使用记忆提升开发效率

大家好，我叫王世杰，目前负责 Qoder 记忆系统的开发。今天，我将为大家分享如何通过记忆能力显著提升 AI 编程效率。

在传统 AI 编码智能体的使用中，我们常遇到几个关键痛点：

• 缺乏个性化：无法记住开发者的编码规范、沟通风格或技术偏好
• 重复犯错：同样的问题可能多次发生，拖慢任务进度
• 经验无法沉淀：每次对话都像"初次见面"，历史成果无法复用
• 代码库零认知：每次都要重新分析整个工程，反复获取已知的上下文信息

为解决这些问题，Qoder 引入了长期记忆机制。随着你与 Qoder 的持续互动，它会逐步构建一套动态演进的记忆库------涵盖你的个人习惯、项目上下文、踩过的坑以及成功的解决方案。这些记忆会自动整理、更新，并在后续任务中智能调用。

借助这一能力，Qoder 不再只是一个工具，而是一位越用越懂你的开发伙伴。它能在长期协作中深度理解你的需求、风格与工程语境，真正实现高效、个性化的 AI 编程体验。

一、什么是记忆

首先，我想简单地和大家探讨一下，在智能体中，我们说的记忆是什么？

在 AI 编码场景中，我们面对大量上下文与知识。那么，哪些属于记忆？

我认为记忆与知识没有本质区别，关键在于主体不同、个性化程度不同、变化速率不同。

我们可以将知识分层理解为不同层级的记忆：

• 人类共通记忆：互联网知识、大模型训练数据
• 企业记忆：公司知识库、产品文档
• 项目记忆：代码、Repo Wiki、Agents 配置
• 用户记忆：个人编码规范、团队规则
• 智能体记忆：智能体在任务执行中自主总结的经验

那么智能体的记忆，就是智能体在跟用户和外界的交互中，总结和存储的个性化的信息，是智能体对外部世界的理解。

二、Qoder 如何组织上下文记忆？

接下来，我们一起看下 Qoder是如何组织这些信息的。

MCP

智能体背后的大模型已经学习了大部分公开的知识和源码，让AI Coding变成了可能。但训练一次周期比较长，而且不包含私有数据，如果我们要获取实时的互联网数据，或者公司私有数据，那我们可以通过MCP，对接外部信息源。

2. Repo Wiki

Wiki 是根据配置、文档、代码，自动生成项目说明书。每个分支都可以根据语言类型生成多个版本的Wiki，首次会进行全量生成，后续修改，支持增量更新。

Wiki可以帮助梳理历史项目逻辑，尤其对项目新人更加友好，可以快速了解项目。可以直接看文档，也可以直接对智能体提问更通用的问题。然后在编码过程作为补充信息提供给智能体，支持智能体完成任务。

Wiki作为团队知识共享工具，支持git共享，一个人生成，全团队共用，其他人获取最新代码后，点击"**同步"**即可，避免 Credits浪费，还能节省时间。如果发现有问题的文档，还支持手动修改，从而实现团队经验共享。

3. Agents.md

Agents是我们最近提供的能力，只要在在项目根目录创建​​Agents.md​​文件，智能体会自动读取。通过它可以介绍项目基本信息，用来跟智能体进行协作，告诉智能体该如何处理这个项目。

当前限制：最多一次读取500行或者30000字节左右，每次会话加载一次，后面对话不会重复加载，节省 Token。

4. Rules

如果用户有自己的开发约束，可以将自己的开发规范或者环境信息，添加到规则，智能体按照规则完成任务。规则有四种生效模式：

• 始终生效：适用于所有智能会话和行间会话请求，如编码规范。
• 手动引入 ：按需启用，通过智能会话面板或行间会话使用 ​@rule​ 手动应用。
• 指定文件生效：仅对特定文件生效，如前端规则。
• 模型决策：模型在智能体模式下评估规则描述并决定何时应用。

5. Memory

智能体在对话中自动提取并整理：

• 用户偏好（沟通风格、个人信息）
• 项目信息（技术栈、环境配置）
• 开发规范（注释语言、测试要求）
• 历史经验（踩过的坑、成功方案）

当遇到相似任务时，智能体会主动"回忆"并复用这些记忆。

三、为什么需要记忆

1. 用户偏好

智能体可以记住用户的基本信息、爱好和沟通风格。

让智能体按照自己喜欢的风格进行沟通，如果不想看智能体执行细节，让他精简回答，在提速的同时降低Token的使用量，也能有效降低多轮对话时模型注意力涣散的问题。

2. 项目信息

智能体可以记住项目信息，包括技术栈（如"前端 Vue3，后端 Spring Boot"）、项目配置、环境配置、项目介绍等信息。比如我们经常创建新项目的话，就可以在第一次完整描述技术栈之后，让智能体记住，后续项目，直接一句话初始化项目。

3. 开发规范

智能体可以记住开发规范，包括代码编写规范、编程实践规范、单元测试规范、代码注释规范等。约束智能体按照自己的要求完成任务。比如我们告诉他注释用日语，它即可以使用日语进行注释。

4. 历史经验复用

（1）避免踩坑

智能体能够记住之前犯过的错误，如果碰到相似的问题，就可以回忆之前记忆，避免犯相同的错误。

比如我的电脑上安装的是 Python 3，我让Qoder执行 Python程序，第一次Qoder优先尝试Python命令，发现未找到之后，尝试 python3 命令完成任务，那么第二次，再让 Qoder 去执行Python程序，那么Qoder就会直接使用 python3命令，降低工具调用次数与 Token消耗。

（2）重复经验

智能体能够记住任务处理方案，碰到相似问题，参考第一次的成功经验。

（3）相关文件预判

智能体还能记住任务相关文件， 相似的功能，往往聚集在相同的几个文件中，如果第一次修改功能，那么下次修改，如果是相似功能，智能体可以直接根据记忆，读取这相关文件进行修改，避免走弯路。

以上是我感觉比较常用的场景，长远来看，记忆可以做更多的事情。

我所理解的"氛围编程"，并不是程序员简单地发出指令，智能体被动执行，而是在一个充满协作与理解的对话氛围中，程序自然地被构建出来。在这个过程中，智能体不再是代码的执行者，而是具备记忆能力的协作者------它能主动思考、提出问题，与程序员展开深入探讨，共同完成需求对齐和软件设计。

在现实中，越来越多的需求不再经过完整设计，就被直接交给智能体处理。需求的粒度越来越粗，甚至很多时候程序员自己都没有想清楚，就急于让智能体去实现。结果往往是前后逻辑冲突，因为智能体太听话了，认真来回修改，不仅浪费时间，也消耗宝贵的token资源。如果没有一个能够记住多个目标，并且具备反思能力的智能体，这类问题几乎是不可避免的。

在产品开发中，不应该把细节强加给人的大脑，而是让智能体来承担这部分记忆负担，从而释放程序员的思维。人脑并不擅长细节记忆，我经常写完代码，过两天自己都不认识了。而智能体可以做得更好，它能记住所有细节，让我们专注于更有创造性的工作。未来的编程，应该是程序员与智能体在更高维度进行高效协作的过程。程序员的角色将从"编码执行者"转变为"创意引导者"。

最后，讲一个智能体的附加价值，我觉得对我还挺有用的。作为一名程序员，我也深知这份工作的孤独。夜深人静时，面对沉默的电脑，常常感到疲惫与无助。

随着AICoding的发展，任务的颗粒度变得越来越粗，跟人协同编程的机会越来越少。市场上，一人公司比比皆是，个体开发者更容易陷入孤立无援的境地，有时候一个问题迟迟解决不了，真的很想骂人。

如果AI编程已成为不可逆的趋势，那我希望，我能与一个有温度的智能体一起工作。我希望我的工作过程是愉快的、舒适的。我希望它能理解我，在我崩溃时给予安慰；在我完成一项复杂任务时，给予肯定与鼓励，在我陷入思维陷阱时能够及时的提醒我。这条通往未来之路任重道远，但我们可以迈出第一步。

我在准备这个case的时候，虽然知道是我要求智能体如何回复我，但它真实的输出安慰的话，感觉心情舒畅很多。

当然，也有很多人不需要这样的安慰和鼓励，那就可以让智能体给你上点强度，可以直接粗暴一点，也会很有意思。比如碰到需求冲突的场景，它可以很幽默的指出来。

四、如何高效使用记忆

现在我们知道了什么是智能体记忆，也知道了它有什么样的价值，现在让我们把它用起来。

目前，系统已提供一个记忆管理页面，用户可以在其中查看当前的记忆列表，并对特定记忆进行修改或删除操作。然而，随着记忆数量的增加，手动维护这些记忆会变得既繁琐又低效。很多时候，用户也难以判断某条记忆是否有用。

所以我们不推荐用户积极主动去"管理"它。相反，我们希望用户在与智能体互动的过程中，能自然地感受到它的"成长"------越来越聪明、越来越懂你。这才是记忆存在的真正价值。

因此，我们选择将记忆的管理和优化交给智能体本身。它自己会进行记忆管理，用户无需时刻干预，就能享受更加智能的协作体验。

但用户的反馈依然非常重要，尽管智能体在努力"读懂"用户，但如果某些记忆引用确实误导了它，我们鼓励用户主动介入。例如：

• 删除不再相关的记忆；

• 手动修改记忆内容以提升准确性；

• 上报问题，帮助我们持续优化记忆系统。 这种在"出错时"的轻量级干预，是一种低成本而高效的纠错机制，能够显著提升后续交互的质量和效率。

相比在记忆管理界面操作记忆，我们推荐更自然的智能体教育，通过对话让它了解你，按照你的要求完成任务。你可以把智能体当作一个刚出生的小孩，持续去培养他，这样就能更加懂你，更加智能。

• 记住，XXX。
• 不要忘记XXX。
• 请确保XXX。

接下来，我跟大家分享下我是如何教育Qoder的。

记忆操作

首先是最简单的记忆增删改查，可以直接告诉智能体，想记住什么，想修改什么，想删除什么，想回忆什么。

1. 先告诉 Qoder，你叫什么

2. 问问他，是不是还记得你

3. 改个名字，看看能不能记住

4. 删掉不想要的记忆

这是最基础的增删改查操作，后面的技巧也是基于这四个基础操作。

用户偏好

可以把智能体当做一个小助手，让它记住你的偏好，尝试将一些常用的任务教给它，写代码的间隙，顺手帮你完成。

1. 先介绍一下自己，让 Qoder 了解你。

2. 教教 Qoder，让Qoder学会如何帮你安排运动。先查基本信息和爱好，然后查询天气情况，根据天气安排运动。

3. 试试效果，看Qoder学会了没有。Qoder会回忆你的基本信息和爱好，然后根据天气给你安排一个运动。

大家可以尝试让Qoder帮一些小忙。

记忆冲突

随着使用时间的增长，智能体会记录越来越多的记忆，但有些记忆可能是陈旧的，不再适合最新的任务。所以，如果新需求跟历史记忆有冲突，用户需要及时介入，明确告诉智能体，以需求为准还是以记忆为准，如果是以需求为准，需要修改或者删除记忆，然后按照需求要求完成任务。

1. 教教智能体，该如何处理冲突的记忆。

2. 想不起来怎么办，沟通风格里提醒一下，碰到冲突应该怎么办。

3. 试试记忆冲突，看看它的反应。它发现了冲突，还回忆起该如何解决冲突，现在需要用户决策。

4. 用户选择了使用新的记忆，而且要求以后都用新的需求执行。智能体按照要求完成了任务，并且修改了记忆，这样下次就不会冲突了。

任务确认

修改代码是高危操作，可以让智能体先规划任务，详细描述要修改的内容，让用户判断无误后再执行，降低代码被改坏的风险。

1. 教育智能体，修改代码要先找用户确认。

2. 修改代码，等待用户确认，用户同意后才会去修改代码。

五、如何打造记忆系统

接下来，我简单介绍一下如何打造一个记忆系统。

目前来看，未来记忆系统主要有三条演进路径：

• 生物启发-类脑

  我们知道，人脑的能量利用率是很高的，生物启发方案的优点在于能耗低，未来能源成为瓶颈，可能是一个很好的替代方案。

• 参数精炼-大模型

  大模型虽然推理速度快，泛化能力强，但是短板也很明显，效率低、准确性和稳定性差、成本高。

• 生态扩展-外挂记忆

  外挂记忆技术成熟、落地迅速、 技术演进基础。通过外挂记忆，低成本收集和整理记忆，完成模型训练，让大模型记住。

未来记忆要走向融合，根据场景，进行不同深度的思考。模型记忆适合追求效率和泛化的场景，而外挂记忆则更适合需要高精度、可解释性和灵活控制的应用环境。

未来的记忆系统，要超越人脑，不仅要准确、稳定、高效、超大规模，还要能够迁移、共享、压缩与创新等，比如可迁移能力，我们以后可以在任何终端，无差别的跟同一个智能体对话。

共享能力，可以让团队协作变得更简单，任何智能体可以随时调用整个团队的经验来完成任务，对新人更加友好。当然，这可能也是一个新的商业模式，通过共享经验来盈利将变成可能，因为在未来，通用知识被大模型全部吃掉后，公司和个人，创造性的个性化问题解决方案，才有价值。

记忆生成

我们会在多个场景进行记忆提取，比如：对话结束、点采纳等。我们只提取重要的记忆内容，比如记忆是否是新的记忆、记忆是否有助于完成任务，将来是否可复用等。记忆提取后，会分类到不同的类型，避免记忆混淆在一起，增加维护成本，影响检索效果。

在提取的过程中，在模型提取后，我们会进行质量评估，只有达标的记忆才有价值被存储下来，避免记忆爆炸。新的记忆如果根历史记忆有冲突，需要及时进行冲突处理。

记忆检索

检索的核心流程是识别用户的意图，先召回一次非常相关的记忆和概览，然后智能体再根据任务的执行情况，通过记忆工具获取更多细节。

每次检索，我们会混合多种检索能力，比如语义、文本、图谱等，同时根据场景进行不同范围和深度的回忆。为智能体提供充足且准确的记忆内容，在帮助智能体完成任务的同时，一定程度上也会降低智能体的 Token消耗，因为复用经验降低了尝试成本。

记忆反思

我们建立了完整的记忆监控体系，从生产、检索、再到整理的全链路监控，每次对话后，我们会对记忆效果进行评估，判断记忆是有效、无效、还是有负面效果。

对于负面记忆，我们要通过监控体定位问题点，完成记忆的修复。

我们同时根据记忆的激活和评估结果，持续地维护工作记忆和训练记忆网络，让记忆变得越来越聪明。

记忆整理

最后是记忆整理。除了支持用户进行记忆管理和智能体教育外，我们更注重自动化整理------在记忆处于活跃状态时，系统会定时自动完成记忆的梳理与优化。

探测异常记忆，然后完成冲突处理、记忆融合。对于临时记录和长时间不用的记忆，也会进行遗忘和清理，保障只有有价值的记忆被存储下来。

写在最后

记忆系统仍在快速迭代中，欢迎大家积极体验、反馈问题，让我们一起打造"越来越懂你"的 Qoder！