如何让 AI 记住之前的对话状态与开发进度

解决 AI 记忆碎片化问题：通过结构化捕获和压缩会话信息，让 AI 能够在不同会话之间实现“无缝接力”，确保技术决策和待办事项不被丢失。

为什么需要这个技能

在使用 Claude Code、Cursor 或 Codex 等 AI 编程助手时，由于 Token 限制和会话隔离，AI 往往会忘记之前的讨论细节。当你开启新会话时，不得不重新向 AI 解释项目现状、已达成的技术方案或尚未完成的任务。

context-agent 提供了一套完整的上下文生命周期管理方案。它不仅是简单的聊天记录保存，而是将非结构化的对话转化为结构化的 ACTIVE_CONTEXT.md 和 MEMORY.md。通过这种方式，AI 可以在新会话启动时直接读取“简报（Briefing）”，立即进入工作状态。

适用场景

• 长周期项目开发：每天启动新会话，需要快速恢复昨天的进度。
• 复杂技术决策跟踪：需要记录为什么选择了 A 方案而不是 B 方案，防止 AI 在后续会话中建议重复的错误路径。
• 待办清单同步：自动追踪哪些文件被修改、哪些 Bug 已修复、哪些任务处于 Pending 状态。
• 跨会话知识检索：在大量历史会话中快速搜索某个特定的错误处理方案。

核心工作流

该技能通过 Python 脚本集实现了从“捕获 压缩 还原”的闭环：

1. 初始化与保存： 在会话结束前执行 save 命令。脚本会分析最新的 JSONL 日志，提取技术决策、修改的文件及待办事项，生成 session-NNN.md 并更新全局 ACTIVE_CONTEXT.md。

   python C:\Users\renat\skills\context-agent\scripts\context_manager.py save

2. 上下文加载（Briefing）： 新会话开始时执行 load 命令。AI 将获得一份包含活动项目、优先级任务、阻塞点和近期决议的精简报告。

   python C:\Users\renat\skills\context-agent\scripts\context_manager.py load

3. 自动化内存同步： ACTIVE_CONTEXT.md 会自动同步至系统 Prompt 加载的 MEMORY.md 中。这意味着 AI 在你输入第一个字符前，就已经知道了当前的开发状态。

4. 历史检索与维护： 利用 SQLite FTS5 全文搜索快速定位历史记录，并通过 maintain 命令压缩陈旧会话，防止上下文过载。

   python C:\Users\renat\skills\context-agent\scripts\context_manager.py search "rate limit"

下载和安装

下载 context-agent 中文版 Skill ZIP

解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。

你可能还需要

暂无推荐