這個程序員把AI的健忘癥治好了，調試效率翻了3倍

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

一位叫CodeMentor的開發者算過一筆賬：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所有權規則"，而是"你上個月在Vec迭代時踩過這個坑，這次又是類似模式"。

調試變成了學習。因為AI記得你的薄弱點，能主動繞開或針對性強化。

錯誤處理同樣關鍵。每次解決后歸檔：

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

這些記錄不會躺在數據庫里吃灰。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（state）到底改變了什么

無狀態AI回答問題，有狀態AI培養技能。這個區分比聽起來更狠。

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

CodeMentor的模板系統延伸了這個邏輯。FAQ可以預制，代碼片段可以復用，但核心差異在于：這些模板不是靜態的，會被你的歷史錯誤動態修正。

有個細節很有意思。他在實現里用了"bankId"作為記憶分區鍵——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員A的體能數據套給學員B。

為什么現在才有人做

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

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

編程是累積性技能。你的錯誤模式有連續性——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。

CodeMentor的粗暴直接反而暴露了行業的慣性。兩行代碼解決記憶召回，一行代碼完成持久化，整套系統沒有調用任何閉源API。這不是技術突破，是視角轉換。

開發者們的真實反饋

項目在開發者社區放出后，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>

另一個細節被多次提及：AI開始"預判"錯誤。不是馬后炮式提示，而是在用戶即將踩坑前，從記憶里調出相似場景主動預警。這種"被看著長大"的體驗，和無狀態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%。數字背后是一個更簡單的事實：AI終于開始"懂"你了。

當然有人擔心隱私。代碼錯誤里可能埋著業務邏輯，記憶庫會不會變成數據泄露通道？CodeMentor的回應是本地化優先——bankId可以指向本地向量庫，不需要任何云端持久化。

這個設計選擇很產品經理思維：先解決"用不用得上"，再解決"敢不敢用"。

現在的問題是：當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？