Agent Memory Layer：AI编码助手的仓库级内存

Agent Memory Layer 是一个实验性的开源项目，旨在为 AI 辅助编码工作流提供仓库级的内存。该项目本身不是一个传统的 Python 库或应用程序，而是一套文档优先的工作流和自动化脚本，让 AI 编码代理（如 Codex、Cursor、Claude Code、Gemini 等）能够持久化保存项目意图、决策和证据，从而方便后续的人类或 AI 代理继续工作。

核心问题

AI 可以快速生成代码，但仓库往往丢失了周围的工程记忆：原本的意图是什么？哪些约束至关重要？能力面发生了哪些变化？为什么做出某个决策？有哪些证据支持发布变更？当这些记忆缺失时，每个未来的代理都必须重新发现它们。Agent Memory Layer 通过系统化的工件记录来解决这一问题。

三大能力

项目围绕三个互补的能力构建：

• 意图验证 (IA)：确保 AI 生成的代码与原始意图一致。
• 依赖与能力感知 (DS2)：映射依赖关系和能力面变化。
• 工程记忆 (SCP)：在关键时刻保存决策理由。

工作流程为：想法 → AI 生成代码 → IA 验证意图 → DS2 映射依赖和能力 → SCP 保存理由 → AI 修正或人工审查 → 凭证据发布。

当前状态与局限性

项目仍处于实验阶段。目前已有基于 Codex 的 A/B 测试初步证据，显示出更好的工件使用、交接质量和修复循环行为，但尚未验证广泛的生产力提升、通用质量改进或跨模型泛化能力。已知的可靠性威胁包括任务集较小、仅限本地运行以及项目历史中混合的时间方法。下一里程碑需要更广泛的外部使用：更多模型、更多开发者、更长的项目和真实案例研究。

适用范围

该项目最适合重度依赖 AI 编码的开发者、独立创始人、自学者、构建内部工具的领域专家、工程审查者以及希望养成清晰意图、审查和上下文保持习惯的初/中级开发者。对于一次性脚本、简单原型、少用 AI 的团队或已有良好工程记忆实践的团队，通常帮助有限。

快速开始

人类读者建议从 README.md、WORKFLOW.md 和 EVIDENCE.md 开始。AI 代理则从 AGENT_BOOTSTRAP.md、AGENTS.md 和 ARTIFACT_MODEL.md 开始。项目环境无需安装包，只需运行测试套件 python -m pytest，然后通过 python automation/guardrail_runner.py --changed <文件> 运行护栏检查。外部工具如 IA、DS2 和 SCP 可选安装，未安装时护栏运行器会跳过而非失败。

证据与反馈

当前证据在 EVIDENCE.md 中总结，可重复的实验框架位于 experiments/ab_adoption/。反馈最好具体指出不清晰之处、过高的声明、有用或嘈杂的工件、不可重复的实验步骤，以及哪些额外验证会改变您的信心。项目采用 MIT 许可证，反馈渠道为 GitHub Issue。