上个月，我亲眼看着我们团队的一位工程师，第四次向 Claude Code 解释同一个认证模式。不是他记性差忘了自己讲过，而是这个 AI 工具，转头就把一切都忘了。每一次开启新会话，一切都要从零重来。“我们在网关层使用 JWT 验证，而不是在各个独立服务中。” 这句话，他三天前刚说过，一周前也说过，过去半年里，每一次启动工具都要重复一遍。每一次，AI 都会乖乖 “点头” 附和，完美遵循所有指示，可会话结束的那一刻，它就会把所有内容忘得一干二净。

我一直在琢磨这件事，因为这明明是个本该早就解决的问题。现在已经是 2026 年，这些大模型的能力早已今非昔比：它们能推理复杂的代码库、调试细微的竞态条件、编写可靠的测试用例，可偏偏，它们的运行状态，我只能用 “严重健忘” 来形容 —— 一种病理性的、完全无法记住当前会话之外任何信息的顽疾。

自动补全的旧借口

这种 “健忘”，放在几年前其实说得通。当 AI 编码工具还只是个自动补全引擎的时候，它根本不需要记忆。2022 年的 Copilot，不过是帮你补全单行代码，上下文也只局限在当前打开的文件里。你输入，它建议，你按 Tab 确认，会话记忆对它来说毫无意义。但现在，这些工具早已不是当年的样子了。我们早已不再只让它补全代码，我们让它跨多个文件构建功能、调试需要吃透整个系统架构的生产问题、帮新工程师快速熟悉陌生的代码库、甚至在 GitHub 上自主处理 Issue。可即便任务变了，工具的底层逻辑却没变 —— 每一次，它都要从零开始。

我总忍不住用一个比喻来形容这种离谱的体验：想象你雇了一位才华横溢的承包商，可他每天早上来上班时，都带着完全的失忆。他会写代码，速度也很快，但每天你都要花第一个小时，向他重新解释项目情况、团队规范、已经做出的决策，还有你们已经踩过的坑、吸取过的教训。到了第二天早上？一切又要重来一遍。这就是现在，每个团队、用着每款 AI 编码工具，都在经历的日常。

藏在代码之外的隐性知识

最让我困扰的是，AI 一直忘记的那些东西，根本就不在代码里。它们是那些藏在字里行间、只有团队内部才懂的隐性信息：我们为什么选了 Postgres 而不是 DynamoDB？一方面是它适配我们的查询模式，更重要的是，整个团队在 Postgres 上经验深厚，对 DynamoDB 却完全陌生。

为什么通知服务是个单体模块，而不是流行的微服务？我们试过拆分微服务，结果一塌糊涂，第三季度就回滚了，可没人把这段踩坑的经历写进文档。还有计费流水线的那个隐藏雷区：高负载下，事件会被无声丢弃。整个团队只有两位工程师知道这件事，其中一位，刚提交了离职通知。这些信息，没有一个存在 AI 能扫描到的代码文件里。有些藏在八个月前的 Slack 对话里，大部分，只存在于人们的脑子里。而恰恰是这些看不见的上下文，决定了 AI 输出的内容，到底是能用的正确代码，还是藏着细微却致命错误的垃圾。

那些治标不治本的 “解决方案”

我太清楚你现在在想什么了，因为我一开始也这么想：把这些信息都写下来不就行了？写个 [CLAUDE.md](CLAUDE.md)，或者.cursorrules，把所有团队规则、历史决策都写进配置文件，让 AI 每次都加载它不就好了？我们试过，所有人都试过。这方法确实有用 —— 但只管用三周。三周之后，文件就彻底过时了，没人会去更新它。毕竟更新配置文件是纯维护工作，没法帮你把功能推上线。写下原始文件的人，早就转去做别的项目了；新的决策在日常对话里产生，没人会特意同步到那个静态文件里。到最后，这个文件就成了一件历史文物，只能大致反映团队半年前的想法，仅此而已。

这不过是老掉牙的维基问题重演：有人怀着好心创建了它，可它从诞生的第一天起就开始腐烂。不出半年，开发者都会主动不信任它，因为谁都吃过照着过时信息干活的亏。还有人说，用更大的上下文窗口不就行了？20 万 token 不够，那就升级到 100 万，把所有东西都塞进去。可我想了很久才发现，这根本就是搞错了问题的核心。更大的上下文窗口，只是给当前会话提供了更大的空间，它根本没给 AI 记忆的能力。它没法告诉你，团队上个季度为什么做了那个架构决策；不知道那次生产事故，如何改变了整个团队对错误处理的认知；也不清楚 Sarah 才是唯一懂对账流水线的人。

更大的窗口，不过是更大的草稿本。会话结束的时候，这本草稿本还是会被清空。你根本没治好健忘症 —— 你只是给健忘症患者，换了一本更大的笔记本，而这本笔记本，到了晚上还是会被烧掉。最近更流行的说法是，多加几个智能体就好了？面对 “AI 知道的不够多”，答案居然是 “再加几个同样啥都不知道的 AI，给每个分个更窄的活”。

一个审核智能体、一个测试智能体、一个部署智能体，十五个专门的智能体，每个都带着硬编码的任务指令。团队里有人写这些指令，就得有人维护它们。审核标准变了，有人要改审核智能体；测试框架更了，有人要更测试智能体。这不过是把配置文件的问题，搬到了更高的抽象层，只是多了一堆要维护的部件而已。而且你猜怎么着？这些智能体，没有一个懂你的组织。它们只知道有人硬塞给它们的指令，根本不知道你的团队上周刚学到了什么。

如果 AI 能 “记住” 呢？

我总是忍不住回到这个问题上：如果 AI，能记住呢？不是记住那些杂乱的原始对话记录 —— 那都是没用的噪音。而是记住真正有价值的知识：从对话里提取出来的决策、模式、踩过的坑、团队的规范，把这些存下来，在未来的每一次会话里都能用。不是只给当时对话的那个工程师，而是给整个团队。一位工程师解释了，我们为什么给审计系统用事件溯源模式，这个解释，就会变成一个结构化的知识项 —— 其他所有工程师，在未来的每一次会话里，都能用到它，不用任何人去维护什么文件。

有人在调试的时候，发现了两个服务之间的隐藏耦合，这个发现会被自动捕捉下来。下次有人碰这两个服务里的任何一个，AI 早就知道这个耦合的存在了。不是因为有人特意去记录了它，而是因为系统，在知识产生的那一刻，就已经在 “倾听” 了。周二帮你调试计费问题的 AI，到周四你开新会话的时候，它早就记得你上次发现的问题了。下个月新来的工程师，入职第一天，他用的 AI，就已经知道整个团队过去一年里学到的所有东西。

我总在想这件事，因为它会彻底改变这些工具的本质。它不再只是一个帮你写代码更快的助手，它会变成整个组织的 “集体记忆”。不是那种要靠人维护的死维基，而是一个活的知识库 —— 只要人们用这个工具，它就会自己成长。

AI 编码工具的下一场分裂

我越来越觉得，AI 编码工具的市场，马上就要分裂成两个完全不同的阵营。一边，是帮单个工程师更快写代码的工具。这类工具正在快速商品化，模型每个季度都在降价，包装越来越薄，根本没有什么持久的竞争壁垒。另一边，是能把整个组织的集体智慧，永久地带给每一位工程师、每一次会话的工具。这类工具，现在还不存在 —— 至少，没有真正能跑通的。

过去一年，我一直在想，第二类工具到底长什么样？要怎么造？架构要怎么做？行业里哪些固有的想法，其实是错的？这一切的起点，都源于最开始的那个观察：你的 AI 工具患上了健忘症，可似乎没人觉得，这是个值得解决的问题。但在我看来，这，才是唯一值得解决的问题。