通忆

要解决什么问题

在复杂项目里让 AI 写代码，常见痛点是：跨 session 失忆、人类难以快速核对 AI 改了什么、以及新人（人或 Agent）接手时缺少一份可检索的结构化上下文。通忆（MemBridge）把「项目事实」沉淀进 SQLite，并用极短的 CONTEXT.md 做 L1 导航，让 Agent 先建立心智模型再动代码，而不是每次从零扫仓库。

技能如何工作

技能围绕三种模式组织同一份知识库：

• 开发模式：SQLite + CONTEXT.md，供 AI 日常按需查模块、路由、表结构、约束等精确信息。
• 审查模式：通过 export_md.py --review 产出变更摘要与 REVIEW.md 审查清单（含 forbidden/critical 标记），供人类快速过红线。
• 交接模式：export_md.py 导出完整 Markdown（架构图、API 清单、ER 图、ADR、约束分级等），用于项目交接或新 session 冷启动。

典型大循环套小循环流程：

1. 首次接入：init_project.sh 或 build_db.py 扫描源码填充库，生成 CONTEXT.md，注入初始约束模板。
2. 日常开发：Agent 用 query_db.py 自然语言查询，或 --sql 直传 SQL；改代码后 build_db.py --incremental 增量更新。
3. 人类审查：生成 CHANGELOG.md / REVIEW.md，人类勾选确认后再交还 AI 下一轮。

build_db.py 会按语言（Go/Python/JS/TS）提取模块、符号、API、表定义与代码中的决策/约束注释；query_db.py 优先执行 --sql，否则匹配预定义 NL 模式，再退化为多表 LIKE 搜索。

适用边界与注意点

• 价值集中在中大型、多模块且需要反复人机协作的项目；小脚本或一次性改动，维护 .ai/ 知识库可能得不偿失。
• 审查与交接文档的质量依赖扫描与 constraints/decisions 表是否及时更新；手工 ADR 需自行写入 decisions 表。
• Agent 侧应遵循文档建议：先读 CONTEXT.md，改代码前查相关模块的 forbidden/critical 约束，改后再跑增量构建。