Chuckle

@cyberbankerccc 现在记忆系统都是人为设定了场景、分层，配合 llm 进行记忆分类。但我觉得这是应用上层的事情了，通用的 ai 记忆系统，应该设计一个无业务语意的 db 出来，再围绕它做一些业务应用，但现在的记忆项目并没有将两者分开，mem0 今年也不再在存储层做语义消歧了。

https://github.com/qxchuckle/lattice
自用的，全局开个目录存，项目指纹，跨项目记录 spec ，ai 干活自己往里面写入 prd 、设计文档、打进度等等。
也可视化了一下，本地 400 多个项目，干了 600 个任务了，每个都有完整任务生命周期，沉淀了 200 个 spec ，半年的积累。反正养成系，越用越好用。现在数据够了，在摸一个 ai 通用记忆的东西，反正慢慢探索吧。

感觉 mac 更是个折中选择

https://github.com/qxchuckle/lattice
自用的一个，全局存储，跨项目维护

让我现在开手动挡也开不动了

看客户，客户要速度，不嫌 bug 多，弄点灰度、AB 集群兜底就行了，有故障就修。要是要质量，那就老老实实测吧，出了问题也是自己的锅。ai 又不懂业务，不懂客户要什么，没啥办法。

肯定的，你让谁去看一个几十万代码的多仓项目，没有业务文档，没有架构设计文档，什么信息都没有，也是一头雾水，能力再强也只能猜着改，测着改，一个字段状态流转都要推半天。所以，怎么让 AI 认识项目，就是个难题了，agent 产品再强，什么 repo wiki ，也最多梳理猜测一个项目仓库的信息，不提供私域知识，写代码就是抽奖。另外我也发现，如果 AI 前置信息越多，AI 其实越愿意写注释，相反，可能还会把原来的注释删了。而且 AI 做错猜错事才是最有价值的，说明信息缺失，你可以教会 AI ，然后自动沉淀到记忆或者知识库里，下次遇到相似的事情，就不会错了。

bro ，这就是痛点，现在也没好办法，等模型变强比现在一堆权宜之计更靠谱，但短时间比较成熟的两种做法，一是先做好知识库之类的，反正就是把文档写好，交接文档那样的，然后做一个任务之前，左移，把要写什么代码讲清楚，这个就很累，项目大了敲小作文时间比写代码还多，没 AI 之前也不见得项目文档写得能有多适合人类看。二是干完活就记录经验，试错反馈，这个就是烦，你得设计好这个反馈环境，然后刚开始做什么任务都出错，得一步步教，好处是下次遇到同类任务，AI 通过环境能知道咋整，不用费心。当然两者结合也行，不过最重要一点还是测试，AI 能知道自己写对了没有才是最好的反馈。但实际上，迭代了多年的老项目，也许根本测不动，或者只能测大流程、只能测代码，测不动业务流程。

用的多的还是 GUI ，只是圈子里接触的 CLI 多，我也不常用 CLI ，Qoder 、Codex 混着用，方便多了，用 CLI 一般也是在 ide 里开个终端，那和大部分 ide agent 侧边栏开个聊天框也大差不差了，cli 还更灵活