Tempera

Name: Tempera
Author: anvanster

제작자: anvanster버전 0.4.29i★ –i내 컴퓨터에서 실행

레지스트리 이름io.github.anvanster/tempera

설치

개요

제작자가 쓴 설명(영어 원문)

Persistent episodic memory for AI coding: capture, retrieve, brief, dream cycle, cross-project.

PopNx MCP의 세 기둥

이 세 가지는 절대 하나의 점수로 합치지 않아요. 의견, 측정, 인기는 서로 다른 것이니까요.

사용자 의견i아직 리뷰가 없어요리뷰는 다음 단계에서 계정 기능과 함께 열려요
우리의 기본 점검i1개 중 1개 통과공개된 정보로 점검했으며, 코드는 아직 스캔하지 않았어요
사용 정도i아직 측정 안 함★ –

할 수 있는 일

이 서버는 아직 쉬운 말로 된 요약을 쓰지 못했어요. 아래는 레지스트리에서 읽어 온 사실이에요.

연결 방식: 내 컴퓨터에서 실행
전송 방식: stdio
카테고리: 검색 및 AI 기억

설치

쓰고 있는 AI 앱을 고른 다음 설정을 복사하세요.

설치하기 전에

기본 점검: 1개 중 1개 통과
내 컴퓨터에서 내 사용자 계정의 권한(파일, 네트워크, 앱)으로 실행돼요.
레지스트리에 입력해야 할 키가 나와 있지 않아요.

필요한 것

npmNode.js 설치(npx 명령어용)

어떤 앱을 쓰세요?

ClaudeClaude CodeCursorVS CodeChatGPT

위에서 앱을 고르세요. 기억해 두었다가 다음부터는 버튼에 “…에 설치”라고 표시해요.

Claude Desktop → Settings → Developer → Edit Config를 열고 claude_desktop_config.json에 이 내용을 붙여 넣으세요

{
  "mcpServers": {
    "tempera": {
      "command": "npx",
      "args": [
        "-y",
        "@astudioplus/tempera-mcp"
      ]
    }
  }
}

터미널에서 이 명령어를 실행하세요

claude mcp add tempera -- npx -y @astudioplus/tempera-mcp

Cursor에서 열기

또는 설정을 직접 복사하기

프로젝트의 .cursor/mcp.json 또는 ~/.cursor/mcp.json에 붙여 넣으세요

{
  "mcpServers": {
    "tempera": {
      "command": "npx",
      "args": [
        "-y",
        "@astudioplus/tempera-mcp"
      ]
    }
  }
}

브라우저가 앱을 열지 물어본 다음, 앱이 설정을 보여 주고 확인을 요청해요. 키 값은 비워 두니 직접 입력하세요.

VS Code에서 열기

또는 설정을 직접 복사하기

프로젝트의 .vscode/mcp.json에 붙여 넣으세요

{
  "servers": {
    "tempera": {
      "type": "stdio",
      "command": "npx",
      "args": [
        "-y",
        "@astudioplus/tempera-mcp"
      ]
    }
  }
}

브라우저가 앱을 열지 물어본 다음, 앱이 설정을 보여 주고 확인을 요청해요. 키 값은 비워 두니 직접 입력하세요.

이 서버는 내 컴퓨터에서 실행되는데, ChatGPT는 인터넷에 있는 서버에만 연결할 수 있어요. 다른 앱을 고르세요.

선택한 앱은 이 기기의 쿠키에만 저장돼요. 계정은 필요 없어요.

이 설정은 제작자의 레지스트리 정보로 만들었어요. README와 다르면 README를 따르세요.

할 수 있는 일

내 컴퓨터에서 실행돼요. 설치하면 AI 앱에 도구 목록이 나타나요.

기본 점검i

누구나 볼 수 있는 정보를 점검했고, 코드는 읽지 않았어요. 해당하지 않는 항목은 개수에서 뺐어요. · 2026년 11월 6일 점검

✓ 통과
제작자와 저장소 일치
레지스트리 이름이 GitHub 계정 anvanster 기준으로 확인되었고, 이 계정이 저장소를 소유하고 있어요
… 아직 점검 안 함
계속 관리되고 있음
아직 GitHub에서 이 저장소를 읽어 오지 않았어요
… 아직 점검 안 함
라이선스 있음
아직 GitHub에서 이 저장소를 읽어 오지 않았어요
– 해당 없음
엔드포인트 응답
내 컴퓨터에서 실행되는 서버라 인터넷 엔드포인트가 없어요
– 해당 없음
OAuth로 로그인
내 컴퓨터에서 실행되며, 대신 로컬 설정을 사용해요
… 아직 점검 안 함
도구 설명에 숨겨진 지시 없음
내 컴퓨터에서 실행돼요. 도구 목록은 인터넷 엔드포인트가 있는 서버에서만 읽을 수 있어요

검색 및 AI 기억 카테고리의 다른 서버와 비교i

이 카테고리의 다른 서버 7243개 중 0%보다 스타가 많아요
이 카테고리의 다른 서버 7243개 중 14%보다 최근에 레지스트리에 공개됐어요
기본 점검 결과가 이 카테고리의 다른 서버 7243개 중 100%와 같거나 더 좋아요

레지스트리에서 이 카테고리의 활성 서버 전체와 비교했어요. 스타는 게시자가 저장소를 소유한 경우에만 세요.

자주 묻는 질문

Tempera, 안전한가요?

해당하는 기본 점검 1개 중 1개를 통과했어요. 코드는 읽지 않았어요. 키나 토큰을 넣기 전에 서버가 어떤 권한을 요구하는지 확인하고, 꼭 필요한 권한만 있는 키를 쓰세요.

어떤 키나 코드가 필요한가요?

레지스트리에 필수 키가 나와 있지 않아요. 다만 처음 쓸 때 로그인을 요구하는 서버도 있어요.

내 컴퓨터에서 실행되나요, 클라우드에서 실행되나요?

내 컴퓨터에서 실행돼요. AI 앱이 필요할 때 실행하고, 데이터는 제작자의 서버를 거치지 않아요(서버 자체가 온라인 서비스를 호출하는 경우는 제외).

아직 관리되고 있나요?

GitHub 저장소는 마지막으로 – 변경됐고, 최신 버전(0.4.29)은 5개월 전 레지스트리에 올라왔어요.

어떤 앱에서 쓸 수 있나요?

Claude Desktop, Claude Code, Cursor, VS Code처럼 MCP를 지원하는 앱에서 쓸 수 있어요. 내 컴퓨터에 Node.js도 있어야 해요.

대신 쓸 수 있는 건 뭐가 있나요?

같은 카테고리에는: Context7, Codebase Memory, Exa

대안

같은 카테고리에서 다른 제작자가 만든 서버예요. 스타 순으로 정렬했어요.

카드 보는 법:★ GitHub 스타i세 기둥: 리뷰 · 점검 · 사용 정도i업데이트 = 최신 버전을 레지스트리에 공개한 날i

Context7

제작자: upstash

Up-to-date docs for AI agents

컴퓨터 또는 클라우드★ 64,224MIT3일 전 업데이트

설치

Codebase Memory

제작자: DeusData

Codebase knowledge graph for AI agents — 162 languages, sub-ms queries, 99% fewer tokens.

내 컴퓨터에서 실행★ 48,148MIT20일 전 업데이트

설치

Exa

제작자: exa-labs

Connect AI agents to Exa for web search, content fetching, and multi-step research.

클라우드에서 실행★ 5,213MIT44일 전 업데이트

설치

제작자의 README

README 열기

제작자의 저장소에서 쓰인 그대로 가져왔어요. PopNx MCP가 검토하거나 보증한 내용이 아니에요. HTML, 이미지, 스크립트는 제거했어요. 링크를 누르면 이 사이트를 벗어나요.

Tempera - Persistent Memory for Claude Code

Tempera gives Claude Code a persistent memory that learns from experience. Instead of starting fresh each session, Claude can recall past solutions, learn what works, and get smarter over time.

Why Tempera?

The Problem: Claude Code forgets everything between sessions. You solve the same problems repeatedly, and Claude can't learn from past successes or failures.

The Solution: Tempera captures coding sessions as "episodes", indexes them for semantic search, and uses reinforcement learning to surface the most valuable memories when relevant.

Without Tempera:                    With Tempera:

┌─────────────┐ ┌─────────────┐ │ Session 1 │ ──forgotten──> │ Session 1 │ ──captured──┐ └─────────────┘ └─────────────┘ │ ┌─────────────┐ ┌─────────────┐ ▼ │ Session 2 │ ──forgotten──> │ Session 2 │ ◄──recalls──┤ └─────────────┘ └─────────────┘ │ ┌─────────────┐ ┌─────────────┐ │ │ Session 3 │ ──forgotten──> │ Session 3 │ ◄──recalls──┘ └─────────────┘ └─────────────┘ │ │ ▼ ▼ No learning Continuous improvement

How It Works

The Learning Loop

┌────────────────────────────────────────────────────────────────┐

│ 1. START TASK │ │ User: "Fix the login redirect bug" │ └────────────────────────────────────────────────────────────────┘ │ ▼ ┌────────────────────────────────────────────────────────────────┐ │ 2. RETRIEVE MEMORIES │ │ Claude searches: "login redirect bug" │ │ Finds: "Fixed similar issue by sanitizing return URLs" │ │ + Session context: related episodes from the same task │ └────────────────────────────────────────────────────────────────┘ │ ▼ ┌────────────────────────────────────────────────────────────────┐ │ 3. SOLVE FASTER │ │ Claude uses past experience to solve the problem │ └────────────────────────────────────────────────────────────────┘ │ ▼ ┌────────────────────────────────────────────────────────────────┐ │ 4. CAPTURE SESSION │ │ Claude saves: what was done, what worked, what failed │ │ Auto-links to current session for multi-step tasks │ └────────────────────────────────────────────────────────────────┘ │ ▼ ┌────────────────────────────────────────────────────────────────┐ │ 5. LEARN FROM FEEDBACK │ │ User: "That memory was helpful!" │ │ → Episode utility increases │ │ → Multi-hop Bellman propagation spreads value │ │ → Session-linked episodes get boosted │ │ → Unhelpful memories fade over time │ └────────────────────────────────────────────────────────────────┘

What Makes It "Learn"

Mechanism	What It Does
Feedback	Helpful episodes gain utility score
Multi-hop Bellman Propagation	Value spreads through the similarity graph across multiple hops
Session Chaining	Related episodes in multi-step tasks are linked and boost each other
Temporal Credit	Episodes before successes get credit (even across session boundaries)
Recency Boost	Fresh episodes can be weighted higher in retrieval (opt-in)
Scope-aware Decay	Project-bound claims fade in ~70 days; language-level facts last ~3 years; universal truths never decay
Verification State	Captures advance from `Untested` → `TestsPass` → `Merged` → `StableNoRevert`; later states weigh more
Calibration	Per-(task, project) verified vs. declared ratio surfaces overconfidence
Dream Cycle	Nightly reflection, pattern detection, contradiction probing, and template extraction
Self-Improvement Log	Tracks corrections, missed questions, and queues clarifying questions for next session
Cross-Project Transfer	Claims marked language / crate / domain / forever-scoped surface across projects

Over time, frequently helpful knowledge rises to the top, while stale or unhelpful memories fade away — and the system itself accumulates a per-project picture of where it tends to be wrong.

The bigger surfaces (v0.6 onward)

Beyond the basic capture/retrieve loop, Tempera ships several higher-order surfaces. Each is opt-in but all flow through the same MCP tools — Claude can use them without any custom client code.

Grounded capture (v0.6): Every captured claim carries a falsifiability score, a category, and a ValidityScope (Forever / Language / Crate / Domain / Workaround / Project). Decay rates are per-scope — universal truths never expire, project-specific conventions fade in months, workarounds expire when the underlying issue closes.
Dream cycle (v0.7): A budgeted nightly pipeline that runs verify_advance → decay → reflect → patterns → contradict → templates. Reflections turn high-signal days into prose; patterns surface themes that keep recurring; contradict probes pairs of frequently-retrieved episodes for factual disagreements; templates extract reusable step sequences from successful task clusters.
Self-improvement (v0.8): Calibration tracks the ratio of declared vs. verified successes per (task, project). Mistakes log records corrections the agent made. Should-have-asked log records questions it realized it should have asked first. Ask-backs are clarifying questions the *system itself* drafts via Haiku when a capture ends in failure with vague intent — queued for the next session in that project.
Brief surface (v0.9): One MCP call joins all of the above against the file set the agent is about to touch. tempera_brief(files, task_type?, domain?) returns pending ask-backs, the matching reasoning template, top correction categories for those files, should-have-asked triggers, and a calibration warning if the agent's track record on this kind of task is shaky.
Cross-project learning (v0.10): tempera_retrieve and tempera_brief both accept cross_project=true. Transferable claims (anything not project-scoped) surface across projects; Project-scoped knowledge stays bound to its codebase. Legacy captures default to non-transferable until reclassified.

Installation

Build from Source

# Clone and build

git clone https://github.com/anvanster/tempera.git cd tempera cargo build --release

Two binaries are created:

- target/release/tempera (CLI tool)

- target/release/tempera-mcp (MCP server for Claude Code)

Install from crates.io

cargo install tempera

First Run - Model Download

On first use, Tempera downloads the BGE-Small embedding model (~128MB) for semantic search. This happens automatically and only once:

# Initialize and trigger model download

tempera init

Output:

🔄 Loading embedding model (this may download the model on first run)...

✅ Embedding model loaded

The model is cached globally at ~/.tempera/models/ and shared across all projects.

Setup with Claude Code

1. Add the MCP Server

claude mcp add tempera --scope user -- /path/to/Tempera/target/release/tempera-mcp

The --scope user flag makes it available across all your projects.

2. Restart Claude Code

Exit and restart Claude Code to load the new MCP server.

3. Verify

Run /mcp in Claude Code. You should see tempera with 12 tools.

MCP Tools

Once connected, Claude has access to these 12 tools, grouped by purpose:

Session warmup (call at task start)

Tool	When to Use
`tempera_session_start`	Call ONCE at the very start. Returns any clarifying question tempera drafted after a previous failed/partial session in this project.
`tempera_brief`	Call once the file set is known. Joins pending ask-back, reasoning template, top correction categories for these files, should-have-asked triggers, and calibration warning into one response. Pass `task_type` + `domain` for richer output. Set `cross_project=true` to supplement with rows from other projects.
`tempera_retrieve`	Search for similar past episodes. Set `scope="cross-project"` to include transferable claims from other projects.
`tempera_template`	Pull the reasoning template stored for a `(task_type, domain)` pair. The step sequence past wins followed.

During task

Tool	When to Use
`tempera_log_correction`	When the user corrects an assumption / decision / piece of code. Categorized log; the brief surface uses it.
`tempera_log_should_have_asked`	When you realize mid-task you should have asked a question up front. Records the trigger context, the question, and the eventual answer.

End of task

Tool	When to Use
`tempera_capture`	Save session as an episode. Auto-detects session links and runs propagation. The intent-extraction LLM call also suggests a `ValidityScope` for cross-project routing.
`tempera_feedback`	Mark retrieved episodes as helpful or not. Drives the utility-learning loop.

Diagnostics + maintenance

Tool	When to Use
`tempera_status`	Per-project memory health snapshot.
`tempera_stats`	Statistics + trend analytics (helpfulness over time, domain growth, learning curve).
`tempera_propagate`	Multi-hop Bellman propagation with convergence tracking. Periodic maintenance.
`tempera_review`	Consolidate similar BKMs, cleanup. Run after related task series.

Standard warmup pattern

tempera_session_start          # is anything queued from last session?

tempera_brief(files, ...) # what does tempera know about this exact change? tempera_retrieve(query) # then deep-dive into specific episodes

Key Lifecycle Behaviors

Start of session: Call tempera_session_start first to consume any pending ask-back, then tempera_brief once the file set is known.

End of task: Capture successful sessions with tempera_capture — don't wait to be asked. Capture also drafts an ask-back via Haiku if the outcome was Failure/Partial with vague intent, so the next session in this project sees the gap.

Session chaining: Episodes captured within 2 hours of each other in the same project are automatically linked. Multi-step tasks share utility and context.

Cross-project routing: New captures get a ValidityScope suggestion from the intent-extraction LLM (v0.10.3). Project-scoped claims stay bound to one codebase; Language / Crate / Domain / Workaround / Forever claims surface across projects when retrieval opts in.

tempera_retrieve Modes

Search:           tempera_retrieve(query: "authentication bug")

List all: tempera_retrieve(all: true) Show details: tempera_retrieve(query: "abc12345") # episode ID Cross-project: tempera_retrieve(query: "sqlx ordering", scope: "cross-project")

Example Conversation

User: Fix the login redirect vulnerability

Claude: [Calls tempera_session_start()] No pending ask-back — proceeding.

[Calls tempera_brief(files: ["src/auth.rs", "src/router.rs"], task_type: "bugfix", domain: "auth-middleware")]

🔴 PENDING ASK-BACK Ask the user first: "Should auth run before o

앞부분만 보여 드려요. 나머지는 저장소에서 읽어 보세요

Tempera

개요

PopNx MCP의 세 기둥

할 수 있는 일

설치

설치하기 전에

할 수 있는 일

기본 점검i

제작자와 저장소 일치

계속 관리되고 있음

라이선스 있음

엔드포인트 응답

OAuth로 로그인

도구 설명에 숨겨진 지시 없음

검색 및 AI 기억 카테고리의 다른 서버와 비교i

자주 묻는 질문

대안

Context7

Codebase Memory

Exa

제작자의 README

Tempera - Persistent Memory for Claude Code

Why Tempera?

How It Works

The Learning Loop

What Makes It "Learn"

The bigger surfaces (v0.6 onward)

Installation

Build from Source

Two binaries are created:

- target/release/tempera (CLI tool)

- target/release/tempera-mcp (MCP server for Claude Code)

Install from crates.io

First Run - Model Download

Output:

🔄 Loading embedding model (this may download the model on first run)...

✅ Embedding model loaded

Setup with Claude Code

1. Add the MCP Server

2. Restart Claude Code

3. Verify

MCP Tools

Session warmup (call at task start)

During task

End of task

Diagnostics + maintenance

Standard warmup pattern

Key Lifecycle Behaviors

tempera_retrieve Modes

Example Conversation