给 AI加长期记忆：再也不用每次重新交接项目了
你有没有过这样的崩溃时刻？
用 AI 写代码，每次开新对话，都像给新入职的外包做交接：
“我们项目用 pnpm，不是 npm”
“前端是 React，不是 Vue”
“上次我们聊到用户登录模块，卡到了校验这里”
“我习惯你先给结论，再讲过程”
说一遍不够，下次开新会话，你还得再说一遍。用了半年的 AI Coding 工具，它对你的了解，永远停留在 “你好，我是新来的”。
这不是 AI 不够聪明，是它没有长期记忆。
有记忆和没记忆的 AI，体验差距是 10 倍，不是 10%。
我给 CodeBuddy 做了一套纯本地的记忆系统
很多人一听到 AI 记忆，就想到要搭向量库、要搞云端服务、要部署一堆复杂的基础设施。
但我搞了一套纯本地方案—— 零外部依赖、不需要向量库、不需要后端服务，纯靠 Markdown 文件和提示词规则，就给 CodeBuddy 加上了长期记忆。
现在它能记住：
你的项目背景
你的协作偏好
你们的历史决策
之前踩过的坑
下次开会话，不用你重新交接，它直接接着上次的活干。
灵感来自 Knot，但把它搬到了本地
这套设计不是我凭空想的，灵感直接来自 Knot 的记忆系统 —— 用过 Knot 的朋友都知道，它的 AI 能跨会话记住你，下次聊天不用重复交代，体验特别好。
我拆解了 Knot 的核心机制，发现它的厉害之处根本不是什么复杂的向量检索，而是信息治理的规则：什么该存、存哪里、谁优先。
所以我把这套设计，原封不动地搬到了 CodeBuddy 里，做成了纯本地的版本。不用云端，所有数据都存在你自己的项目里，安全又放心。
装完之后，你的项目长这样
安装很简单，装完之后，你的项目里会多这么一套文件夹，就像一个整齐的文件柜，把不同的记忆分好类：
项目根目录/ ├── .codebuddy/ │ ├── rules/ │ │ └── memory-system/ RULE.mdc 启动规则（系统驱动器） │ └── memory/ │ ├── INSTRUCTIONS.md 用户硬规则（偏好/约束） │ ├── MEMORY.md 用户画像 + topic 索引（每轮必读） │ └── topic/ 单主题长期记忆 └── .gitignore 自动把memory加到忽略，不会提交到仓库
它是两层分离的：规则是系统，记忆是你自己的。装完的时候记忆是空的，用着用着，它就慢慢 “认识你” 了。
三个核心设计，让记忆真的好用
很多人做记忆系统，就是把聊天记录存起来，结果越存越多，最后上下文都被占满了，AI 反而变笨了。
这套系统不一样，它有三个关键设计，保证记忆好用又不占空间：
1. 权威性分层：不是所有记忆都一样重要
你有没有遇到过 AI 乱听指令？一会儿听你说的，一会儿听它自己记的，搞混了。
这套系统做了严格的优先级分层，就像一个金字塔：
最高优先级： ：你主动说的硬规则，比如 “我只用 pnpm”、“回答先给结论”，这些永远是最高的，AI 必须优先听；
中间优先级： ：你的用户画像、主题索引，每轮都会读，让 AI 知道你是谁，有哪些主题可以查；
最低优先级：topic/*.md：各个主题的详细记忆，只有需要的时候才会读，不会随便占上下文。
这样一来，AI 永远不会搞混该听谁的，你的硬规则永远不会被背景信息覆盖。
2. 双轨写入：主动记和自动沉淀分开
记忆也分两种：一种是你明确要它记住的，一种是它自己观察到的。
所以这套系统用了双轨写入的机制：
你主动说的 “记住 xxx”：直接写到 里，变成最高优先级的硬规则，比如你说 “记住，我只用 pnpm”，那它永远都会记得；
AI 自己沉淀的：比如你们聊了半天，定下了项目的技术决策、踩过的坑，这些它会自动写到 topic 文件夹里，同时更新 MEMORY 里的索引。
这样就不会乱，你明确要求的，它绝对不会忘；它自己观察的，也会好好存着，需要的时候再拿出来。
3. 每轮自检：AI 自己管自己，不用你催
最厉害的是，它有一套每轮自动执行的自检协议，就像一个循环的工作流：
每一轮对话，它都会自动做这几件事：
开始的时候，先读你的 INSTRUCTIONS 和 MEMORY，知道你的规则和画像；
然后判断，这次的问题，要不要读某个 topic 的详细记忆？比如你问上次的登录模块，它就自动把那个主题的记忆读出来；
回答完之后，再自检：这轮有没有产生什么值得存的长期记忆？如果有，就自动写到 topic 里，更新索引。
整个过程，你完全不用管，它自己就把读、判断、写的闭环跑通了。而且它控制了 token 预算，总共也就 5000token 左右，不会挤占你正常对话的空间。
实际体验：从 “新来的外包” 变成 “跟了你三个月的搭档”
这套系统用上之后，最直观的变化是什么？
没有记忆的 AI，是每次都重新入职的外包，你得从头教它 everything； 有记忆的 AI，是已经跟了你三个月的老搭档，你不用说，它都懂。
它带来的不是 “少打几个字”，而是连续性：
任务连续：上次聊到哪、卡在哪、下一步要做什么，它都记得；
判断连续：之前为什么选 A 不选 B，当时的约束和取舍，它都记得；
协作连续：你喜欢先看结论还是先看过程，偏好稳妥还是试错，它都记得。
比如你说 “继续写上次那份方案”，它知道你之前定下的受众、边界、表达风格，不用你再讲一遍； 比如你说 “帮我评估这个新需求”，它会沿用之前的判断框架，不会每次重新发明一套标准； 比如你说 “这个问题上次踩过坑”，它能找到当时的失败原因，避免再走一遍弯路。
开新会话？不存在的，就是接着上次继续干。
云端还是本地？你可以自己选
很多人会问，那我是用 Knot 的云端记忆，还是用这个本地方案？
其实很简单，看你的场景：
Knot 云端记忆：开箱即用，支持跨项目，适合团队协作，日常工作用它很方便；
本地 Markdown 方案：纯本地，零依赖，所有数据都在你自己手里，适合个人项目、敏感代码项目，或者你想自己定制规则。
而且这两个不是二选一，你可以并行用：工作上的团队项目用 Knot，自己的私人项目用本地方案，完全没问题。
别提前优化，够用就好
很多人一上来就说，我要搭向量库，我要搞 RAG，我要上最先进的检索。
但其实，大部分人根本用不到。
这套系统有个很清晰的升级路径，你不用一开始就搞全套：
V1：topic 少于 10 个的时候，纯提示词 + 文件读写就够了，大部分人停在这就够用了；
V2：topic 多了，要跨项目了，再加 MCP Server，支持跨项目共享；
V3：topic 超过 30 个了，再加全文检索，方便找东西；
V4：topic 超过 100 个了，再加本地向量库，做语义检索。
先跑通闭环，等你真的需要了，再升级。别还没开始用，就先把一堆复杂的基础设施搭起来，大部分时候都是浪费。
怎么装？一分钟搞定
安装超级简单，你不用改代码，不用部署服务，只要给你的 CodeBuddy 说一句话：
/CodeBuddy Markdown Memory帮我安装这一个memory系统
它就会自动帮你把这套系统装好，生成所有的文件，把 memory 加到.gitignore，防止你把个人记忆提交到仓库。
装完之后，新建个会话，测试一下：
继续聊这个项目，先读取我的记忆系统。
如果 AI 回应了记忆相关的内容，那就搞定了。接下来你正常用就行，它会自己慢慢记住你的所有事。
互动时间：你有没有过每次开新对话，都要重新给 AI 交代一遍项目的痛苦经历？比如上次说过的技术栈，下次又要再说一遍？评论区聊聊你的崩溃时刻！