差不多用 AI “Vibe” 出来的代码，只要超过一定的行数，改起来就会进入一个极其痛苦的阶段。 这块确实是目前 AI 很难“凭直觉”一下子做好，我目前的做法是先出一份报告，然后人工 review 之后上强约束。 分享一个我专门用来解决「状态管理瓶颈」的代码体检 Prompt ```md 需要你作为架构师帮我做一次代码体检。目前项目遇到了严重的状态管理瓶颈，主要存在 [xxx] 状态主体。 痛点：状态流转错综复杂，可读性急剧下降，开发心智负担很重。 任务请求： 请先给出你的架构诊断分析，评估这些状态主体的划分是否合理，犀利指出其中的坏味道（如：职责不清、循环依赖、过度分散等）。然后，请务必使用 Markdown Mermaid 语法输出以下 3 张可视化架构图，辅助我进行重构决策： - 图1：当前认知模型图（Current State Model）—— 梳理目前的调用链路与流转现状。 - 图2：推荐状态模型图（Refactored State Model）—— 基于高内聚低耦合原则，建议的最佳状态主体划分。 - 图3：目标架构组织图（Target Architecture）—— 采用建议后，新的状态流转全局视角。” ``` 然后看图和AI 对话，对不必要的状态做裁剪，最后开 plan 模式落实代码。 PS： 如果你用的是带 cc 国产大模型比如 @MiniMax_AI 建议在 prompt 最后补上一句咒语： 请在后台多开几个 Agent，做充分的探索和深度推演之后，再给出你最优雅的方案。

看了一晚上 Claude Code 泄露的代码，结合常见的记忆管理框架，把记忆模块做了一些分析。 Tulving 老爷子在 1972 年提出了记忆系统的框架设计，至今仍在广泛使用，他把记忆分为三类：1）情境记忆（episodic memory），我干了啥，用来记录过去；2）语义记忆（semantic memory），我知道啥，用来提炼规律；3）以及程序化记忆（procedural memory），我会做啥，用来决定行动。 这些记忆之间是存在相关性的，例如我经历的事情（情景记忆）会慢慢遗忘细节，储存在脑海中的是提炼后的规律和知识，也就是压缩成了语义记忆；而我知道的东西又会逐渐内化为行动的指引，变成一种“知道怎么做”的能力，这就是程序化记忆；程序化记忆反过来又会指导行动，从而产生新的经历。三者构成了一个不断循环的过程：经历 → 知识 → 技能 → 新的经历。 Claude Code Memory 在这几块都有对应的实践，例如每轮次的对话它会以 jsonl 格式做储存，这是情境记忆；同时在对话过程中还会有 SessionMemory 做实时蒸馏，相当于一边发生一边做初步整理。 每轮次结束后，它会 fork 出一个子 Agent（extractMemories）去提取值得持久化的内容，写入带 YAML 头的 MD 文件，这一层对应语义记忆，把零散对话压缩成可复用的知识。更有意思的是它还有一个 autoDream 机制，会在后台做整合和修剪，把碎片化的内容重新组织、合并、更新，这一步很像记忆的巩固过程。 很多框架都没有实现程序化记忆，而 Claude Code 做了。它有一个 feedback 的记忆类型，不仅记录了不要做什么（用户的纠正），还会记录哪些做法是对的（用户的确认），这些都是经验化的技能记录。多数系统只考虑负反馈，Claude Code 兼顾了正向确认，让 Agent 不至于越学越保守，这一点非常关键。 相比 LangMem/Mem0/Zep/EverMemOS/MemOS 这些框架，Claude Code 肯定弱的像个菜鸡😄。它有很多能力是明显不足的，例如：不支持语义化召回（用 LLM 扫 metadata 代替向量检索，上限 200 个文件）、遗忘策略比较粗（24 小时 or 5 轮对话触发整合）、无关联网络（记忆是孤立文件），等等。 真要像 EverMemOS/MemOS 那样追求全量记忆，工程和架构复杂度会直线上升，就拿 EverMemOS 来说，光基础设施就包含了 MongoDB/Elasticsearch/Milvus/Redis，更别说其他的附带依赖了。这类框架更适合做个人长期记忆管理。 另外也去对比了下 OpenClaw，它的记忆实现也非常有意思。它不追求全量记忆，而是优先解决“记忆什么时候该被用”。它把记忆拆成了三层：全局层、工作区层、任务层，逐层收敛，只在必要的时候才把上下文拉进来。 在 OpenClaw 眼里，记忆不是资产，正确使用记忆的能力才是。所以它的设计更侧重于重建临时的记忆网络。 放在这个视角下再去看 Claude Code，就会发现它其实选了一条更偏执行的路径。 对它来说，看清问题全貌也没那么重要。它解决问题的方式，更像人类工程师 debug，一边看、一边改、一边跑、一边修正，在行动中逐步逼近答案。 在这个过程中，Memory 的作用就是一个“防遗忘机制”，保证关键上下文不会在多轮试错中丢失。