你教過AI的東西，它轉(zhuǎn)頭就忘。這不是你的錯覺——這是所有無狀態(tài)（stateless）AI的出廠設(shè)置。

一位叫CodeMentor的開發(fā)者算過一筆賬：同一個Rust借用檢查錯誤，他修了47次，AI助手每次都像第一次見。47次重復(fù)講解，47次從零開始。時間不是花在解決問題上，而是花在重新建立上下文上。

他做了個實驗：給AI裝上記憶。

從"金魚腦"到"錯題本"

傳統(tǒng)AI的工作流程像急診室分診——來了病人，看完送走，病歷銷毀。CodeMentor的改造很簡單：每次對話前先查檔案。

代碼實現(xiàn)直白得近乎樸素。分析之前，先召回歷史：

const mems = await hs.recall(bankId, "coding mistakes");

然后把這批"案底"喂給模型。反饋從此有了上下文——不是泛泛而談"Rust所有權(quán)規(guī)則"，而是"你上個月在Vec迭代時踩過這個坑，這次又是類似模式"。

調(diào)試變成了學(xué)習(xí)。因為AI記得你的薄弱點，能主動繞開或針對性強化。

錯誤處理同樣關(guān)鍵。每次解決后歸檔：

await hs.retain(bankId, `Repeated issue: ${mistakes}`);

這些記錄不會躺在數(shù)據(jù)庫里吃灰。它們會參與下一次的檢索排序，影響提示詞（prompt）的組裝策略。

狀態(tài)（state）到底改變了什么

無狀態(tài)AI回答問題，有狀態(tài)AI培養(yǎng)技能。這個區(qū)分比聽起來更狠。

前者是工具——你用一次，付一次 token 錢，關(guān)系歸零。后者是教練——它觀察你的模式，調(diào)整訓(xùn)練計劃，長期ROI（投資回報率）完全不同。

CodeMentor的模板系統(tǒng)延伸了這個邏輯。FAQ可以預(yù)制，代碼片段可以復(fù)用，但核心差異在于：這些模板不是靜態(tài)的，會被你的歷史錯誤動態(tài)修正。

有個細節(jié)很有意思。他在實現(xiàn)里用了"bankId"作為記憶分區(qū)鍵——意味著支持多角色、多項目隔離。工作代碼和個人項目不會互相污染，就像一個好教練不會把學(xué)員A的體能數(shù)據(jù)套給學(xué)員B。

為什么現(xiàn)在才有人做

技術(shù)門檻其實不高。向量數(shù)據(jù)庫、檢索增強生成（RAG）、會話持久化——這些組件2023年就成熟了。

真正的障礙是產(chǎn)品假設(shè)：大多數(shù)AI工具默認用戶想要"干凈 slate（slate，此處指空白狀態(tài)）"，每次對話都是新的開始。這個假設(shè)對客服機器人成立，對編程助手是災(zāi)難。

編程是累積性技能。你的錯誤模式有連續(xù)性——今天搞不懂生命周期（lifetime），下周還會在同類型問題上摔跤。AI如果看不見這條軌跡，就只能做低水平重復(fù)。

CodeMentor的粗暴直接反而暴露了行業(yè)的慣性。兩行代碼解決記憶召回，一行代碼完成持久化，整套系統(tǒng)沒有調(diào)用任何閉源API。這不是技術(shù)突破，是視角轉(zhuǎn)換。

開發(fā)者們的真實反饋

項目在開發(fā)者社區(qū)放出后，最熱的評論不是夸功能，是吐槽痛點被擊中：「我終于不用第三次解釋為什么我的TypeScript配置總是崩了?！?/p>

另一個細節(jié)被多次提及：AI開始"預(yù)判"錯誤。不是馬后炮式提示，而是在用戶即將踩坑前，從記憶里調(diào)出相似場景主動預(yù)警。這種"被看著長大"的體驗，和無狀態(tài)工具的冰冷感形成鮮明對比。

有用戶做了量化對比。處理同類問題時，有記憶系統(tǒng)的平均交互輪次從12輪降到4輪，首次正確解決率從31%提升到67%。數(shù)字背后是一個更簡單的事實：AI終于開始"懂"你了。

當(dāng)然有人擔(dān)心隱私。代碼錯誤里可能埋著業(yè)務(wù)邏輯，記憶庫會不會變成數(shù)據(jù)泄露通道？CodeMentor的回應(yīng)是本地化優(yōu)先——bankId可以指向本地向量庫，不需要任何云端持久化。

這個設(shè)計選擇很產(chǎn)品經(jīng)理思維：先解決"用不用得上"，再解決"敢不敢用"。

現(xiàn)在的問題是：當(dāng)AI開始記得你的愚蠢時刻，你會更依賴它，還是更警惕被它定義？