Cursor Memories | Mem0 | Zep / Graphiti |
+|---|---|---|---|---|---|
+| **Beste Eignung** | Lokaler Speicher für Coding-Agenten | Lokaler/MCP-basierter Cross-Client-Speicher | Cursor-natives Projektgedächtnis | Verwalteter App-/Agent-Speicher | Temporale Wissensgraphen |
+| **Installationsform** | `npm install -g @pcircle/memesh` | Lokale App/Server-Flow | In Cursor eingebaut | Cloud API / SDK / MCP | Service/Framework-Setup |
+| **Speicherung** | Eine lokale SQLite-Datei | Lokaler Memory-Stack | Cursor-verwaltete Regeln/Memories | Gehostet oder selbstgehostet | Graphdatenbank |
+| **Cloud erforderlich** | Nein | Nein im lokalen Modus | Abhängig von Cursor-Konto/-Einstellungen | Ja für Plattform | Meist ja/selbstgehostet |
+| **Claude Code Hooks** | Erste Klasse | MCP-Tools | Nein | MCP-Tools | Nicht Claude Code-spezifisch |
+| **Dashboard** | Eingebaut | Eingebaut | Cursor-Einstellungen | Plattform-Dashboard | Plattform/Graph-Tools |
+| **Tradeoff** | Einfache lokale Lösung, nicht Enterprise-skaliert | Größerer lokaler App-Footprint | An Cursor gebunden | Starke verwaltete Plattform, weniger lokal | Starkes Graph-Modell, aufwendigere Einrichtung |
 
-- Local-first: die Daten liegen in deiner eigenen SQLite-Datei
-- Leichte Installation: `npm install -g` und los
-- Direkte Integration: CLI, HTTP und MCP werden unterstützt
-- Gute Claude-Code-Passung: hooks bringen relevantes Wissen in den Workflow
-- Einsehbar statt Black Box: das Dashboard macht Memory sichtbar und pflegbar
-- Sicherere Import-Grenze: importierte Erinnerungen bleiben auffindbar, werden aber nicht automatisch in Claude-Hooks injiziert, solange sie nicht geprüft oder lokal neu gespeichert wurden
+**MeMesh tauscht Enterprise-skalierte verwaltete Infrastruktur gegen sofortige lokale Einrichtung, inspektierbaren Speicher und Coding-Agent-Workflow-Hooks.**
 
-## Was passiert automatisch in Claude Code?
+---
 
-MeMesh unterstützt aktuell an 5 Stellen:
+## Was läuft in Claude Code automatisch ab
 
-- beim Start der Session lädt es relevante Erinnerungen und bekannte Lessons
-- vor Dateibearbeitungen ruft es projekt- oder dateibezogene Memory ab
-- nach `git commit` protokolliert es die Änderung
-- am Session-Ende fasst es Fixes, Fehler und lessons learned zusammen
-- vor dem Context Compact speichert es wichtige Inhalte zurück in die lokale Memory
+Sie müssen nicht manuell alles speichern. MeMesh verfügt über **6 Hooks**, die Wissen während der Arbeit erfassen und injizieren:
 
-## Was bietet das Dashboard?
+| Wenn | Was MeMesh tut |
+|------|------------------|
+| **Am Anfang jeder Session** | Lädt Ihre relevantesten Memories + proaktive Warnungen aus früheren Lektionen + Agentur-Orchestrierungs-Banner |
+| **Vor Dateibearbeitungen** | Ruft Memories ab, die an die Datei oder das Projekt gebunden sind, bevor Claude Code schreibt |
+| **Vor Bash-Befehlen** | Ermutigt Claude, hochverifizierbare Befehle (Test, Build, Lint, Migration, Deployment, Benchmark) als Hintergrund-Agenten zu versenden |
+| **Nach jedem `git commit`** | Erfasst Ihre Änderungen mit Diff-Statistiken |
+| **Wenn Claude stoppt** | Erfasst bearbeitete Dateien und behobene Fehler; generiert automatisch strukturierte Lektionen aus Fehlern |
+| **Vor Context-Verdichtung** | Speichert Wissen, bevor es durch Context-Limits verloren geht |
 
-Das Dashboard hat 7 Tabs und unterstützt 11 Sprachen:
+> **Jederzeit abschalten:** `export MEMESH_AUTO_CAPTURE=false`
 
-- Search: Memory durchsuchen
-- Browse: alle Einträge ansehen
-- Analytics: Gesundheit und Trends verstehen
-- Graph: Wissensbeziehungen visualisieren
-- Lessons: frühere Erkenntnisse prüfen
-- Manage: archivieren und wiederherstellen
-- Settings: LLM-Provider und Sprache einstellen
+---
 
-## Was ist Smart Mode?
+## Dashboard
 
-MeMesh funktioniert standardmäßig offline. Mit einem LLM-API-Key lassen sich zusätzliche Fähigkeiten aktivieren, zum Beispiel:
+7 Reiter, 11 Sprachen, keine externen Abhängigkeiten. Zugang unter `http://localhost:3737/dashboard` wenn der Server läuft.
 
-- query expansion
-- bessere automatische Extraktion
-- intelligentere Verdichtung und Organisation
+| Reiter | Was Sie sehen |
+|--------|-------------|
+| **Search** | Volltextsuche + Vektorsimilarität über alle Memories |
+| **Browse** | Paginierte Liste aller Entitäten mit Archiv-/Restore-Funktion |
+| **Analytics** | Memory Health Score (0-100), 30-Tage-Timeline, Wertkennzahlen, Wissensabdeckung, Bereinigungsvorschläge, Ihre Arbeitsmuster |
+| **Graph** | Interaktiver kraft-gerichteter Wissensgraph mit Typfiltern, Suche, Ego-Modus, Aktualitäts-Heatmap |
+| **Lessons** | Strukturierte Lektionen aus vergangenen Fehlern (Fehler, Grundursache, Behebung, Prävention) |
+| **Manage** | Entitäten archivieren und wiederherstellen |
+| **Settings** | LLM-Provider-Konfiguration, sofortiger Sprachwahlschalter |
 
-Auch ohne API-Key bleiben die Kernfunktionen nutzbar.
+---
 
-## Mehr Informationen
+## Intelligente Features
 
-- Vollständige Funktionen, Vergleiche, API und Release-Details: [English README](README.md)
-- Integrationsleitfaden: [docs/platforms/README.md](docs/platforms/README.md)
-- API-Referenz: [docs/api/API_REFERENCE.md](docs/api/API_REFERENCE.md)
+**🧠 Intelligente Suche** — Suche nach „Login Security" und finde Memories über „OAuth PKCE". MeMesh erweitert Anfragen mit verwandten Begriffen unter Verwendung Ihres konfigurierten LLM.
 
-## Entwicklung und Verifikation
+**📊 Bewertetes Ranking** — Ergebnisse geordnet nach Relevanz (30%) + Aktualität (25%) + Häufigkeit (15%) + Konfidenz (15%) + Abruf-Auswirkung (10%) + Zeitliche Gültigkeit (5%).
+
+**🔄 Wissensentwicklung** — Entscheidungen ändern sich. `forget` archiviert alte Memories (löscht nie). `supersedes`-Relationen verbinden alt → neu. Ihr KI sieht immer die aktuelle Version.
+
+**⚠️ Konflikterkennung** — Wenn Sie zwei Memories haben, die sich widersprechen, warnt Sie MeMesh.
+
+**📦 Team-Freigabe** — `memesh export > team-knowledge.json` → mit Team teilen → `memesh import team-knowledge.json`
+Importierte Bundles bleiben durchsuchbar, aber MeMesh injiziert importierte Memories nicht automatisch in Claude Hooks, bis Sie sie überprüfen oder lokal neu speichern.
+
+---
+
+## Beispiele aus der Praxis
+
+> "MeMesh hat sich daran erinnert, dass wir vor drei Wochen PKCE gegenüber Implicit Flow gewählt haben. Als ich Claude erneut nach Auth fragte, wusste es bereits Bescheid — keine Wiederholungen nötig."
+> — **Einzelentwickler, baut eine SaaS**
+
+> "Wir exportieren unseren Team-Memory jeden Freitag und importieren ihn Montag. Jedes Claude des Teams startet die Woche mit dem Wissen aus der Vorwoche."
+> — **3er-Startup mit gemeinsamer Wissensbasis**
+
+> "Das Dashboard zeigte mir, dass 90 % meiner Memories automatisch generierte Session-Logs waren. Ich begann, `remember` bewusst für Architekturentscheidungen zu nutzen. Ein Spielwechsel."
+> — **Entwickler, der den Analytics-Reiter entdeckte**
+
+---
+
+## Smart Mode freischalten (optional)
+
+MeMesh funktioniert standardmäßig offline. Fügen Sie einen LLM API-Schlüssel nur hinzu, wenn Sie Query-Erweiterung, intelligentere Extraktion und Kompression wünschen:
+
+```bash
+memesh config set llm.provider anthropic
+memesh config set llm.api-key sk-ant-...
+```
+
+Oder nutzen Sie den Dashboard-Settings-Reiter (visuelles Setup):
+
+```bash
+memesh  # öffnet Dashboard → Settings-Reiter
+```
+
+| | Stufe 0 (Standard) | Stufe 1 (Smart Mode) |
+|---|---|---|
+| **Search** | FTS5-Keyword-Matching | + LLM Query-Erweiterung (~97 % Recall) |
+| **Auto-Capture** | Regelbasierte Muster | + LLM extrahiert Entscheidungen & Lektionen |
+| **Kompression** | Nicht verfügbar | `consolidate` komprimiert ausschweifende Memories |
+| **Kosten** | Kostenlos, kein API-Schlüssel | ~$0,0001 pro Suche (Haiku) |
+
+---
+
+## Alle 9 Memory-Tools
+
+| Tool | Was es tut |
+|------|-------------|
+| `remember` | Wissen mit Beobachtungen, Relationen und Tags speichern |
+| `recall` | Intelligente Suche mit Multi-Faktor-Bewertung und LLM Query-Erweiterung |
+| `forget` | Soft-Archivierung (löscht nie) oder entfernt spezifische Beobachtungen |
+| `consolidate` | LLM-gestützte Kompression ausschweifender Memories |
+| `export` | Memories als JSON zwischen Projekten oder Teamkollegen teilen |
+| `import` | Memories mit Merge-Strategien importieren (Skip / Overwrite / Append) |
+| `learn` | Strukturierte Lektionen aus Fehlern erfassen (Fehler, Grundursache, Behebung, Prävention) |
+| `user_patterns` | Arbeitsmuster analysieren — Zeitplan, Tools, Stärken, Lernbereiche |
+| `verify_agent_work` | Verifizierungsbericht für Hintergrund-Agent-Arbeit speichern; Reality-Check gegen behauptete Dateiänderungen via `git diff` |
+
+---
+
+## Architektur
+
+```
+                    ┌─────────────────┐
+                    │   Core Engine   │
+                    │  (8 operations) │
+                    └────────┬────────┘
+           ┌─────────────────┼─────────────────┐
+           │                 │                 │
+     CLI (memesh)    HTTP API (serve)    MCP (memesh-mcp)
+           │                 │                 │
+           └─────────────────┼─────────────────┘
+                             │
+                    SQLite + FTS5 + sqlite-vec
+                    (~/.memesh/knowledge-graph.db)
+```
+
+Der Kern ist Framework-agnostisch. Dieselbe Logik läuft vom Terminal, HTTP oder MCP.
+
+---
+
+## Beitragen
 
 ```bash
 git clone https://github.com/PCIRCLE-AI/memesh-llm-memory
-cd memesh-llm-memory
-npm install
-npm run build
-npm test
+cd memesh-llm-memory && npm install && npm run build
+npm test             # 489 tests
+npm run test:e2e-dashboard
 ```
+
+Dashboard: `cd dashboard && npm install && npm run dev`
+
+---
+
+<p align="center">
+  <strong>MIT</strong> — Erstellt von <a href="https://pcircle.ai">PCIRCLE AI</a>
+</p>