Show HN：雙層記憶——AI編碼代理的可查詢長期記憶

AI編碼代理的默認長期記憶機制通常是將Markdown文件堆疊加載到會話的上下文窗口中。這種方式在文件數量較少時尚可應付，但當積累到上百個文件時，所有內容競爭有限的上下文窗口，超出邊界的信息會被靜默截斷，導致代理遺忘已解決的問題、重複勞動甚至與之前的決策矛盾。許多人將此歸咎於模型能力不足，但根本問題在於文件系統本身——這正是一個1970年就被數據庫解決的老問題：將數據結構化存儲、建立索引、按需精確查詢所需的行，而非全量加載掃描。

該項目提出了雙層記憶架構來解決這一侷限。第一層是一個始終加載的索引文件（INDEX.md），每行對應一個已解決的問題，僅包含標題和指針，佔用的上下文空間極小，能告知代理有哪些已知信息而不暴露細節。該索引從第二層數據庫自動生成，確保不會漂移。第二層是一個按需查詢的SQLite數據庫，每個難題存儲為一行，包括問題描述、根因、解決方案、注意事項和相關工件。上千行數據在未被查詢時不會佔用任何上下文，只有當代理嗅到熟悉氣味時才會執行SQL查詢獲取精確信息。

使用方式極為簡單：通過Python 3自帶的sqlite3庫即可運行。命令行工具支持init、add、query、get、list、index等操作。例如添加一條新記錄時，可指定領域、標題、問題、根因、解決方案、注意事項和標籤；查詢時使用全文搜索（FTS5）。索引文件通過命令手動或自動重新生成，確保與數據庫一致。

作者強調，工具本身只是誘餌，真正發揮價值需要配合良好的使用習慣。必須將“先搜索記憶再行動”設為代理的固定規則，否則數據庫形同虛設。每條記錄應在解決當天寫入，一旦發現錯誤立即刪除或更新——過時的記錄比空表更具誤導性。此外，當前內置的全文搜索只能匹配關鍵詞，可能無法準確找到意圖的條目，未來可在此基礎上嫁接語義搜索或嵌入向量，但不要一開始就追求複雜方案。

將雙層記憶集成到AI編碼代理中，只需在項目指令中添加兩條規則：遇到新難題時先查詢記憶庫，命中則直接複用；解決新穎問題後添加記錄並更新索引。這樣，始終加載的INDEX.md提示代理已知內容，數據庫按需提供詳細信息，雙方互補。整個工具零依賴，僅需Python 3及其內置sqlite3模塊。源代碼包括schema.sql（建表及FTS5觸發器）、memory.py（CLI實現）、自動生成的INDEX.md和memory.db數據文件。項目採用MIT許可證，由Tom Adelstein公開構建，模式源於與Anthropic編碼代理Claude Code的協作會話，體現了人機協作的核心理念。