PROJECTMEM: A Local-First, Event-Sourced Memory and Judgment Layer for AI Coding Agents
本文介绍了 PROJECTMEM，这是一个面向 AI 编程智能体的开源、本地优先的记忆与判断层，它通过使用事件溯源日志来提供紧凑的上下文摘要和确定性的动作前置门控，从而防止冗余调试并实现可审计的状态化开发。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在雇佣一位才华横溢、速度极快的软件工程师来帮你开发一款应用。这位工程师聪明绝顶，但有一个非常奇怪的怪癖：每当你关闭聊天窗口时，他就会彻底失忆。
每次开启新对话时，这位工程师都会：
- 忘记你昨天告诉他的所有事情。
- 从头开始重新阅读你的整个代码库。
- 重新发现那些你已经解决掉的问题。
- 最令人沮丧的是： 他会尝试用昨天失败过三次的完全相同的方法来修复一个 Bug，从而浪费你数小时的时间。
这就是目前 AI 编程助手的现状。它们功能强大，但它们是“无状态”的——一旦会话结束，它们就会忘记项目的历史。
ProjectMem 是一款旨在解决这一问题的工具。你可以把它想象成一个永久且组织严密的笔记本，就放在你的代码旁边，并且强制要求 AI 在采取任何行动之前必须阅读它。
以下是它的工作原理，我们使用简单的类比来解释：
1. “黑盒”日志（事件溯源/Event Sourcing）
AI 不再是靠猜测发生了什么，ProjectMem 会严格记录项目中采取的每一个步骤，形成一份不可更改的日记。
- 类比： 想象一个建筑工地，每个工人每天下班前都必须在日志本上写下自己做了什么。
- “我尝试修理漏水的管道，但管道爆裂了。”（尝试：失败）
- “我换了一把扳手，成功了。”（尝试：成功）
- “我们决定使用铜管，而不是 PVC 管。”（决策）
- 为什么这很重要： 这个日志是以纯文本形式记录的（就像一个简单的文本文件），而不是复杂的数据库。它就像一张购物清单，任何人都可以阅读、搜索和理解。它永远不会被删除或修改；新条目只会不断添加到末尾。这创造了一个完美且不可篡改的项目历史。
2. “智能摘要器”（投影/Projection）
AI 不需要每次开始工作时都去阅读那本 500 页的厚日记。ProjectMem 会自动将日志浓缩成一份简短、易读的“速查表”。
- 类比： 这就像一位老师阅读了你整个学期的作业记录，然后在期末考试前递给你一份名为“本周学习重点”的一页纸总结。AI 得到的是精华（摘要），而不是原始的数据堆砌，从而节省了时间和成本。
3. “保镖”（判断层/Judgment Layer）
这是最独特的部分。ProjectMem 不仅仅是告诉 AI 发生了什么；它还会阻止 AI 再次犯同样的错误。
- 类比： 想象一个在俱乐部门口检查宾客名单的保镖。
- 如果 AI 试图修改一个在昨天导致了崩溃的文件，保镖会介入并说：“等等！你两天前尝试过修复这个文件，结果搞砸了。别再那样做了。”
- 这种情况发生在 AI 做出更改之前。它根据项目自身的历史记录充当了一个安全闸门，而不是基于某种猜测。
4. “本地优先”原则
ProjectMem 完全运行在你的个人电脑上。
- 类比： 这就像把你的家庭相册保存在客厅里，而不是上传到陌生人的云端服务器。
- 隐私： 没有数据离开你的机器。你的代码和密钥都是安全的。
- 速度： 因为是本地运行，所以是即时的。
- 拒绝“黑魔法”： 它不使用复杂的 AI 来“猜测”该记住什么；它使用简单的、确定性的规则（如果发生了 X，则针对 X 发出警告）。
结果（论文声称的内容）
作者在 10 个真实的现实世界项目中对这个系统进行了为期两个月的测试。他们发现：
- 减少了时间浪费： AI 不再需要为了回忆上下文而重新阅读数千行代码。
- 减少了重复错误： “保镖”机制成功地提醒了 AI 避免之前失败过的修复方案。
- 节省成本： 通过避免每次都要向 AI 发送整个项目上下文的需求，他们估计节省了大量的“Token”（用于支付 AI 模型的货币），有可能将每场会话的成本降低一半以上。
- 审计追踪： 因为每一次操作都以纯文本形式记录，你可以回溯查看某项决策是如何做出的，这让 AI 的工作变得透明且值得信赖。
简而言之：ProjectMem 将 AI 编程助手从一个会重复犯错的“健忘天才”，转变为一名拥有项目历史记忆、能从失败中学习、并在你犯错前发出预警的资深团队成员。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。