vibe coding 新建一个对话，模型会不会对项目一无所知

所以需要工程化 agent ， 来做项目向量化， 代码图谱化， 跨会话记忆等优化

你交接文档去哪了，memory bank 去哪了。

每次的活干完以后上下文里有用的要沉淀到文档，但是要精简同时设计按需读取，类似于一个简单的 memory 。

同一个上下文带来的压缩损失，要大过新开的 token 成本。核心原因是上下文污染。新开会话就是缓解这个问题的。

丢失上下文这个情况你多试几次，基本很难出现影响任务完成的丢失，因为 agent 会读取共享的记忆、提交记录。如果出现这个情况，我一般会要求上个对话框记录下当前的进展，通过 docs 来跨 session 同步。

还有一个原因是模型的硬盘缓存也是有时效的，短的数分钟。我们以为的上下文还在，缓存丢失后其实也相当于从头再来。

所以除开全局的 ———— 无论你是自己写的还是网上抄的 ———— AGENTS.md ，项目也要有自己的 AGENTS.md 。

项目内的 AGENTS.md 主要干这几个事情：

1. 声明 AGENTS.md 版本与更新日期，能够让 AI 在重复读取的时候刷新上下文而不是依赖 memory.md
2. 项目背景、顶层期望设计与效果，以及工作进度（什么完成了、什么还没完成、什么标记为 WIP 、WIP 进度）
3. 项目语言、架构，如果是非本机构建要写构建指令，以及声明构建机的环境、软件（或环境、依赖）版本。如果有独立的部署机，还要写启动、部署指令
4. 顶层约束。比如改动前一定要重新读取 AGENTS.md 、重读现有代码、识别分支、工作分支与主分支的提交、合并规则
5. 如果项目有任何形式的凭据，在哪里读取凭据，如何使用这些凭据（比如如果接入了 Vault)
6. 数据库（如果有）的操作规范，什么可以干、什么不能干、表结构允许调整的字段范围
7. Plan rule ，但这个属于我自己的工作习惯了。我会给每个功能新开 Plan thread ，然后有独立的 implement thread 去读 Plan 对话生成的 md ，Imp 完后生成 implementation.md 来记录已完成、未完成/取消、延期/WIP ，并且新 Plan 还会回读旧的 imp.md 。所以要求 Plan 与 Imp 这种跨对话必须有一个锚点来连接，比如文件名要一致之类的。我的用法不一定适合你，我就不展开了，这一块我调了蛮久的。
8. Prompt discipline ，AI 会在给定条件的情况下。以一定的探索深度来追问或纠正我天马行空的设计。我知道有 Grill-me 这种东西，但效果不符合我的需求。
9. Git and SSH workflow ，如何按照你要求的规范来拉推代码（甚至新建特定的依赖仓库）、如何用 ssh-config 连到对应的服务器，以及 command safty check ，比如什么类型的命令绝对不允许自动批准，以及如果卡在某些命令打转的时候该怎么办，别乱烧 token 。
10. 代码约束。什么东西可以改，什么东西不能改，改动遵循什么规范，前端 UI 别动什么要素。
11. break-off rule 。如果 AI 发现 token 不够烧了或任何原因导致工作被迫中断，要存档什么、记录什么
12. 什么时候 AI 要更新这份 project-scope 的 AGENTS.md ，更新要求是什么，更新哪些内容，遵循什么规范，强制以交互式更新并由我批准更新内容。
13. 威胁一句你的工作将会由 Codex / Claude / Kimi 做二次审核（恶趣味哈哈哈哈哈

如果你对写 AGENTS.md 没头绪，你甚至可以让 AI 根据你的需求生成一份并互动式调整，别忘了别人的 AGENTS.md 也会被作为语料用来训练 AI 自己，AI 比你懂要写给 AI 的 AGENTS.md 要怎么写

现在 ai 编程的核心技能是
选择强力模型
写高质量小作文
为 ai 搭建测试，开发环境

我自己主要在用的：AGENTS.md 、FileTree （生成项目文件树并声明到 AGENTS.md 和 README.md ），每次任务完成执行 Handoff 归档任务记录，有明确规划的需求和漏洞，执行前也会沉淀到 docs/plan 和 docs/checklist

建议阅读这个，相信你会给你带来启发： https://zhuanlan.zhihu.com/p/1993009461451831150

现在 ai 编程的核心技能是
选择强力模型
写高质量小作文
为 ai 搭建测试，开发环境

AGENTS.md (LN 5~15)
+ SOP/*.md (for AGENTS.md) + scripts (for SOP/*.md)
+ tests (for AGENTS.md & SOP/*.md & scripts)

https://github.com/rohitg00/agentmemory/blob/main/READMEs/README.zh-CN.md
这个可以帮忙，其他类似的记忆也有
还可以加上 OpenSpec，写好规范文档
这样就不容易跑偏

bro ，这就是痛点，现在也没好办法，等模型变强比现在一堆权宜之计更靠谱，但短时间比较成熟的两种做法，一是先做好知识库之类的，反正就是把文档写好，交接文档那样的，然后做一个任务之前，左移，把要写什么代码讲清楚，这个就很累，项目大了敲小作文时间比写代码还多，没 AI 之前也不见得项目文档写得能有多适合人类看。二是干完活就记录经验，试错反馈，这个就是烦，你得设计好这个反馈环境，然后刚开始做什么任务都出错，得一步步教，好处是下次遇到同类任务，AI 通过环境能知道咋整，不用费心。当然两者结合也行，不过最重要一点还是测试，AI 能知道自己写对了没有才是最好的反馈。但实际上，迭代了多年的老项目，也许根本测不动，或者只能测大流程、只能测代码，测不动业务流程。

我感觉也是痛点，与其加一些 agents 约束、skills 、memory ，不如等模型变强。。另外鉴于模型抽风犯轴，不如记一个小本本，三令五申别让干什么（不过有时候感觉也没用，就比如 gemini ，不让它用终端 grep 检索，就是不听）。如果有钱的话可以体验下 windsurf ，有个 SWE-GREP 快速检索特色，上下文过长了开个新对话，让快速扫一遍结合自动生成的 memory ，相当于无感了