AI编程-记忆迷思

今年十二月，其实也是我深入探索agent 构建的一年。无论是在公司层面，还是我个人兴趣上，都对 agent 的发展方向抱有浓厚的关注。月底的时候，我读到了 Anthropic 关于 AI 编程的一些观点，特别是关于所谓“code agent”应该如何完善和处理的问题。

在我看来，这些讨论始终绕不开一个核心论调：所有关于agent 的构建，本质上都是围绕“记忆”这个话题展开的。不论是之前提出的 skill、sub-agent，还是其他各种组件，其实都是在尝试解决同一个问题——如何让 AI 更好地记住并理解你的整个项目。

这次工程文档中对code agent 的改进，同样没有脱离“记忆”这个主线。而关于记忆，文档从两个层面进行了阐述。

1

第一个层面，是如何让AI 对整个项目的情况有更全面的把握，也就是“记忆的传承”。文档里提出的主要方法是：在每次创建代码项目时，要生成一个 to-do list。这个 to-do list 不仅要列出已完成和未完成的任务，还要明确每项任务完成后在哪里打勾。这听起来并不新鲜——从今年初的 Minus 开始，很多 agent 构建方案就围绕着 to-do list 展开：先列出任务清单，再逐项执行。

但这次的做法有些不同。这里的to-do list 不只是任务列表，还附带了一个“项目概览”。这个概览会告诉 AI：整个项目结构大概是什么样子的，帮助它更好地理解接下来要做什么。

这一点我其实也有类似的实践。每次启动一个代码项目（不一定是agent 项目），我通常会让 AI 先遍历所有文档，然后生成一个 README。这个 README 会包括项目的整体架构、有哪些关键文档、每个文件夹的作用是什么等等。无论是对我自己，还是对 AI 来说，这都能显著提升对项目整体情况的把握效率。否则，每次调研项目都得通读全部文件再总结一遍，不仅耗时，还会占用大量记忆空间——我觉得这确实没必要。

这次的文档就很明确地提出：要构建这样一个类似README 的概览文档，让 AI 清楚地知道“我现在处于什么状态”。不仅如此，它还进一步建议建立一个“日志文档”，详细记录每一次修改的位置、效果如何，并将每个修改版本都保存在 Git 中作为备份。这样一来，万一某次改动出了问题，还能回退到之前的版本。这种做法，真的很有软件工程的味道了。

这是第一点：如何加强记忆的继承。

2

第二点，则是如何降低项目对记忆的依赖。设想一下，如果每次AI 开始处理你的项目，都得先把所有内容读一遍，搞清楚接口关系，哪怕有 README，依然会消耗大量时间和资源，联调时也会很麻烦。

Anthropic 在这里提出了一个思路——也是他们观察到高级软件工程师常用的做法：对整个工程项目进行解耦，采用模块化设计。

所谓“解耦”，意思是每个功能单元之间没有强耦合关系。也就是说，我完成这个模块，并不会影响上一个模块的运行；完成之后，也不需要立刻知道后续模块如何实现。只要把这个功能模块做好，就算完成了一部分任务。

对AI 来说，这意味着它只需要掌握很少的信息，就能继续往下工作。等所有功能模块都完成后，再做一次整体集成，整个项目就完成了。我觉得这是非常聪明的做法，其实也是人类在工业社会中的核心工作思路。

模块化设计在工业领域早已成熟。比如电脑和手机，就被清晰地拆分为主板、内存、CPU、GPU、硬盘等独立元件。把这些硬件组合起来，再装上操作系统，一台完整的电脑就诞生了。而且，你可以随时替换其中任意一个模块，而不会影响整体系统的运行。

这确实很有借鉴意义——知识是相通的。无论你做的是硬件、软件，还是工业设计，底层的思维逻辑往往高度相似。