记忆驱动 ADE：从每次重置到经验可复

AI 研发智能体的算力不断增加，上下文长度持续扩展。但一个事实常被忽略：它记不住自己此前犯过的错误。

每个新会话，智能体都从零开始。上一次花费十分钟教它"pip 安装要换国内源"，关闭窗口后配置即清零。再次打开，它重新踩一遍同样的坑。

这不是个别团队的现象，而是当前多数 AI 研发智能体共有的局限——能推理，不能积累；能对话，不能成长。

我们对一批真实研发会话做了系统回溯，归类出 20 多类反复出现的故障模式。

规则上线前，同类任务常卡在换源、环境加载等基础环节：pip install 超时，往往等待十分钟才切换国内源；node 命令找不到，常花费几分钟才加载 nvm。同样故障在不同会话中反复出现——下一次仍超时，再下一次仍找不到。

根因明确：规则写入前，研发智能体各会话彼此独立。前一次踩过的坑不会自动传递到后一次。上下文随窗口关闭清零，经验随会话结束蒸发。

沉淀不是堆文档，而是把教训转化为动作。从 62 个会话、20 多起真实故障中提炼的规则，先看三条有代表性。

第一条，下载优先用国内源。写入前，下载成功率约 20%，一次耗时 4 到 12 分钟；写入后，成功率约 95%，耗时压到 30 秒到 1 分钟。

第五条，环境 PATH 自动加载。写入前，command not found（exit 127）为高频报错，每次排查 3 到 5 分钟；写入后，ADE（数字机器人，AI R&D Engineer）先 source nvm、source pyenv、source rustup，再执行命令，报错消失，时间归零。

第四条，失败先分析再重试。写入前，一遇报错即机械重试 3 到 5 次；写入后，ADE 按环境、路径、权限、命令、依赖、资源六个维度排查，最多三轮不同方案，仍失败才上报，重试次数降至 1 到 2 次。

完整体系共十条，速记如下：

这 10 条规则并非一次成型，而是分两批沉淀：首批 4 条于 2026 年 7 月写入，第二批 6 条于 8 月补齐。

其中，规则 2 体现命令级细节。编译与测试默认高并发：C/C++ 用 make -j$(nproc)，Python 用 pytest -n auto，Go 用 go test -p。写入前，串行编译频繁超时，CI 误杀率高；写入后，编译耗时缩短 4 到 8 倍，超时误杀率压到约 2%。一条命令参数的记忆，替代了反复的人工调优。

端到端对照：同一"下载—编译—测试—启动—遇错"的研发任务，写入前约 55 分钟以上，大量时间耗于重试与等待；写入后约 4 分钟。效率提升约 14 倍。

把规则直接写入 System Prompt 是否可行？

不可行。提示词模板仅作用于当前会话，关闭即失效，下次仍需重复粘贴。织灵 Coda Loom 2.0（工程级 AI 原生研发平台）的解法，是赋予 ADE 一套长期记忆。

用户将经验规则写入 /memory/bestpractices/，由平台 self-learning 技能完成沉淀。此后，ADE 在后续所有会话自动检索并遵循——"一次写入，永久生效"。

记忆检索有明确优先级：个人记忆最高，其次团队知识库，最后企业知识库。工程师的私人习惯始终优先于通用默认。

记忆并非孤立运行。Session 执行任务时，ADE 自动检索记忆；Workspace 编译遵循"增量 + 高并发"；self-learning 技能将新经验写回记忆；即使 ADE Teams 工作流中，单个 ADE 节点同样遵循记忆规则。记忆是贯穿平台的底层能力，而非某项功能的开关。

比数字更实在的，是研发日常的变化。过去每个 ADE 会话都从零起步——能推理，却无法积累，经验随会话散去；如今一条写进 /memory/bestpractices/ 的规则，今天生效、下季度也生效，沉淀进织灵 Loom 的经验不会随会话清零。从"每次重置"到"经验可复用"，这套持续生长的研发基础设施，带来的正是这一转变。